Сравнение поставщиков

Grow2.ai разворачивает AI-агента, который берёт на себя механическую часть процесса закупок: чтение документов, выделение условий, сведение в таблицу и формулировку предварительного вывода. Руководителю остаётся проверить аргументацию и принять решение.

Процесс выглядит так:

1. Сбор КП из файлового хранилища. Агент отслеживает папку с коммерческими предложениями и подтягивает новые файлы — PDF, DOCX, таблицы, письма.
2. Извлечение структурированных данных. Из каждого предложения выделяются цена, сроки, гарантии, SLA, состав работ, условия оплаты, скрытые комиссии.
3. Нормализация условий. Разные форматы и формулировки приводятся к единой шкале: «поставка в течение 10 рабочих дней» и «2 недели» считаются сопоставимыми.
4. Построение сравнительной таблицы. Поставщики выстраиваются по критериям в табличном виде с явной подсветкой отклонений от среднего.
5. Генерация резюме. Агент составляет короткий narrative: ключевые различия, на что обратить внимание, какие риски видны в документах.
6. Рекомендация с обоснованием. Предлагает кандидата и объясняет выбор — со ссылкой на конкретные пункты в самих КП.

Агент использует паттерны Поиск / RAG Q&A (руководитель задаёт вопросы к данным: «у кого самая длинная гарантия?»), Анализ и insight (data → narrative) и Суммаризация (long → short).

Что автоматизация не делает

• Не принимает финальное решение за руководителя. Выбор и ответственность остаются за человеком — агент готовит аргументы, но не подписывает контракт.
• Не ведёт переговоры с поставщиками. Запросы на уточнение условий, торг по цене, согласование правок в договоре — вручную.
• Не заменяет юридический и финансовый due diligence. Проверка контрагента на благонадёжность, анализ контракта юристом, встречи — по-прежнему в зоне человека.

Автоматизация закрывает стандартную узкую точку: десятки КП лежат в папке, руководитель откладывает ревью, сроки принятия решения растягиваются на недели. После внедрения время от поступления КП до аргументированного вывода сокращается на 70% — это и есть заявленный эффект автоматизации.

AI-агент собран на кастомной связке из нескольких компонентов. В центре — AI-модель, которая читает документы и рассуждает по извлечённым данным. Вокруг нее — коннектор к file storage, RAG-индекс для повторных запросов и шаблон промпта с закреплёнными критериями оценки.

Технический поток

1. Trigger. Новый файл в папке с КП или запуск по расписанию (раз в день или раз в неделю).
2. Extract. Агент вытаскивает текст из PDF, DOCX, таблиц и писем, нормализует кодировки, удаляет подписи и служебные блоки.
3. Chunking + embeddings. Документы режутся на логические блоки и индексируются в векторном хранилище для последующих RAG-запросов.
4. Field extraction. По шаблону критериев извлекаются значения: цена, срок поставки, условия оплаты, гарантия, штрафы, SLA, состав работ.
5. Сравнение. Условия нормализуются (валюта, единицы, сроки), строится таблица с подсветкой отклонений.
6. Summarization. Агент формирует текст: ключевые различия, риски, рекомендация.
7. Output. Отчёт сохраняется обратно в file storage и параллельно уходит руководителю в привычный канал.

Шаги внедрения

1. Сбор критериев. Операционный руководитель перечисляет параметры, которые реально влияют на выбор. Именно на этом этапе впервые выходит из голов в документ то, что раньше не было явно сформулировано.
2. Подготовка датасета. Нужно 5-10 прошлых оценок с реальными решениями — агент использует их как калибровку.
3. Настройка коннектора к file storage. Подключение к текущему хранилищу (Google Drive, Dropbox, S3, внутренняя SMB-шара) с правами на чтение.
4. Проектирование промпта. Описание роли агента, критериев, формата вывода, правил нормализации. Это основная часть кастомной разработки.
5. Тестирование на исторических данных. Агент обрабатывает прошлые КП, результаты сверяются с реальными решениями. Расхождения — повод уточнить промпт.
6. Пилот. Две-три реальные закупки идут параллельно: руководитель оценивает КП сам и смотрит результат агента. Сверка.
7. Продакшн. Агент работает в основном потоке, человек — на финальной проверке.

Компоненты решения

Тип решения — custom-code. Базовая логика собирается под конкретный процесс клиента, а не конфигурируется в готовом SaaS. Причина: критерии оценки поставщиков отличаются у производственной компании, IT-интегратора и ритейлера — универсальный шаблон здесь работает плохо. Взамен клиент получает гибкость: критерии, формат отчёта и правила обработки исключений настраиваются под его процесс.

RAG-слой даёт дополнительную ценность после первого развёртывания: руководитель задаёт к корпусу КП вопросы вроде «покажи всех поставщиков с гарантией больше 2 лет» или «где самая короткая отсрочка платежа» — без отдельного отчёта, в свободной форме.

Автоматизация предполагает минимальный набор условий на стороне клиента — без них внедрение замедлится.

Данные и доступы

• Структурированная папка с коммерческими предложениями в file storage (Google Drive, Dropbox, S3, SMB-шара — подключается через коннектор).
• 5-10 прошлых закупок с документированным решением для калибровки агента.
• Документация или устная фиксация критериев выбора — что именно сравниваем, какие параметры критичны.
• Права на чтение папки для сервисной учётной записи.

Готовность команды

• Операционный руководитель или closure-менеджер, который владеет процессом закупок и готов потратить 3-5 часов на согласование критериев и шаблона отчёта.
• Технический контакт (CTO, DevOps или внешний подрядчик) для настройки коннектора к file storage.
• Готовность вывести критерии выбора из голов в документ. Этот шаг занимает больше всего времени, потому что внутри компании критерии редко бывают явно сформулированы.

Сроки

Complexity уровня week означает медианный срок внедрения 6-10 недель. Из них:

1. 1-2 недели — сбор критериев и подготовка датасета.
2. 2-3 недели — разработка и настройка агента.
3. 2-3 недели — тестирование на исторических данных и корректировки.
4. 1-2 недели — пилот на реальных закупках и финальная настройка.