Разработка AI-агентов для тендеров и B2B-закупок в Казахстане и мире: автоматизация Госзакупок, Самрук-Қазына, парсинг техспецификаций и расчет маржинальности
Полное руководство по архитектуре и внедрению автономных ИИ-агентов для тендерных отделов и B2B-поставщиков в Казахстане (Алматы, Астана, Шымкент) и на международном рынке. Стек: LangGraph, LlamaIndex, OCR/Vision для PDF-техспецификаций, сопоставление номенклатуры с 1С/ERP, расчет себестоимости, логистики и банковских гарантий, отправка алертов в Telegram и CRM.
Кризис ручной обработки тендеров и B2B-закупок в 2026 году
Участие в государственных и корпоративных закупках — один из ключевых источников многомиллионной выручки для дистрибьюторов, производителей, строительных подрядчиков и IT-компаний в Казахстане. Ежедневно на электронных торговых площадках публикуются десятки тысяч новых лотов:
* Портал государственных закупок РК (goszakup.gov.kz) — закупки министерств, акиматов, больниц, школ и госучреждений;
* Электронная площадка АО «ФНБ Самрук-Қазына» (zakup.sk.kz) — крупнейшие контракты национальных компаний (КазМунайГаз, ҚТЖ, Казатомпром, Казахтелеком);
* Товарные биржи и коммерческие платформы: MITWORK, ETS, Nadloc, а также внутренние тендерные закупки корпораций и Kaspi Магазина;
* Международные государственные и коммерческие тендеры: SAM.gov (США), TED (Tenders Electronic Daily ЕС), RFP/RFQ запросы транснациональных корпораций.
Однако классические тендерные отделы в компаниях Алматы, Астаны, Шымкента, Караганды и международных дистрибьюторах сталкиваются с жесткими системными барьерами:
Колоссальный объем неструктурированной документации: Технические спецификации публикуются в виде 50–200 страничных сканированных PDF-файлов низкого качества, где текст сжат в картинки, таблицы перекошены, а критические параметры запрятаны между строк.
Скрытые регуляторные и юридические ловушки: Требования к доле местного содержания (сертификаты СТ-KZ), обязательное наличие узкопрофильных лицензий, гарантийные обязательства с жесткими банковскими гарантиями (1–3% обеспечение заявки, до 30% аванса) и штрафные санкции (0.1–0.5% за каждый день просрочки).
Ограниченное окно подачи заявок: На ознакомление, подготовку калькуляции и подачу документов дается от 3 до 7 рабочих дней. Тендерные специалисты физически успевают детально разобрать не более 10–15% релевантных лотов.
Ошибки в юнит-экономике и логистике: Расчет себестоимости в спешке приводит либо к неоправданному демпингу с работой в минус, либо к победе в лоте с доставкой в отдаленный регион (например, из Алматы в вахтовые поселки Атырауской или Мангистауской областей), где транспортные расходы съедают всю маржу.
Риск попадания в Реестр недобросовестных участников (РНП): Невнимательно прочитанный пункт техспецификации или просрочка поставки на 2 дня влечет за собой судебные иски, арест банковской гарантии и заморозку участия в закупках на 24 месяца.
Решением проблемы в 2026 году становится внедрение автономных ИИ-агентов (AI Procurement Swarm), которые за считанные секунды выгружают лоты, распознают сканы документов, сопоставляют номенклатуру со складской базой 1С, рассчитывают маржинальность и выдают готовое заключение руководителю.
Архитектура мультиагентной системы для тендеров (Multi-Agent Swarm)
Вместо монолитного скрипта современная система строится на базе оркестрации специализированных ИИ-агентов с разделением ролей на стеке LangGraph, LlamaIndex, PostgreSQL (pgvector) и FastAPI.
```
[ Госзакупки РК / Самрук / RFP ]
│
▼
┌───────────────────────────────┐
│ Ingestion & Scraping Agent │ (OData API, GraphQL, RSS, Webhooks)
└──────────────┬────────────────┘
▼
┌───────────────────────────────┐
│ OCR & Document Parser │ (PaddleOCR / Marker / GPT-4o-Vision)
└──────────────┬────────────────┘
▼
┌───────────────────────────────┐
│ Catalog & Semantic Matcher │ <───> [ База номенклатуры 1C / ERP ]
└──────────────┬────────────────┘ (pgvector / Qdrant эмбеддинги)
▼
┌───────────────────────────────┐
│ Financial & Compliance Scorer │ <───> [ Логистические матрицы РК / СНГ ]
└──────────────┬────────────────┘ (Расчет маржи, НДС, рисков, СТ-KZ)
▼
┌───────────────────────────────┐
│ Notification & Bidding Deck │ ────> [ Telegram Mini App / amoCRM / Bitrix24 ]
└───────────────────────────────┘ (Кнопки: «В работу», «Сформировать КП»)
```
1. Ingestion & Scraping Agent (Сбор и первичный мониторинг)
Агент непрерывно опрашивает открытый OData API портала Госзакупок РК, API Самрук-Қазына и международные ленты закупок.
* Фильтрует поток лотов по заданным кодам КТРУ (Классификатор товаров, работ и услуг), кодам ОКЭД/CPV, бюджетам (например, только лоты от 5 000 000 до 500 000 000 ₸) и географии поставки (Алматы, Астана, Шымкент, областные центры).
* Автоматически скачивает прикрепленный архив конкурсной документации (технические спецификации, проекты договоров, сметные расчеты).
2. OCR & Vision Document Parser Agent (Интеллектуальный разбор техспецификаций)
Главная проблема традиционного софта — неспособность читать кривые сканы и таблицы в PDF. Наш агент использует каскадный конвейер:
* Layout-анализ: разделение документа на заголовки, параграфы, чертежи и многоколоночные таблицы;
* Гибридный OCR: локальные модели для распознавания русского и казахского языков в сочетании с мультимодальными LLM для извлечения табличных данных;
* Строгая Pydantic/Zod-схема: преобразование текста в строгий JSON с полями: наименование товара/услуги, точные ГОСТы/ТУ, требуемые характеристики (мощность, размеры, материал), сроки поставки, штрафные санкции, условия авансирования.
3. Catalog & Semantic Matcher Agent (Сопоставление с базой 1С и прайсами поставщиков)
Используя векторные эмбеддинги (text-embedding-3-large или локальные bge-m3), агент ищет аналоги в номенклатуре предприятия:
* Проверяет текущие складские остатки через REST API 1С:Предприятие 8.3 / SAP;
* Если точного товара нет на складе, агент обращается к базе доверенных дистрибьюторов (Китай, Турция, РФ, Европа) и подбирает разрешенные эквиваленты;
* Проверяет обязательные требования к локализации: наличие сертификата о происхождении товара формы «СТ-KZ» и регистрацию в Реестре отечественных производителей.
4. Financial & Compliance Scorer Agent (Скоринг маржи и рисков)
Агент выполняет мгновенную калькуляцию лота по динамической формуле:
$$\text{Net Profit} = \text{Tender Budget} - (\text{COGS} + \text{Logistics} + \text{Bank Guarantee Cost} + \text{VAT 12\%} + \text{Risk Buffer})$$
* Логистический калькулятор: оценивает доставку до точки поставки (учитывая габариты, температурный режим, железнодорожные тарифы или автодоставку);
* Анализ конкурентной среды: анализирует историю торгов по данному организатору и КТРУ за последние 3 года, предсказывая вероятную глубину демпинга конкурентов;
* Детекция юридических рисков: выявляет дискриминационные требования («заточка» под конкретного поставщика) и заведомо невыполнимые сроки поставки (например, поставка импортного оборудования сложного цикла за 5 дней).
5. Notification & Human-in-the-Loop Agent (Доставка решения человеку)
Система не подает заявку вслепую. Руководитель или ведущий специалист получает интерактивную карточку в Telegram Mini App или сделку в CRM (amoCRM / Bitrix24):
* Сводка лота: заказчик, бюджет, маржинальность (в % и миллионах тенге);
* Индекс привлекательности от 0 до 100;
* Ссылка на первоисточник и сгенерированный проект согласия с техспецификацией;
* Кнопки: «Взять в работу», «Пересчитать логистику», «Отклонить (с указанием причины)».
Технический пример: пайплайн оценки лота на Python и LangGraph
Ниже приведен реальный архитектурный паттерн оркестрации ИИ-агента для анализа конкурсной документации с использованием Pydantic и типизированного состояния графа:
```python
from typing import TypedDict, List, Optional
from pydantic import BaseModel, Field
from langgraph.graph import StateGraph, END
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
# 1. Структура извлеченных данных из техспецификации
class ExtractedTechSpec(BaseModel):
lot_name: str = Field(description="Наименование предмета закупки")
ktru_code: str = Field(description="Код КТРУ")
delivery_city: str = Field(description="Город поставки: Алматы, Астана, Шымкент и др.")
delivery_days: int = Field(description="Срок поставки в календарных днях")
st_kz_required: bool = Field(description="Требуется ли сертификат СТ-KZ")
required_certifications: List[str] = Field(default_factory=list)
penalty_rate_per_day: float = Field(description="Процент неустойки за день просрочки")
# 2. Результат финального скоринга лота
class TenderScoringResult(BaseModel):
is_feasible: bool = Field(description="Возможно ли участие компании")
estimated_cogs_kzt: float = Field(description="Ориентировочная себестоимость товара в тенге")
estimated_margin_percent: float = Field(description="Ожидаемая чистая рентабельность")
risk_score: int = Field(description="Уровень риска от 1 (минимальный) до 10 (критический)")
red_flags: List[str] = Field(default_factory=list, description="Критические риски и скрытые условия")
class TenderState(TypedDict):
raw_pdf_text: str
tender_budget_kzt: float
parsed_spec: Optional[ExtractedTechSpec]
matched_catalog_items: List[dict]
scoring: Optional[TenderScoringResult]
# 3. Узел парсинга и валидации документа
def extract_spec_node(state: TenderState) -> dict:
llm = ChatOpenAI(model="gpt-4o", temperature=0.1)
prompt = ChatPromptTemplate.from_messages([
("system", "Вы — ведущий эксперт по государственным закупкам Казахстана (Закон РК 'О государственных закупках'). Извлеките ключевые параметры из технической спецификации."),
("human", "Текст документа:\n{document}")
])
chain = prompt | llm.with_structured_output(ExtractedTechSpec)
parsed = chain.invoke({"document": state["raw_pdf_text"][:30000]})
return {"parsed_spec": parsed}
# 4. Узел финансового и логистического скоринга
def financial_scoring_node(state: TenderState) -> dict:
spec = state["parsed_spec"]
budget = state["tender_budget_kzt"]
# Эмуляция сопоставления со складом и прайсом логистики
# В проде: обращение к PostgreSQL pgvector и 1С API
cogs = budget * 0.65 # Себестоимость ~65% от бюджета
logistics_cost = 250_000 if spec.delivery_city.lower() in ["алматы", "астана"] else 600_000
vat_cost = budget * (12 / 112)
bank_guarantee = budget * 0.015
net_profit = budget - (cogs + logistics_cost + vat_cost + bank_guarantee)
margin_pct = (net_profit / budget) * 100
red_flags = []
risk = 2
if spec.delivery_days < 10:
red_flags.append(f"Критически короткий срок поставки: {spec.delivery_days} дней!")
risk += 4
if spec.st_kz_required:
red_flags.append("Требуется сертификат СТ-KZ. Проверить наличие в реестре ОП.")
risk += 2
if spec.penalty_rate_per_day > 0.2:
red_flags.append(f"Кабальная неустойка: {spec.penalty_rate_per_day}% в день!")
risk += 2
scoring = TenderScoringResult(
is_feasible=(margin_pct >= 15.0 and risk <= 6),
estimated_cogs_kzt=cogs,
estimated_margin_percent=round(margin_pct, 2),
risk_score=min(risk, 10),
red_flags=red_flags
)
return {"scoring": scoring}
# 5. Построение графа агента
builder = StateGraph(TenderState)
builder.add_node("extract_spec", extract_spec_node)
builder.add_node("financial_scoring", financial_scoring_node)
builder.set_entry_point("extract_spec")
builder.add_edge("extract_spec", "financial_scoring")
builder.add_edge("financial_scoring", END)
tender_workflow = builder.compile()
```
Реальные кейсы внедрения в Казахстане и на международном рынке
Кейс 1: Дистрибьютор медицинского оборудования и изделий (Алматы — поставки по всему Казахстану)
* Проблема: До внедрения ИИ-агента 3 штатных тендерных специалиста успевали детально прорабатывать не более 12 лотов в день. Спецификации на медицинские расходные материалы содержали до 250 позиций на лот, часто написанных с ошибками и вариативными названиями брендов.
* Решение MurdaSoft: Внедрена мультиагентная система с векторным поиском соответствия медицинских наименований в каталоге компании и базой регистрационных удостоверений Минздрава РК.
* Результат за 90 дней:
* Обработка лотов выросла с 12 до 115 лотов в сутки (рост производительности в 9.5 раз);
* Предотвращено участие в 3 проблемных тендерах на сумму свыше 42 000 000 ₸, где в тексте мелким шрифтом требовалось сервисное обслуживание силами сертифицированных инженеров производителя в 14 областных центрах РК;
* Выручка тендерного направления выросла на 54% за счет быстрой подачи заявок на высокомаржинальные лоты.
Кейс 2: Поставщик кабельно-проводниковой продукции и электротехники (Астана и Шымкент)
* Проблема: Тендеры АО «Самрук-Қазына» и недропользователей с жесткими требованиями по СТ-KZ и доставке в вахтовые поселки (Тенгиз, Карачаганак). Компания часто ошибалась в расчете автомобильной и ж/д логистики в отдаленные районы.
* Решение: Интегрирован ИИ-агент с подключенным гео-логистическим калькулятором расстояний по Казахстану и базой тарифов транспортных компаний. Агент автоматически проверял сертификат СТ-KZ по открытому реестру QazIndustry.
* Результат:
* Ошибки в предварительной оценке рентабельности сведены к 0%;
* Чистая маржинальность выигранных контрактов выросла с 8.5% до 16.2%;
* Сокращение времени подготовки пакета документов с 48 часов до 35 минут.
Кейс 3: Международный B2B IT-интегратор (США, ОАЭ, страны ЕС)
* Проблема: Еженедельное поступление 8–12 объемных запросов коммерческих предложений (RFP / RFI / Security Questionnaires) от корпоративных клиентов на 100–300 страниц на английском языке. На ручное составление ответов уходили десятки часов ведущих системных архитекторов.
* Решение: Развернут RAG-агент на базе LlamaIndex и векторной базы знаний, содержащей техническую документацию, отчеты аудитов SOC 2, ISO 27001 и политики безопасности компании.
* Результат:
* Автоматическое заполнение 85% опросников соответствия с точностью 99%;
* Скорость отправки финального коммерческого предложения сократилась с 7 дней до 8 рабочих часов.
Сроки и стоимость разработки под ключ в студии MurdaSoft
| Пакет решений | Что входит в разработку | Стек технологий | Сроки | Стоимость (₸ / $) |
|---|---|---|---|---|
| MVP: Мониторинг & OCR-парсер | Сбор лотов с Goszakup/Самрук по КТРУ, парсинг PDF-спецификаций, извлечение сроков и сумм, фильтрация и уведомления в Telegram | Python, FastAPI, Docker, Telegram Bot API, PaddleOCR, GPT-4o-mini | 10–14 дней | от 450 000 ₸<br>($950) |
| Standard: Автоматизированный тендерный аналитик | OCR сканов любого качества, сопоставление номенклатуры с базой 1С/Excel через pgvector, расчет логистики и маржинальности, выявление рисков, интеграция с amoCRM/Bitrix24 | LangGraph, LlamaIndex, PostgreSQL (pgvector), REST API 1С, Redis, OpenAI/DeepSeek | 3–4 недели | от 850 000 ₸<br>($1 800) |
| Enterprise: Автономный B2B Procurement Swarm | Рой из 5 агентов, интеграция с несколькими площадками (РК + СНГ + RFP США/ЕС), автогенерация пакетов документов (согласие, ТЗ), предиктивный анализ демпинга конкурентов, Telegram Mini App с ролевым доступом | Next.js 15, FastAPI, LangGraph, Qdrant, Docker Swarm / K8s, интеграция с ERP | 5–8 недель | от 1 800 000 ₸<br>($3 800) |
Пошаговый план внедрения тендерного AI-агента
Этап 1: Аудит и оцифровка критериев компании (1–3 дня)
Формируем перечень целевых кодов КТРУ/ОКЭД, стоп-факторов (минимальный порог маржи, нежелательные регионы или неплатежеспособные заказчики), загружаем справочник собственной номенклатуры и складских остатков из 1С/ERP.
Этап 2: Настройка конвейера парсинга и OCR (3–7 дней)
Развертываем пайплайн автоматического скачивания конкурсной документации с Госзакупок, Самрук-Қазына или коммерческих бирж. Настраиваем модели машинного зрения для безошибочного разбора многостраничных сканированных таблиц.
Этап 3: Создание семантического индекса номенклатуры и калькулятора (4–8 дней)
Преобразуем прайс-листы и складские карточки в векторные представления. Программируем логику юнит-экономики: вычет налогов (НДС 12%), расходов на банковские гарантии, стоимости местной доставки (Алматы, Астана, Шымкент, моногорода).
Этап 4: Разработка рабочего места оператора в Telegram / CRM (3–5 дней)
Создаем удобный интерфейс в Telegram Mini App или кастомный виджет в CRM, позволяющий сотрудникам в один клик утверждать перспективные лоты и запускать генерацию коммерческого предложения.
Этап 5: Тестирование на реальном потоке торгов и калибровка (5–7 дней)
Параллельный запуск системы вместе с штатным отделом закупок, сравнение расчетов, дообучение промптов на спорных формулировках заказчиков и вывод системы в промышленный режим 24/7.
FAQ: Вопросы и ответы для руководителей и технических директоров
1. Законно ли использовать ИИ-ботов и парсеры для мониторинга Госзакупок РК?
Абсолютно законно. Портал goszakup.gov.kz предоставляет официальный открытый программный интерфейс (Open OData API) для получения сведений о закупках в соответствии с принципами прозрачности и открытости данных Республики Казахстан. Агент опрашивает публичные данные, не нарушая работу инфраструктуры и соблюдая установленные лимиты запросов.
2. Как ИИ-агент справляется с перевернутыми, кривыми или низкокачественными сканами PDF?
Мы используем каскадный стек предварительной обработки изображений (Computer Vision): автоисправление угла наклона (deskewing), повышение контрастности, удаление цифрового шума и сегментацию макета. Затем распознанные фрагменты верифицируются мультимодальными нейросетями, что обеспечивает свыше 98% точности извлечения табличных данных даже из документов, отсканированных на мобильный телефон.
3. Как исключить риск ошибки и галлюцинации LLM при расчете цены?
Расчет стоимости никогда не доверяется генеративной языковой модели напрямую. ИИ-агент используется только для извлечения сырых данных и семантического сопоставления названий товаров. Все математические вычисления (себестоимость, маржа, налоги, логистика) производятся в детерминированном коде на Python с валидацией через Pydantic. Кроме того, сохраняется принцип Human-in-the-Loop: агент готовит аналитическую выжимку и проект решения, но финальный клик «Подать заявку» всегда делает человек.
4. Возможна ли синхронизация с нетиповой конфигурацией 1С:Предприятие 8.3?
Да. Мы подключаемся к 1С через стандартные протоколы OData, HTTP/REST сервисы или через защищенную очередь сообщений (RabbitMQ / Redis). Если у вас доработанная самописная конфигурация 1С, агент взаимодействует со структурированными выгрузками в PostgreSQL или через промежуточный микросервис.
5. Сколько стоят токены LLM при ежедневной обработке сотен лотов?
Благодаря двухуровневой фильтрации затраты на API минимальны. На первом этапе бесплатный эвристический алгоритм отсеивает 85% нецелевых закупок по заголовкам, КТРУ и суммам. Глубокому анализу нейросетями подвергаются только целевые лоты. В среднем расходы на OpenAI/DeepSeek API составляют от $15 до $50 в месяц на весь объем компании.
6. Можно ли адаптировать агент под коммерческие тендеры за рубежом (США, ЕС, Ближний Восток)?
Да. Архитектура является модульной. Подключение международных платформ (SAM.gov, TED Europe, порталов стран Персидского залива) требует только добавления нового коннектора данных. Встроенная мультиязычность позволяет агенту одинаково свободно анализировать документацию на английском, казахском, русском, турецком или немецком языках.
Закажите разработку AI-агента для закупок в студии MurdaSoft
Автоматизация тендерного отдела с помощью ИИ позволяет вашей компании опережать конкурентов, исключать человеческие ошибки и участвовать только в высокодоходных сделках без риска попадания в реестры недобросовестных поставщиков.
Вы можете изучить интерактивную карту наших проектов, микросервисов и стека технологий в разделе MurdaSoft Vibe Map.
Чтобы обсудить задачи вашего бизнеса, провести демонстрацию возможностей системы на ваших реальных техспецификациях и получить точный расчет сметы, напишите напрямую основателю Александру Мурдасову в Telegram @murdasoft или @Allexndr.
Нужен сайт или Telegram-бот?
Бесплатная консультация - обсудим ваш проект и подберём решение.
Обсудить проект→