AI-оценщик подрядчиков от Doubletapp для промышленного сектора

1. Вводная задача от заказчика, проблематика, цели

Контекст задачи

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.

Проблематика

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.

2. Описание реализации кейса и творческого пути по поиску оптимального решения

От автоматизации документов — к формализации экспертизы

В Doubletapp 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.

Архитектура процесса

➜ 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 уделили 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.

3. Результаты сотрудничества

Практический эффект

✅анализ тендерной документации проходит быстрее минимум в 2 раза;

✅ снижается доля ручных проверок;

✅ решения принимаются прозрачно, т.к. легко подтвердить обоснования для каждого из них

✅ результаты тендерных процедур вызывают больше доверия, т.к. нет влияния человеческого фактора.

Организационные преимущества

✅ единый кабинет для работы со всеми тендерами;

✅ отсутствие требований к предварительной подготовке документов;

✅ готовность к on-premise и офлайн-использованию;

✅ применимость в промышленности, медицине, финансовом секторе и госсекторе.

4. Заключение

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.