Автоматизация обработки закупочных заявок с помощью ИИ: как сократить 20 минут до 5

Коротко

Обработку закупочных заявок можно автоматизировать так, чтобы менеджер тратил на одну заявку около 5 минут вместо 20. Но не так, как обычно предлагают: «загрузите файл в нейросеть». Надёжная схема — обычный парсер для всего предсказуемого, ИИ для сложных случаев и для перепроверки, а человек подтверждает черновик перед выгрузкой. Ниже — как это устроено на нашем проекте PurchaseAI.

В чём проблема с закупочными заявками

Заявки от поставщиков и подразделений почти никогда не приходят в одном формате:

• Excel и CSV с разными названиями колонок, иногда на английском;
• текст в мессенджере;
• фотография шильдика на оборудовании, по которой нужно понять бренд и артикул.

Всё это вручную переносят в корпоративный Excel-шаблон: наименование, артикул, количество, бренд, характеристики. Ошибка в одной цифре артикула означает, что приедет не та деталь, поэтому после переноса заявку ещё и перепроверяют. В нашем проекте на одну заявку уходило около 20 минут.

Почему «просто отдать нейросети» не работает

Языковая модель хорошо читает таблицы и текст, и на демонстрации это выглядит убедительно. В ежедневной работе всплывают три проблемы:

1. Правдоподобные ошибки. Модель может «достроить» артикул, которого не было в исходнике. Такую ошибку трудно заметить глазами.
2. Невоспроизводимость. Один и тот же файл при повторном запуске может дать немного разный результат.
3. Нет объяснения. Нельзя понять, почему позиция распознана именно так, а значит — нельзя доверять результату без полной перепроверки.

Если после ИИ всё равно нужно проверять каждую строку, выигрыша во времени почти нет.

Как устроена надёжная схема

1. Парсер — для всего предсказуемого

Большая часть заявок — это таблицы. Их разбирает обычный детерминированный парсер: он ищет русские и английские варианты заголовков и не привязан к номерам колонок. Результат одинаковый при каждом запуске и объяснимый.

2. ИИ — для сложного и для проверки

Модель подключается в двух ролях:

• запасной вариант для файлов со сложной структурой, которые парсер не разобрал;
• независимый проверяющий уже распознанных строк.

Если модель не уверена или её проверка расходится с парсером, позиция не угадывается, а помечается для человека.

3. Свой справочник вместо поиска в интернете

Один бренд пишут десятком способов. Сопоставление идёт по локальному каталогу производителей, алиасов и артикулов — без внешнего поиска, чтобы результат не зависел от случайной страницы в интернете.

4. Черновик, который подтверждает человек

Пользователь получает не готовый файл, а редактируемый черновик: позиции можно исправить, добавить или удалить. Обязательные поля защищены, количество проверяется. Только после подтверждения формируется Excel по корпоративному шаблону — с сохранением листов, формул и оформления.

5. Сверка после выгрузки

Готовый файл открывается повторно и построчно сверяется с подтверждённым черновиком. Большие заявки делятся на части по реальной ёмкости шаблона, а не обрезаются.

Где удобнее работать: бот или веб-интерфейс

Мы сделали Telegram-бота и CLI: заявку можно отправить в бот файлом, текстом или фотографией, не открывая отдельную систему. Для закупщика это самый короткий путь — заявки и так приходят в мессенджеры. Веб-кабинет имеет смысл, когда с заявками работает несколько человек и нужна история и согласование.

Что получилось

• обработка одной заявки — около 5 минут вместо 20;
• 5+ форматов на входе, включая фото шильдиков;
• 121 автоматический тест, который закрепляет поведение при смене модели или правке парсера;
• Docker-окружение и документация, чтобы сервис работал на инфраструктуре заказчика.

Подробности — в кейсе PurchaseAI.

С чего начать у себя

1. Соберите 20–30 реальных заявок за последний месяц — во всех форматах, в которых они приходят.
2. Посчитайте, сколько времени уходит на одну заявку и где чаще всего ошибаются.
3. Определите, что должно быть на выходе: ваш шаблон, выгрузка в 1С или ERP.
4. Решите, где проходит граница: что система делает сама, а что обязательно подтверждает человек.

С этим набором уже можно оценить, окупится ли автоматизация. Подробнее о том, как выбирать процессы для ИИ, — в статье «Внедрение ИИ в бизнес: какие процессы автоматизировать, а какие нет».

Вопросы и ответы

Можно ли автоматизировать обработку заявок без ИИ? Частично — да. Если заявки приходят в нескольких стабильных Excel-форматах, достаточно парсера. ИИ нужен, когда форматы непредсказуемы, приходит свободный текст или фотографии.

Нейросеть может ошибиться в артикуле? Может, поэтому в надёжной схеме модель не принимает решение одна: результат сверяется с парсером и справочником, а неуверенные позиции уходят человеку.

Можно ли не отправлять данные заявок во внешние сервисы? Да. Сервис можно развернуть на своём сервере, а модель — выбрать или развернуть локально. Об этом — в статье «LLM на своём железе».

Сколько времени экономит автоматизация? В нашем проекте — около 15 минут на каждую заявку (20 → 5). У вас результат зависит от числа форматов и доли «сложных» заявок, поэтому начинайте с замера на своих данных.