За 30 секунд: я поставляю учебное оборудование в вузы и колледжи с 2017 года. Раньше первичный разбор госзакупок занимал около 30 часов в неделю: поиск лотов, чтение ТЗ, проверка сроков, обеспечений, штрафов и требований. Я собрал рабочий пилот: парсер на VPS находит новые лоты, забирает PDF, отправляет текст в gpt-5.5 через API и присылает короткую карточку в Telegram. Теперь я трачу 1-2 часа в неделю не на чтение всех документов, а на решение: участвовать или нет.
Личный кейс · Госзакупки · Поставка учебного оборудования · Рабочий пилот
Слово пилот здесь означает не "сырая идея" и не готовый сервис для клиентов. Это первый рабочий контур, который я собрал под свой процесс, проверил на реальных закупках и оставил в работе.
Он не подаёт заявки автоматически, не считает маржу и не заменяет проверку документов перед деньгами. Его задача уже: снять с меня механическое чтение десятков PDF и оставить человеку то, где действительно нужен опыт.
Время на первичный отсев
~30 часов в неделю → ~1-2 часа
Роль человека
читать почти все ТЗ → проверять карточки и принимать решения
Подходящие лоты
обычно 2-3 из 30-40 ТЗ в неделю
Было
Как выглядела проблема
В закупках решение почти всегда начинается с документа. На площадке появляется лот, к нему прикладывают ТЗ, а дальше нужно быстро понять: подходит ли нам оборудование, реальные ли сроки, нет ли странных требований, какая сумма, какое обеспечение, какие штрафы.
Один документ прочитать несложно. Проблема начинается, когда таких документов 30-40 в неделю.
Мой обычный цикл выглядел так:
- Открыть площадки по 44-ФЗ, 223-ФЗ и другим закупкам.
- Отфильтровать лоты по оборудованию, региону и сумме.
- Просмотреть около 120 аукционов за неделю.
- Скачать и открыть 30-40 ТЗ.
- Прочитать каждое ТЗ и понять, есть ли смысл идти дальше.
При этом реально подходили обычно 2-3 лота. То есть большая часть времени уходила не на сделки, а на отсев того, что всё равно не наш вариант.
| Показатель | До автоматизации |
|---|---|
| Ручной разбор закупок | 5 рабочих дней в неделю |
| Время в день | примерно 5-6 часов |
| Время в неделю | около 30 часов |
| ТЗ за неделю | 30-40 документов |
| Подходящих лотов | обычно 2-3 |
| Кто делал работу | только я |
Главная сложность была не в незнании закупок. Я в этой теме давно. Сложность была в том, что первичный отсев начал занимать слишком большую часть рабочей недели и конкурировать с продажами, переговорами, управлением и нормальной проверкой действительно важных лотов.
После нескольких часов чтения внимание неизбежно падает. Можно пропустить важное условие, неверно оценить риск или просто не дойти до лота, который был в конце списка. Для малого бизнеса это не абстрактная проблема продуктивности, а прямой риск упущенных возможностей.
Задача
Почему простые варианты не решили задачу
Первым делом я попробовал не строить систему, а упростить ручную работу.
ChatGPT вручную помогал сделать выжимку из текста, но процесс всё равно оставался ручным. Нужно было открыть PDF, скопировать текст, отправить его в чат, дождаться ответа, проверить вывод и перейти к следующему документу. Это быстрее, чем читать всё самому, но я всё ещё оставался оператором каждого шага.
Платные сервисы мониторинга решают другую часть задачи. Они помогают узнать, что лот появился. Но моя основная боль была не только в поиске, а в чтении ТЗ и первичном решении: стоит ли вообще тратить время на этот лот.
Excel и таблицы хороши, когда данные уже приведены к строкам и столбцам. Но ТЗ - это длинный текст, иногда скан, иногда документ с разными вложениями и формулировками. Таблица сама не понимает смысл документа.
После этих попыток стало понятно, что мне нужен не ещё один инструмент, куда я сам загружаю документы. Мне нужен процесс, который работает до меня: сам находит новые лоты, сам забирает ТЗ, сам готовит короткую карточку и присылает её туда, где я могу быстро принять решение.
| Ситуация | Что я бы выбрал |
|---|---|
| 5-10 закупок в месяц | Один хороший промпт в ChatGPT, без сервера |
| 30+ ТЗ в неделю и один человек в процессе | Агент на VPS уже имеет смысл |
| Нужен только поиск новых лотов | Платный мониторинг или простой парсер |
| Нужен разбор текста и короткая выжимка | LLM + автоматизация доставки карточки |
| Нужна автоподача заявки без человека | Я так не делаю: в документах с деньгами человек обязателен |
Подход
Какой процесс я собрал
Я собрал связку из простых частей на VPS - удалённом сервере, который работает круглосуточно.
Площадка с закупками
↓
Парсер ищет новые лоты по фильтрам
↓
Скрипт скачивает PDF с ТЗ
↓
Текст извлекается из документа
↓
gpt-5.5 через API делает структурированную выжимку
↓
Сценарий собирает карточку
↓
Telegram присылает карточку мне
↓
Я принимаю решение: участвовать или нет
В этой схеме ИИ используется только там, где нужен смысловой разбор текста. Всё остальное - обычная автоматизация: расписание, скачивание файлов, хранение PDF, отправка сообщения в Telegram.
| Часть системы | Задача |
|---|---|
| VPS | Держит процесс включённым постоянно |
| Планировщик | Запускает проверку новых лотов каждые несколько часов |
| Парсер | Ищет лоты по фильтрам: ОКПД2, регион, сумма, дубликаты |
| Извлечение текста | Достаёт содержимое из PDF |
| LLM через API | Превращает ТЗ в короткую структурированную карточку |
| Telegram Bot | Доставляет карточку туда, где её удобно быстро прочитать |
| Watchdog | Предупреждает, если система подозрительно долго молчит |
API - это прямое подключение модели к программе, а не ручная работа через сайт ChatGPT. На момент сборки я использовал gpt-5.5 через API, потому что мне нужен был длинный контекст для больших ТЗ и стабильный структурированный ответ. Но сама логика не привязана к одной модели: сначала фильтры, потом извлечение текста, потом карточка, потом решение человека.
Решение
Что попадает в карточку
Карточка должна отвечать не на вопрос "что вообще написано в документе", а на более практичный вопрос: стоит ли мне открывать этот лот глубже?
Поэтому я задал модели инструкцию как новому сотруднику: не пересказывать весь документ, а вытащить только то, что влияет на решение.
Прочитай техническое задание и подготовь карточку для решения "участвовать / не участвовать".
Извлеки:
- Что нужно поставить: модели, характеристики, количество - только если явно указано.
- Срок поставки или исполнения контракта.
- Обеспечение заявки и контракта - только из явных полей.
- Требования к опыту участника.
- Риски: штрафы, аванс, односторонний отказ, необычные условия.
- НМЦК - только если в документе есть явное поле с этой меткой.
Правила:
- Не придумывай то, чего нет в тексте.
- Если данных нет, пиши “не указано”.
- Суммы не пересчитывай и не выводи из соседних строк.
- Если PDF похож на плохой скан, предупреди о ручной проверке.
В конце добавь блок “Требует внимания человека”.
Пример удобной карточки:
Лот: поставка лабораторного стенда
НМЦК: 2 400 000 ₽ (из явного поля документа)
Оборудование: стенд X, датчики Y - 1 комплект
Срок: 45 календарных дней
Обеспечение заявки: 2% НМЦК
Риски: штраф 0,1% в день; требуется опыт аналогичных контрактов
Проверить вручную: совпадение характеристик с нашим каталогом
Важная деталь: карточка не должна выглядеть умнее документа. Если в ТЗ нет явной суммы, она пишет "не указано". Если скан плохой, она предупреждает, что нужна ручная проверка. Для закупок это важнее, чем красивый ответ.
Цифры
Что изменилось в результате
| Показатель | Было | Стало |
|---|---|---|
| Время на первичный отсев | около 30 часов в неделю | около 1-2 часов в неделю |
| Роль человека | читать почти все ТЗ | проверять карточки и принимать решения |
| Подходящие лоты | примерно 5-7% | примерно та же доля |
| Что дала автоматизация | - | убрала большую часть ручного чтения |
Важно: автоматизация не увеличила долю хороших лотов. Она не сделала рынок лучше и не нашла волшебные закупки, которых раньше не существовало.
Она решила другую задачу: убрала большую часть пустого чтения. Раньше я тратил время на вопрос "что написано в этом документе?". Теперь я быстрее перехожу к вопросу "стоит ли нам в этом участвовать?".
Для бизнеса это разные уровни работы. Первый - рутина. Второй - решение.
Ограничения
Что осталось под контролем человека
Один раз модель перепутала НМЦК и цену за единицу. По карточке казалось, что лот одного масштаба, а в реальности он был в разы крупнее.
НМЦК берётся только из явного поля
В закупках такая ошибка - не мелочь. Она может привести к неправильной оценке сделки, обязательств и рисков. Если поле с НМЦК не найдено, карточка не должна угадывать: она пишет "не указано" и отправляет вопрос в ручную проверку.
Модель может ошибаться в цифрах
Особенно если документ плохо распознан или рядом несколько похожих сумм. Поэтому суммы берутся только из явных полей, а спорные места уходят в ручную проверку.
Парсер может сломаться
Площадки меняются, ссылки и разметка обновляются. Поэтому нужен watchdog: если система долго не присылает карточки, я получаю уведомление.
Длинные ТЗ стоят денег
Если отправлять в модель всё подряд, счёт API может вырасти. Поэтому длинные документы лучше предварительно сокращать или разбирать по частям.
Сканы остаются проблемой
Карточка не знает мою себестоимость, склад, отношения с поставщиками, текущую загрузку, маржу и готовность брать риск. Она не знает всех нюансов конкретной сделки и не отвечает за заявку. Граница процесса такая: агент ищет, читает и структурирует; я проверяю критичные места, считаю экономику, принимаю решение и отвечаю за заявку.
Стек
Кому это подходит и с чего начать
Такой контур имеет смысл, если у вас есть повторяющийся поток документов, где нужно быстро отделять важное от неважного.
Подойдёт, если:
- вы один или маленькая команда;
- каждую неделю читаете много однотипных документов;
- решение остаётся за человеком, но первичный разбор хочется ускорить;
- документы влияют на деньги, сроки или обязательства;
- результат нужен в простом виде: Telegram, почта, CRM или таблица.
Скорее рано, если:
- документов мало и их спокойно можно читать вручную;
- вам нужен только поиск новых лотов без разбора ТЗ;
- вы хотите автоподачу заявок без человека;
- вы не готовы поддерживать парсер, промпт и проверки.
Не нужно сразу собирать VPS, парсер и Telegram-бота. Сначала стоит проверить, есть ли экономия на реальном документе.
- Возьмите одно рабочее ТЗ.
- Загрузите его в модель, которой доверяете.
- Попросите вытащить только то, что влияет на решение.
Прочитай документ и выпиши: - что нужно поставить или сделать; - сроки; - деньги и обеспечение, только если явно написано; - штрафы и риски; - что требует внимания человека.
Не придумывай то, чего нет в тексте. Если данных нет, напиши “не указано”.
Если на одном документе экономия небольшая, сервер не нужен. Если на десятках документов экономия повторяется, а правила отбора можно описать, тогда уже есть смысл собирать автоматический контур.
Источник
Главная мысль и материалы по теме
Я не заменил свой опыт нейросетью. Я заменил механическое чтение, которое забирало большую часть недели.
Раньше я тратил часы на первичный вопрос: "что написано в этом ТЗ?". Сейчас я быстрее перехожу к бизнес-вопросу: "стоит ли нам участвовать?".
Именно это для меня стало выходом из проблемы: оставить человеку решение, а машине отдать повторяющееся чтение.
- ИИ-агенты для бизнеса: рабочий контур — метод, человек в контуре, ограничения.
- GPT-5.5 Instant — что это значит — про модель в контексте задач.
- Как выбрать LLM под задачу — длинный контекст vs скорость.
- Промпт: сводка объёмного документа — база для адаптации.
Вопрос к вам: сколько часов в неделю вы тратите на тексты, которые не нужно читать целиком, если итог всё равно сводится к короткому решению?
Канал — t.me/vorobeoffai. Вопросы — контакты.
P.S. Похожим способом помогает и контент для этого сайта — отдельная история.