AI-оценщик подрядчиков от Doubletapp для промышленного сектора

В промышленных, инфраструктурных и государственных тендерах ключевая сложность — не количество подрядчиков, а качество работы с документацией. Требования формулируются в свободной форме, документы приходят в разном виде, а ответственность за итоговое решение лежит на закупочной команде.

При этом:

⁃ требования часто распределены по нескольким файлам;

⁃ часть документации поступает в виде сканов;

⁃ подрядчики по-разному трактуют одни и те же пункты;

⁃ проверка должна быть не только быстрой, но и обоснованной.

Классические инструменты (чек-листы, Excel, ручная экспертиза) плохо масштабируются:

⁃ сложно гарантировать полноту проверки;

⁃ трудно отследить, где именно в документах подтверждается выполнение требований;

⁃ возрастает риск пропустить критичный пункт или неверно интерпретировать формулировку.

Для заказчика было принципиально важно не просто ускорить процесс, а снизить неопределённость и повысить воспроизводимость результатов.

Цели проекта:

⁃ формализовать требования;

⁃ автоматизировать проверку соответствия подрядчиков;

⁃ обеспечить трассируемость* выводов системы до конкретных фрагментов документов;

⁃ реализовать решение, готовое к работе в закрытом контуре.

*Requirements traceability (трассируемость) — это способность описывать и отслеживать жизнь требования в обоих направлениях: от его происхождения, через разработку и спецификацию, до последующего развертывания и использования, а также через периоды непрерывного уточнения и итерации на любых из этих этапов.

Мы проектировали решение как систему, воспроизводящую логику работы опытного тендерного специалиста:

1) сначала понять, какие требования вообще есть;

2) затем проверить, выполнены ли они у каждого подрядчика;

3) и только после этого сравнивать участников между собой.

ШАГ 1. УНИФИКАЦИЯ ВХОДНЫХ ДАННЫХ

Система принимает документы в произвольном виде:

⁃ текстовые файлы,

⁃ PDF,

⁃ сканы,

⁃ папки с файлами разных форматов и архивами.

На этом этапе применяется:

⁃ OCR для сканированных документов;

⁃ предобработка и нормализация текстов;

⁃ приведение данных к формату, пригодному для LLM-анализа.

Это снимает типичную для тендеров проблему «грязных» данных ещё до начала интеллектуального анализа.

ШАГ 2. ИЗВЛЕЧЕНИЕ И СТРУКТУРИРОВАНИЕ ТРЕБОВАНИЙ

На втором этапе ИИ анализирует документацию тендера и формирует единый список требований с чёткой структурой и нумерацией, пригодный для последующей автоматической проверки.

Фактически система превращает неформализованное ТЗ в проверяемый чек-лист без участия человека.

ШАГ 3. АНАЛИЗ СООТВЕТСТВИЯ ПОДРЯДЧИКОВ

Для каждого подрядчика система определяет:

⁃ какие требования выполнены;

⁃ какие не выполнены;

⁃ по каким пунктам в документации недостаточно информации.

По каждому выводу можно увидеть, где именно в документах требование подтверждается или опровергается. Это принципиально важно для принятия решений и последующей проверки результатов.

ВЫБОР И ИСПОЛЬЗОВАНИЕ LLM

Для анализа используются open-source языковые модели, разворачиваемые в контуре заказчика. В рамках проекта наилучшие результаты показали:

⁃ DeepSeek V3.1;

⁃ Qwen3-235B-A22B.

Такой подход позволил:

⁃ обеспечить контроль над данными;

⁃ гибко адаптировать модели под специфику тендерной документации;

⁃ избежать зависимости от внешних API.

ОЦЕНКА КАЧЕСТВА КАК ЧАСТЬ СИСТЕМЫ

Отдельное внимание было уделено измеримости результата.

Команда собрала собственный датасет:

⁃ реальные тендеры;

⁃ документацию подрядчиков;

⁃ вручную размеченные требования и результаты проверки.

Это позволило встроить автоматическую оценку качества:

⁃ полнота извлечения требований — 95%;

⁃ точность определения выполнимости требований — 93%.

Таким образом, система проверялась не на демонстрационных примерах, а на реальных сценариях закупок.

Кейс Doubletapp демонстрирует, как AI-решения переходят из категории экспериментальных инструментов в разряд бизнес-критичной инфраструктуры. В условиях, где решения принимаются на основе больших массивов неструктурированных данных, ключевым фактором становится не скорость сама по себе, а управляемость и прозрачность процесса.

Предложенный подход позволяет стандартизировать работу с тендерами, снизить зависимость от индивидуального опыта конкретных специалистов и превратить экспертную оценку в масштабируемый и воспроизводимый процесс. Это особенно важно для организаций с распределённой структурой, сложными закупками и высокой стоимостью ошибки.

Выбор архитектуры с возможностью on-premise-развёртывания и использованием open-source LLM обеспечивает технологический суверенитет и долгосрочную устойчивость решения, что делает его применимым в отраслях с повышенными требованиями к безопасности и регулированию.

В стратегической перспективе такие системы формируют основу для нового класса управленческих решений — когда AI не подменяет человека, а усиливает его экспертизу, повышая качество, предсказуемость и экономическую эффективность ключевых бизнес-процессов.