VorobeoffВремя на первичный отсев
Стало~1-2 часа
в неделю
Было~30 часов в неделю
Как я перестал читать закупки — и оставил себе только одно решение
Личный кейс: как я сократил ручное чтение ТЗ по госзакупкам с ~30 часов в неделю до 1–2 часов на решения. Парсер, VPS, gpt-5.5 через API и Telegram — без автоподачи заявок и без снятия ответственности с человека.
Личный кейс: парсер, VPS, gpt-5.5 через API и Telegram. Без автоматической подачи заявок — с проверкой критичных данных и ответственностью человека.
Роль человека
Сталопроверять карточки
и принимать решения
Былочитать почти все ТЗ
Подходящие лоты
обычно2-3
из30-40 ТЗ в неделю
Показатели относятся к моему процессу первичного отбора закупок. Доля подходящих лотов после автоматизации осталась примерно прежней.
Задача
Чтение ТЗ забирало 30 часов в неделю
За неделю я просматривал около 120 аукционов и читал 30–40 технических заданий. Подходили обычно два-три лота. Первичный отсев занимал около 30 часов — время, которое было нужно для продаж, переговоров и проверки действительно важных закупок.
Метод
Подготовить решение до того, как я открою ТЗ
Ручная выжимка в ChatGPT сокращала чтение, но оставляла мне загрузку каждого файла. Мониторинг сообщал о новых лотах, а разбирать требования всё равно приходилось самому.
Я собрал процесс на VPS: он находит документы, готовит короткую карточку и доставляет её в Telegram. Моё участие начинается с проверки результата.
Отобрать входящий поток
Парсер проверяет новые лоты по ОКПД2, региону и сумме, убирает дубликаты и скачивает PDF с техническими заданиями.
Выделить то, что влияет на участие
Из PDF извлекается текст. gpt-5.5 через API собирает требования, сроки, обеспечение и риски в заданный формат.
Вернуть карточку человеку
Telegram-бот присылает выжимку. Я проверяю критичные условия, считаю экономику и решаю, участвовать ли в закупке.
Как проходит одно ТЗ
Файл и фильтры
Расписание, поиск, загрузка PDF и извлечение текста — обычная автоматизация.
Смысловой разбор
Модель читает требования и собирает карточку. Пропуски отмечает как «не указано».
Проверка и участие
Карточка помогает выбрать лот для подробного разбора. Заявку и ответственность сохраняет человек.
Решение
В Telegram приходит материал для решения
Мне важно быстро увидеть предмет закупки, сроки и условия. Спорные поля выделены отдельно: по ним я возвращаюсь к исходному ТЗ.
Критерий карточки
Открывать лот глубже?Короткая выжимка должна помочь ответить на этот вопрос.
Отсутствующие данные не дополняются догадками.Пример карточки
Поставка лабораторного стенда
Карточка соединяет условия закупки и вопросы для ручной проверки.
Предмет и сроки
Стенд X, датчики Y — 1 комплект.
Поставка: 45 календарных дней.
Деньги и обеспечение
НМЦК: 2 400 000 ₽ из явного поля.
Обеспечение заявки: 2% НМЦК.
Условия и риски
Штраф 0,1% в день. Требуется опыт аналогичных контрактов.
Проверить вручную
Совпадение характеристик с нашим каталогом и возможность выполнить условия.
Оценка результата
Освободилось время на подходящие закупки
После автоматизации первичный отсев занимает около одного-двух часов в неделю. Изменился объём ручного чтения и момент, в котором я подключаюсь к работе.
Время
Около 30 часов в неделю на чтение сменились одним-двумя часами на карточки и решения.
Доля подходящих лотов
Осталась примерно прежней — 5–7%. Эффект дала экономия на первичном отсеве.
Работа человека
Я проверяю важные условия и оцениваю участие, получая подготовленную выжимку по каждому документу.
Контроль
Цена ошибки задаёт правила проверки
Однажды модель перепутала НМЦК и цену за единицу. По карточке я увидел другой масштаб закупки. Этот случай показал, какие поля нельзя оставлять без проверки.
Сумма — из явного поля
Если НМЦК не найдена, карточка пишет «не указано». Похожие суммы и спорные условия я сверяю с документом.
Качество PDF
Плохое распознавание и сканы требуют ручного чтения. Выжимка не исправляет ошибки исходного файла.
Работа системы
Парсер зависит от разметки площадки. Watchdog предупреждает, если карточки подозрительно долго не приходят.
Стоимость обработки
Длинные ТЗ увеличивают расход API. Их стоит предварительно сокращать или разбирать по частям.
Карточка не знает мою себестоимость, склад, загрузку и готовность брать риск. Экономику сделки, окончательное решение и ответственность за заявку я сохраняю за собой.
С чего начать
Проверить экономию на одном рабочем ТЗ
Такой контур нужен при повторяющемся потоке документов. Для пяти-десяти закупок в месяц может хватить хорошего промпта и ручной загрузки.
Переходить к серверу имеет смысл, когда экономия повторяется на десятках документов и правила отбора можно описать.
Взять реальный документ
Выбрать ТЗ, с которым вы уже работали и по которому знаете условия участия.
Проверить выжимку
Попросить модель выделить предмет, сроки, деньги, риски и вопросы человеку. Сверить результат с исходником.
Измерить выигрыш
Сравнить время и качество разбора. Повторить на нескольких ТЗ, прежде чем автоматизировать весь поток.
Продолжить тему
Другие кейсы
Разборы конкретных процессов: исходная задача, устройство системы и результат.
ИИ-агенты для бизнеса: как я превращаю рутину в рабочий контур
Кейс-метод: три внедрения с цифрами, схема рабочего контура, ограничения и роль человека — с чего начать, если хотите не чат-бота, а систему под процесс.
Разбор проекта: юридические документы — 3 дня → 2 часа
Разбор проекта (обезличенно): юридическая фирма, 200+ документов в день. Как я собрал связку Claude + Make.com + Notion — и что оставил на стороне юриста.
Разбор проекта: анализ договоров — 6 часов → 20 минут
Разбор проекта (обезличенно): оптовая торговля, крупные контракты. Как я собрал агента на LLM + шаблон критериев риска — юрист проверяет таблицу, не весь текст.
Обсудить задачу
Какой процесс забирает у вас время?
Опишите, какие данные поступают, что сотрудник делает вручную и какой результат нужен. С этого начнём разбор задачи и оценим, где ИИ может снять нагрузку.