AI в закупках: 4 агента для быстрого поиска поставщиков, подготовки запросов и автоматического анализа коммерческих предложениий

AI в закупках — где доверять, а что проверять

Часы, потраченные на поиск в интернете и перенос данных в файлы или системы. Сотни отправленных запросов и полученных коммерческих предложений в PDF, Excel и просто в теле письма, которые нужно сравнить между собой. Это ежедневная реальность специалиста по закупкам, где 80% времени уходит на подобные задачи, а на анализ и переговоры по цене остаётся совсем мало времени.

Что, если бы этот процесс можно было автоматизировать? Если бы AI-агенты могли взять на себя всю подготовительную работу: от поиска и проверки контактов до анализа ответов и подготовки отчётов? Как отмечают эксперты McKinsey в своём исследовании «Procurement 2025: Reimagining the function for success» (февраль 2025), именно AI и аналитика становятся главными драйверами повышения эффективности закупок.

Этот кейс описывает именно такое решение — мультиагентную AI-систему, разработанную для трансформации процесса закупок. Мы покажем, как AI-агенты работают вместе, чтобы автоматизировать полный цикл — от поиска в интернете до готовой аналитики по лучшим предложениям на рынке:

1. Поиск и классификация потенциальных поставщиков в интернете.
2. Автоматизированное формирование и рассылка персонализированных RFP.
3. Контроль получения, парсинг и верификация полученных коммерческих предложений.
4. Предоставление аналитики по собранным данным через чат-бота.

Ниже мы детально рассмотрим алгоритм работы каждого AI-агента и то, как мы решили проблемы, с которыми мы столкнулись в ходе тестирования и внедрения.

Агент № 1: для поиска и классификации сайтов потенциальных поставщиков и сбора контактной информации

Задача

Представьте типичную задачу отдела закупок: найти 100 новых потенциальных поставщиков в определённой нише. На первый взгляд, преимущества очевидны. AI-агент берёт на себя самую трудоёмкую часть работы: самостоятельно обходит сайты, извлекает необходимую информацию и сразу формирует единую базу. Каждый поставщик, его тип, сайт, email и телефон — всё в одном месте, готовое для загрузки в CRM или другую систему и для рассылки RFP.

AI-Агенту всё равно, обрабатывать 10 сайтов или 10 000.  Звучит как идеальное решение. Но в реализации, как всегда, есть нюансы.

Что делает агент

Автоматически осуществляет поиск сайтов, классифицирует сайты по типу, ищет контактные данные и сохраняет результаты в единой таблице.

Алгоритм

1. Поиск по ключевым словам и подготовка списка URL для анализа.
2. Классификация найденных сайтов. Для каждого URL определить одну из категорий: «Производитель», «Каталог» и другие категории
3. Сбор контактной информации с сайтов. Поиск контактов на всём сайте (не только на главной или странице «Контакты»): e-mail, телефон, адрес офиса, другие релевантные сведения (форма обратной связи, ссылки на соцсети и т. д.)
4. Формирование таблицы (Google Sheets или аналог).
5. Экспорт или запись данных в указанную таблицу или базу данных. В случае отсутствия значения какого-либо поля (например, телефона) ячейка в таблице остаётся пустой или помечается «—».

С этим алгоритмом AI-агент сможет автоматически обрабатывать любой список сайтов и выдавать структурированный отчёт в табличном формате.

На что нужно обратить внимание

Чтобы AI-агент приносил реальную пользу он должен преодолеть несколько нетривиальных барьеров.

1. Производитель или каталог? Отличить сайт прямого производителя от сайта дистрибьютора или каталога-агрегатора — сложно. Многие компании являются гибридными, совмещая производство с продажей сторонних товаров. Ошибка в классификации напрямую влияет на стратегию коммуникации: условия для дилера и прямого производителя сильно различаются.
2. Современный интернет активно сопротивляется автоматическому сбору данных (CAPTCHA, Cloudflare, динамическая загрузка контента). AI-Агенту потребуются инструменты, чтобы работать с учётом этих ограничений (headless-браузеры типа Playwright/Selenium, ротация прокси и user-agent’ов). Без этого арсенала агент будет заблокирован после первых десятков запросов.

Наши рекомендации

Просто запустить AI-агента — прямой путь к разочарованию. Грамотный подход заключается в его правильной настройке и интеграции в рабочие процессы.

Рекомендация № 1: Уточнить классификацию сайтов

Не ограничиваться бинарной логикой «Производитель / Не производитель». Добавить больше полезных категорий: «Официальный дистрибьютор», «Крупный дилер», «Сервисная компания». Это многократно повысит ценность собранной базы для отдела закупок.

Рекомендация № 2: Оптимизировать поиск контактов

Полное сканирование всего сайта для каждого URL — может быть долгой и ресурсоёмкой операцией. В 90% случаев нужная информация находится на стандартных страницах: /contacts, /about, /feedback. AI-агент сначала проверяет их и запускает полное сканирование всех других страниц только в том случае, если контакты не были найдены на типовых страницах.

Рекомендация № 3: Приоритизировать найденные контакты

AI-Агент соберёт все email-адреса с сайта:  info@, support@, job@ и другие. Но для отправки запроса на коммерческое предложение (RFP) часто нужен контакт отдела продаж (sales@) или партнёрского отдела (partner@). На практике это означает, что AI-агент должен иметь встроенную логику для приоритизации и выбора наиболее релевантных адресов, а не все подряд.

Рекомендация № 4: При необходимости внедрить Human-in-the-Loop (HITL)

Для сложно классифицируемых сайтов должен существовать простой интерфейс, где человек может быстро проверить и подтвердить (или исправить) данные, собранные AI-агентом. Это выгодное распределение: AI выполняет 95% рутинной работы, а сотрудник контролирует результат в ключевых точках и обеспечивает 100% качество.

AI-агент № 2: формирование и рассылка RFP (Request for Proposal) найденным потенциальным контрагентам

Задача

Итак, наш первый AI-агент проделал огромную работу: он нашёл и классифицировал сотни потенциальных поставщиков. Следующий шаг — инициировать диалог с найденными потенциальными контрагентами.

Что делает AI-агент

AI‑агент автоматически генерирует персонализированные RFP, отправляет их через специализированный сервис, отслеживает все статусы доставки и обновляет информацию во внутренних системах.

Алгоритм работы AI-агента

Давайте разберём, как выглядит процесс формирования и рассылки RFP (Request for Proposal) с помощью AI.

1. Подготовка писем. Подставляет в шаблон данные из собранной базы потенциальных контрагентов (категория, тип продукта, упаковка, максимальная цена, количество и другие).
2. Генерирует персонализированные черновики писем. Пишет текст письма и прикладывает RFP. Сохранить каждое сформированное письмо с вложением в папке «Черновики» почтового ящика.
3. После этого вступает в сотрудник. Все сгенерированные письма не отправляются автоматически, а помещаются в папку «Черновики» или на специальную панель для проверки, чтобы полностью исключить возможность отправки некорректного или ошибочного письма.
4. Пакетная рассылка. После одобрения сотрудником — отправить готовые письма всем участникам списка.

На что обратить внимание в настройке AI-агента

Создать черновик — это полдела. Доставить его в почтовый ящик адресата — часто бывает сложно.

1. Борьба за папку «Входящие». Массовая рассылка писем, особенно с вложениями (как в случае с RFP), — это красный флаг для почтовых серверов. Без правильного подхода письма с RFP с вероятностью 90% окажутся в спаме. Главные враги здесь — низкая репутация почтового домена, отправка с «непрогретого» ящика и слишком высокая частота писем.
2. Проверка черновиков ответственным сотрудником может быстро превратиться в «бутылочное горлышко». Если менеджер в отпуске, на совещании или просто перегружен другими задачами, наш автоматизированный конвейер останавливается. Ценность скорости, которую даёт AI, может потеряться.

Наши рекомендации

Чтобы преодолеть эти барьеры, AI-агент должен быть интегрирован в профессиональную экосистему.

Рекомендация № 1: Профессиональная доставка писем

Вместо попыток отправить письма с обычного почтового ящика, AI-агент интегрируется со специализированными сервисами. Эти платформы обеспечивает то, что письма дойдут до адресата.

Рекомендация № 2: Пакетный контроль корректности писем

Вместо проверки писем в почтовом клиенте, ответственный сотрудник получает доступ к простому и наглядному дашборду. На нём он видит список всех готовых к отправке RFP, может быстро просмотреть любой из них и одобрить всю пачку одной кнопкой «Одобрить и отправить все».

Рекомендация № 3: Контроль доставки писем

Отправка — это не конец процесса, часто нужно контролировать статусы для каждого письма: «Ожидает проверки» — «Одобрено» — «Отправлено» — «Доставлено» — «Ошибка доставки» — «Открыто». Это позволяет отслеживать весь жизненный цикл и контролировать эффективность.

AI-агент для рассылки RFP — это не просто скрипт для автозаполнения шаблонов. Это контролируемая система, которая берёт на себя техническую сложность доставки, а контроль оставляет за сотрудником.

Агент № 3: Мониторинг поступающих электронных писем и верификация ответов на RFP

Это самый сложный с технической точки зрения, но и самый ценный процесс – контроль получения и анализ предложений, присылаемых от поставщиков по электронной почте.

Задача

Автоматизировать приём и первичную обработку входящих писем с коммерческими предложениями (КП) от поставщиков, отправленных в ответ на RFP и минимизировать ручную работу специалистов по закупкам, ускорить обработку ответов и повысить точность сопоставления КП с требованиями RFP.

Алгоритм работы

1. Мониторинг и первичная проверка входящих писем

Агент получает новое письмо и проверяет, отправляли ли данному поставщику RFP (например, проверяет, был ли адресат в нашем списке рассылки и выполняет другие проверки). Если нет – помечает как «Не относится к RFP» и прекращает работу. На этом шаге выполняются и другие проверки, например, Автоответы «На отпуске до …» или переадресация на другого коллегу не должны восприниматься как полноценный ответ на RFP — они обрабатываются по другим правилам. Также поставщик может прислать уточняющие вопросы или несколько версий КП отдельными сообщениями. Агент должен уметь корректно выделять финальное коммерческое предложение, а не брать первое сообщение в цепочке.

2. Проверка наличия вложения

Определяет наличие вложений. Если вложений нет – помечает письмо «Ответ без вложения» и формирует письмо с напоминанием о необходимости вложения файла с коммерческим предложением.

3. Валидация формата вложения

Для каждого вложения проверяет: тип файла (PDF, DOCX, XLSX, ZIP и т. д.) и соответствует ли базовая структура (наличие обязательных таблиц, полей, метаданных). Если формат не поддерживается или структура некорректна – готовит черновик письма-уведомления об ошибке формата, или сразу отправляет подготовленное письмо без одобрения сотрудником.

4. Извлечение данных из вложения и текста  письма

Извлекает из вложения текстовые поля и табличные данные. Приводит данные к единой внутренней схеме (артикул, описание, цена, сроки, объёмы и т. д.).

5. Сопоставление коммерческого предложения с RFP

Сравнивает значения в коммерческом предложении с требованиями RFP, например, цена ≤ максимальной, количество ≥ запрошенного и другие параметры (материал, упаковка и т. д.). Если все требования соблюдены – переходит к шагу 6.

Если найдены несоответствия – формирует черновик письма-ответа с описанием ошибок и просьбой доработать КП.

6. Сохранение данных КП в БД или в файле

Все валидные данные коммерческого предложения сохраняются в базе данных с привязкой к участнику и исходному RFP. Помечает письмо как «Обработано» и при необходимости прикрепляет к карточке сделки/проекта.

На что обратить внимание

1. Надёжность парсинга: Коммерческие предложения приходят в десятках разных форматов: PDF (сканы), защищённые паролем DOCX, XLSX со сложной структурой и объединёнными ячейками, jpeg. 100% точности парсинга добиться невозможно.
2. Риск ошибочного отказа: Система может неверно распознать данные и отклонить выгодное предложение.
3. Семантическая неоднозначность: Агент может извлечь цифру «150», но не понять, это цена за штуку, за упаковку, с НДС или без.
4. Проблемы с языками и локализацией: Если поставщики работают на разных языках (английском, китайском, немецком и др.), модели могут некорректно распознавать формат цифр, дат и единиц измерения (например, кг или т, $ или ₽) и кодировками (UTF‑8 или CP1251), чтобы не потерять символы «руб.» или разделители тысяч.
5. Адресат может отвечать с «альтернативного» e-mail (sales2@, закупки@). Агенту нужно предусмотреть возможность дополнения «белого списка» допустимых отправителей для каждого RFP.

Наши рекомендации

Рекомендация № 1: Предложить шаблон для заполнения коммерческого предложения

Это самый прагматичный способ решить 80% проблем с парсингом и классический пример решения проблемы организационным способом, а не только путём усложнения технологии. Разработайте единый многоязычный шаблон коммерческого предложения с чётко структурированными полями (артикул, цена, объём, сроки и другие). Конечно, если КП предполагает наличие чертежей или фотографий, то этот способ не подойдёт.

Рекомендация № 2: Использовать специализированные AI-модели для распознавания вложений

Для оставшихся 20% случаев (когда шаблон не использовали) это единственно верный путь. Современные модели обучены распознавать именно таблицы, графики, формы, чертежи и иллюстрации. Они работают на порядок лучше стандартных OCR (подробнее об этом есть в нашей статье).

Рекомендация № 3: Ввести «уверенность» парсинга

Cистема не должна принимать бинарное решение «Да/Нет». Она должна оценивать уверенности точности парсинга в каждом извлечённом поле. Если уверенность низкая (например, цена найдена в сноске, а не в ячейке таблицы), система не отправляет отказ, а ставит флаг «Требуется проверка оператора» и передаёт документ на проверку сотруднику.

Рекомендация № 5: Инструменты мониторинга и обратной связи

Дайте операторам возможность легко отмечать ошибки парсинга и передавать контекстные комментарии системе.

Рекомендация № 6: Регулярные дообучения и обновления

Собирайте «живые» примеры ошибочных распознаваний и дообучайте модели с учётом новых реальных кейсов.

Агент № 4: AI чат-бот для ответов на вопросы по закупкам

Этот AI-агент переводит фокус с обработки данных на их использование, что является конечной целью любой аналитической системы.

Задачи

1. Сложные данные, для работы с которыми нужно было привлекать аналитика со знанием SQL или BI-инструментов, становятся доступны любому менеджеру через в формате разговорной речи.
2. Получение ответа за секунды вместо часов ожидания отчёта заметно ускоряет обсуждения и принятие решений. Менеджер может проверять гипотезы в режиме реального времени.
3. Поддержка разных форматов вывода (текст, таблица, график) делает инструмент универсальным.

Что делает AI-агент

Получает вопрос в формате естественного языка (например: «Покажи мне все предложения по категории “Картон” с ценой ниже 150 ₽»), выдается ответ на вопрос по учётом данных о всех RFP и КП, хранящиеся в БД.

Алгоритм работы

1. Приём запроса. Чат-бот получает сообщение от пользователя, анализирует намерения и выявляет сущности
2. Формирование SQL-запроса. По извлечённым сущностям (категория, дата, диапазон цен и т. п.) формирует SQL-запрос к хранилищу данных.
3. Генерация ответа. Полученные данные могут быть оформлены в подходящем формате: текст, таблица, CSV- или Excel-файл для скачивания, график: динамика цен, распределение по поставщикам, сроки поставки и т. д.

Пример запросов

На что обратить внимание

1. Точность понимания языка: AI-бот может неверно истолковать сложный запрос. Например, для обработки вопроса «Покажи поставщиков картона дешевле 150 ₽ не из Москвы» агенту нужно понять четыре разных условия (категория, цена, оператор сравнения, география), которые нужно корректно преобразовать в точный SQL-запрос. Ошибка в интерпретации ведёт к неверным данным и, как следствие, к потере доверия ко всему инструменту.
2. Актуальность данных: Ценность чат-бота равна нулю, если данные, на которых он работает, неполные или некорректные. Этот риск подчёркивает, что все четыре AI-агента — это звенья одной цепи. Сбой на любом из предыдущих этапов (плохой скрапинг, неверный парсинг) напрямую отразится на ответах чат-бота.

Наши рекомендации

Рекомендация № 1: Добавить диалог-уточнение

Если пользователь задал неоднозначный вопрос (например, «Цена ниже 150?»), чат-бот должен уточнять вопрос (например, «Уточните, пожалуйста: цена за единицу товара или за всю партию?»).

Рекомендация № 2: Кнопки для частых вопросов

Добавить кнопки для самых частых запросов: «Топ-5 самых дешёвых предложений», «Сравнить цены за этот месяц и прошлый» и подобные.

Рекомендация № 3: Контекст диалога и память сессии

Бот должен сохранять контекст предыдущих запросов (например, «А теперь по тем же параметрам, но за прошлый месяц»), чтобы не запрашивать у пользователя одни и те же детали повторно.

Рекомендация № 4: Права доступа и безопасность

Разные менеджеры могут иметь разный уровень доступа к данным (финансы, качество, логистика). Бот должен проверять полномочия и скрывать недоступные данные.

Подробное описание деталей разработки таких AI-агентов можно посмотреть в нашей статье.

Как создается мультиагентная система в Epsilon Workspace

Предыдущие разделы описали, что делает каждый AI-агент в нашей закупочной системе. Теперь покажем, как эта цифровая команда закупок собирается в no-code конструкторе Epsilon Workspace. Процесс заключается разработке программного кода, а в логической настройке работы агентов и их оркестрации.

Настройка Агента № 1: визуальное конструирование веб-поиска и извлечение контактов с сайтов (агент — «Скаут поставщиков»)

В Epsilon Workspace мы буквально проектируем логику работы агента. Мы даем ему стартовые инструкции в режиме разговорной речи, например: «Найди в поисковике компании по запросу…». Затем, используя визуальные компоненты конструктора, мы учим его отличать сайты компаний от агрегаторов и указываем, какую информацию (название, email, телефон) и из каких разделов сайта нужно извлекать и сохранять в базу данных.

Настройка Агента № 2: подготовка и рассылка запросов на коммерческие предложения 

Создавая этого агента, мы в первую очередь настраиваем поток данных: он автоматически подключается к базе, собранной «Скаутом». Затем, в настраиваем инструкцию, по подготовке персонализированных писем, с использованием собранных ранее данных. Ключевая возможность Epsilon Workspace здесь — управление процессом. Мы можем настроить правило: сгенерировать черновики писем, но не отправлять самостоятельно, а сначала поместить в папку «Черновики» для контроля сотрудником. Для финальной отправки одобренных писем мы подключаем специализированные сервисы, чтобы письма не попадали в спам.

Настройка Агента № 3: интеллектуальная обработка ответов и коммерческих предложений

Этот агент строится на основе событийных триггеров — он начинает работу по факту получения нового письма на указанный email. Его ядро — это встроенный в Epsilon Workspace модуль интеллектуальной обработки документов. Нам не нужно настраивать парсеры для каждого типа файлов, они уже настроены в соответствующих визуальных компонентах. Мы просто даем агенту инструкцию извлечь содержимое из вложений, а затем описываем, какую информацию искать в этом тексте, например: «Найди таблицу с номенклатурой и ценами» или «Найди строку с условиями оплаты» и так далее.

Настройка Агента № 4: чат-бот для анализа закупок

Мы не строим логику диалога вручную. Мы просто выбираем тип агента «Диалоговая аналитика» и указываем ему на базу данных, которую наполнил «AI-контролер». Платформа сама анализирует структуру данных и автоматически создает запросы к хранилищу данных, способные понимать вопросы и давать ответы на их основе.

Итог: Epsilon Workspace позволяет не просто автоматизировать отдельные задачи, а оркестровать работу целой цифровой команды. Каждый агент создается с помощью визуальных инструментов и инструкций в формате разговорной речи, а затем встраивается в единый рабочий процесс.

Заключение

Внедрение мультиагентной системы AI в закупках позволяет автоматизировать рутинные этапы — поиск и классификацию поставщиков, генерацию и рассылку RFP, верификацию входящих КП и получение аналитики в режиме реального времени. Каждая из четырёх компонент «AI в закупках» дополняет друг друга, поддерживает сквозной процесс от первичного поиска до принятия решений на основе данных.

В результате компании сокращают время обработки закупок на 70–80 %, минимизируют ошибки и повышают прозрачность процесса. Для старта рекомендуем провести пилотное внедрение на одном направлении закупок, отладить параметры агентов и интеграцию с внутренними системами.

На наш взгляд, проект имеет огромный потенциал для бизнеса. Есть идея для автоматизации? Запишитесь к нам на демонстрацию, и мы покажем, как за несколько дней вы сможете получить полностью работающие AI-агенты, которые станут полезным инструментом для вашей закупочной деятельности.