Автоматизация закупок с помощью AI: 4 цифровых агента сэкономили 95% времени

Введение: Зачем нужна автоматизация закупок с помощью AI

В этом кейсе по автоматизации закупок с помощью AI мы подробно разберём, как решить одну из самых распространенных проблем подразделений закупок — неэффективное распределение ресурсов. До 80% времени квалифицированных специалистов тратится на механистическую работу: поиск в интернете поставщиков, рассылку RFP и сравнение коммерческих предложений.

Цель представленного решения — изменить этот баланс. Была поставлена задача автоматизировать всю подготовительную работу, чтобы специалисты могли сфокусироваться на переговорах и организации закупок. Этот пример является практической реализацией трендов, о которых мы написали в нашей статье про применение AI в закупках. Для этого была разработана AI-система на платформе Epsilon Workspace.

Краткое описание

1. Задача

   Автоматизировать весь подготовительный цикл закупок. Устранить ошибки ручного переноса данных и высвободить время квалифицированных специалистов.

2. Решение

   С помощью визуального no-code конструктора Epsilon Workspace была создана «команда» из четырёх AI-агентов. Они полностью взяли на себя рутинные задачи: поиск поставщиков, рассылку RFP, извлечение данных из коммерческих предложений, анализ КП и переписку с поставщиками по уточнению условий.

3. Результаты

   Экономия до 95% времени на рутинных операциях (эквивалентно более 120 чел.-часам в месяц). Годовая экономия и предотвращённые потери составили более 9 млн руб. Ускорение закупочного цикла более чем в 10 раз и полное устранение ошибок ручного переноса данных.

Проблема

Для закупщиков в компании-заказчике процесс закупок начинался с поиска и классификации поставщиков — анализа сотен сайтов и сбора контактов в excel. Уже на этом этапе команда теряла время и рисковала упустить из виду выгодных партнёров.

Далее следовало формирование и рассылка персонализированных запросов на коммерческое предложение (RFP — Request for Proposal). Этот, казалось бы, простой шаг на деле тормозился неэффективностью массовых рассылок, большая часть которых оседала в папках «Спам».

Самая трудозатратная операция начиналась на этапе получения и проверки коммерческих предложений. Они направлялись в неструктурированных, неудобных для автоматизации форматах: PDF, отсканированные страницы, Excel-файлы с объединенными ячейками и Word. Каждое такое письмо требовало долгих коммуникаций с поставщиками для уточнений и согласования исправлений.

Завершался процесс консолидацией данных из десятков разных КП в единый файл.

На эти операции подразделение закупок тратило до 100 человеко-часов в месяц, а уровень ошибок в 30% приводил к искажению цен и сроков поставок.

Итогом такого процесса была операционная неэффективность. Отдел закупок не мог масштабироваться, а его лучшие специалисты выгорали из-за того, что выполняли работу, которую давно пора было автоматизировать.

«Раньше к сроку подготовки отчёта по итогам сбора КП я просто ненавидел свою работу — бесконечные сайты, таблицы, уточнения и устранение замечаний. Сейчас я контролирую весь процесс и трачу время только на то, что действительно важно: переговоры по цене и презентации для тендерного комитета. Можно смело сказать, что платформа вернула мне мою профессию».

— Аналитик отдела закупок

Задача кейса: автоматизация цикла подготовки закупок с помощью AI

Устранить узкие места и полностью автоматизировать подготовительный цикл закупок, чтобы освободить специалистов для анализа предложений и переговоров по цене, а также обеспечить единый, контролируемый процесс без потери качества данных.

Решение: 4 AI-агента для автоматизации закупок в Epsilon Workspace

На платформе Epsilon Workspace была создана и настроена цифровая команда из четырёх AI-агентов, которые последовательно выполняют весь закупочный цикл.

Ключевым преимуществом является то, что все агенты настраиваются в визуальном no-code конструкторе Epsilon Workspace. Это позволяет не только быстро развернуть решение, но и потом настраивать его в соответствии с новыми требованиями. Конструктор позволяет:

• Собирать логику из готовых блоков (например, «Найти контакты на сайте» или «Прочитать PDF»).
• Настраивать триггеры для автоматического запуска (например, «Пришло новое письмо — запустить обработку КП»).
• Обеспечивать интеграции с почтовыми сервисами и внутренними системами компании.

Рассмотрим работу каждого агента подробнее.

No-code конструктор AI-Агентов Epsilon Workspace

AI-агентов мы настроили в Epsilon Workspace. Визуальный конструктор позволяет:

1. Собирать логику из готовых визуальных компонентов (например, перетащить блок для классификации сайтов или парсинга документов).
2. Настраивать триггеры для автоматического запуска (например, «новое письмо в почтовом ящике — запустить обработку КП»).
3. Обеспечивать интеграции с почтовыми сервисами, и внутренними системами.

AI-Агент № 1: поиск и классификация сайтов

Задача этого агента — провести целевой поиск в интернете, сформировать исчерпывающий список потенциальных поставщиков и предоставить точные контактные данные наиболее перспективных из них. Агент полностью трансформирует начальный этап закупочного цикла, исключая из него наиболее трудоемкую и низкоэффективную часть — поиск поставщиков. Вместо дней монотонной работы отдел закупок за несколько часов получает готовый, очищенный и классифицированный список потенциальных партнёров с контактами.

Вот как выглядит его работа по шагам:

Шаг 1. Настройка в Epsilon Workspace

Вы не пишете программный код, а соединяете готовые блоки в логическую схему.

Рис. 1. Визуальная настройка логики работы агента в конструкторе

Шаг 2. Сбор первичных данных

Получив инструкцию и настроенные параметры, агент начинает действовать. Он обращается к поисковым системам и формирует огромный список из сотен URL-адресов — всех потенциально релевантных сайтов.

Шаг 3. Классификация

Агент заходит на каждый сайт определяет его суть. Анализирует текст, структуру меню, мета-теги, чтобы ответить на главный вопрос: «Тип поставщика».

Шаг 4. Поиск контактов

Процесс извлечения контактов состоит из двух этапов:

• Вместо полного сканирования всех страниц сайта, система фокусируется на наиболее информативных частях сайта: страницах «Контакты» и «О компании», а также в шапке и подвале главной страницы сайта. Это помогает обеспечить высокую скорость поиска и снижает количество «шума». Но если этих страниц нет, или на них нет контактной информации, агент просматривает и другие страницы сайта полное сканирование всего сайта и ищет полезные контакты в самых нетипичных местах..
• Приоритизация email’ов по ценности. AI-агент анализирует семантику email-адресов, и присваивает приоритет контактам, которые скорее всего принадлежат к подразделениями продаж и работы с партнёрами (sales@, partners@). Общие и сервисные адреса (info@, support@) помечаются как второстепенные. Одновременно извлекаются все сопутствующие данные: телефоны, юридические адреса, имена контактов.

Шаг 5. Проверка сложных случаев

Иногда агент сталкивается с неоднозначной ситуацией. Например, сайт компании «Строй-Инвест-Проект». Это производитель? Или дистрибьютор? Или вообще строительная компания? Чтобы не дать неточную информацию, AI-агент обращается за помощью к сотруднику (другими словами, использует механизм Human-in-the-Loop).

Шаг 6. Консолидация и выгрузка данных

Агент формирует единый структурированный отчет, который может быть выгружен в удобном для пользователя формате: от привычных таблиц Google Sheets и Excel до прямой интеграции с корпоративной базой данных.

Этот отчет является готовой базой для начала работы и включает все необходимые данные по каждому найденному поставщику:

• Название компании
• Сайт
• Классификация (производитель/дистрибьютор/каталог/прочие)
• E-mail
• Телефон
• Адрес
• ФИО контактных лиц

AI-Агент № 2: автоматическое формирование и рассылка RFP

Шаг 1. Получение и загрузка файлов RFP

Рис. 2. Настройка загрузки RFP

В редакторе Epsilon Workspace вы создаете рабочий процесс для подготовки RFP и рассылки его потенциальным поставщикам.

Шаг 2. Персонализация и подготовка к отправке писем с RFP

Рис. 3. Настройка подготовки писем с RFP

Процесс полностью автоматизирован и состоит из четырех шагов. Сначала агент берёт базу поставщиков (собранную Агентом №1) и фильтрует контакты по нужной закупочной кампании. Затем для каждого получателя он генерирует персонализированное письмо, подставляя имя контакта в шаблон. Одновременно он находит и готовит к отправке нужный файл с RFP, соответствующий данной кампании. Затем агент создает готовые черновики со всеми данными и вложениями.

Агент не отправляет их сразу. Он складывает все готовые черновики в единую панель управления, чтобы дать менеджеру возможность проверить письма перед отправкой.

Шаг 3. Рассылка

После того как менеджер одним кликом одобряет всю пачку электронных писем, агент приступает к рассылке.

AI-Агент № 3: мониторинг и верификация КП и обратная связь

Основная задача этого агента — быть контролёром, который пропускает дальше только те коммерческие предложения (КП), которые на 100% соответствуют требованиям.

Вот его рабочий процесс по шагам:

Шаг 1. Мониторинг почтового ящика

Агент непрерывно контролирует почтовый ящик, куда поставщики присылают свои КП. Как только приходит новое письмо, он проводит его первичную проверку:

• Это ответ на наш запрос? Агент ищет в теме письма уникальный номер RFP (например, [RFP-1134]) или анализирует, является ли это письмо ответом в существующей цепочке переписки.
• Есть ли вложение? Проверяет наличие и базовую корректность вложенного файла.

Шаг 2. Извлечение данных

Пройдя первичный фильтр, агент открывает вложенный файл (PDF, DOCX, XLSX). Он распознаёт содержимое файла и извлекает из него ключевые данные: артикулы, цены, объемы, сроки. Для каждого извлеченного фрагмента он присваивает процент уверенности.

Шаг 3. Сверка с «эталоном» (RFP) и автоматическая обратная связь

Это самый главный этап. Агент сравнивает извлеченные данные с изначальным запросом (RFP). Если он находит расхождения, он действует проактивно:

1. Находит ошибку: Например, «Артикул 123 отсутствует в нашем RFP» или «Итоговая сумма в ячейке C15 не сходится с расчетами».
2. Генерирует черновик письма поставщику с предельно точным описанием проблемы.
3. Отправляет черновик на одобрение менеджеру по закупкам.

Рис. 4. Настройка обработки поступающих коммерческих предложений

AI-Агент № 4: Аналитика закупок в режиме чата 24/7

Этот агент — персональный аналитик для каждого руководителя, доступный 24/7 в привычном интерфейсе чата. Его задача — не собирать данные, а превращать накопленную информацию в ответы. Этот агент полностью меняет культуру работы с данными. Принятие решений ускоряется с нескольких дней до нескольких минут, так как руководителю больше не нужно ждать, пока аналитики подготовят отчет. Переговоры с поставщиками становятся более эффективными, ведь вся информация о ценах и конкурентах доступна прямо в чате. Система переводит фокус с рутинной обработки данных на их стратегическое использование — что и является конечной целью любой аналитической платформы.

Вот как это работает на практике:

Шаг 1. Запрос на естественном языке

Руководитель задает вопрос в чате так, как спросил бы коллегу: «Кто дал самые низкие цены на кабель ВВГ?» или «Покажи мне динамику цен на медь за последние полгода».

Шаг 2. Мгновенный анализ и умный ответ

AI-агент анализирует фразу, понимает намерение пользователя и мгновенно формирует SQL-запрос к базе данных. Самое главное — он возвращает ответ в наиболее подходящем для запроса формате:

• На вопрос о лучших ценах он вернет компактную таблицу с топ-3 поставщиками.
• На просьбу показать динамику он на лету построит и пришлет линейный график.
• На запрос сравнить предложения он может сформировать и прикрепить готовый Excel-файл.

Шаг 3. Уточнения, если нет однозначного ответа на вопрос

Если на вопрос пользователя агент не нашёл ответ, то он формирует уточняющие вопросы. Например, может спросить:
«Я нашел две компании: ООО «Технопром» и АО «Технопром-Инжиниринг». Какая из них вас интересует?», — и предложит две кнопки для быстрого ответа.

Более того, после ответа он может проактивно предложить следующие шаги, например, предложить «Сравнить все характеристики?» или «Показать контакты этих поставщиков?».

Результаты автоматизации закупок с помощью AI: цифры и эффекты

Внедрение цифровой команды AI-агентов, описанное в нашем кейсе по автоматизации закупок с помощью AI, позволило достичь улучшений в закупочном процессе:

1. Высвобождено до 95% времени, ранее уходившего на рутинные операции по поиску, обработке и консолидации данных.
2. Снижен до минимума уровень ошибок, связанных с ручным переносом информации, что обеспечило точность цен и сроков в итоговых отчётах.
3. Создан единый, контролируемый и масштабируемый процесс закупок, готовый к росту компании без увеличения штата.
4. Повышена мотивация специалистов, которые теперь могут фокусироваться на задачах, требующих экспертных знаний: переговорах, анализе рынка и выстраивании отношений с партнёрами.

В цифрах

Такой переход от рутинных операций к аналитической работе и переговорам с поставщиками — это не просто результат нашего кейса, а отражение общего направления развития закупок. По данным исследования Deloitte (2024), 92% директоров по закупкам уже активно внедряют ИИ, чтобы перейти от выполнения транзакционных задач к роли стратегических партнёров бизнеса. Наш кейс показывает, как этот переход может быть реализован на практике.

Развитие AI-системы для закупок: планы и новые функции

Развитие системы направлено на переход от автоматизации рутины к созданию полноценного AI-партнера для отдела закупок. Вот ключевые направления нашей работы:

1. Контроль качества данных: интерфейс верификации (Human-in-the-Loop)
Для достижения 100% точности данных будет внедрен интерфейс проверки. Если система не уверена в распознанной информации (например, цена найдена не в таблице, а в тексте, или используются различные единицы измерения в одной и той же таблице), она не будет сразу отклонять КП или  сохранять данные, а сначала автоматически создаст задачу для сотрудника. Оператору нужно будет подтвердить или исправить предложенные AI данные в подсвеченной зоне документа.

2. Проактивный скоринг поставщиков
Система начнет автоматически рассчитывать рейтинг надежности для каждого поставщика на основе объективных данных: скорости ответов, динамики цен и количества ошибок в КП. Это позволит принимать решения, опираясь не только на цену, но и на оценку рисков.

3. AI-ассистент для переговоров
Агент-аналитик превратится в ассистента по переговорам. Например, по запросу «Подготовка к переговорам с “Технопромом”» он будет выдавать краткую справку: «Их цены на 5% выше рынка, но доставка на неделю быстрее. В прошлый раз они согласились на скидку в 3%. Рекомендую начать торг с 7%».

4. Автоматизированный торг по стандартным позициям
Для стандартизированных товаров появится агент, способный вести торг автоматически. Получив КП, он сможет самостоятельно отправить ответ: «Ваше предложение на 5% выше лучшей цены. Готовы улучшить условия?».

5. Портал для поставщиков («Единое окно»)
Мы создадим веб-портал, где поставщики смогут самостоятельно загружать КП в структурированном виде, отслеживать их статус и получать обратную связь. Это решит проблему неверных форматов на стороне поставщика и снизит нагрузку на электронную почту.

Заключение

Внедрение мультиагентной AI-системы позволило трансформировать закупочный процесс компании. Агенты решили следующие задачи: автоматизировали сбор данных из разных источников, исключили ошибки человеческого фактора и устранили «бутылочные горлышки», замедлявшие работу.

Но главный итог — это не просто автоматизация. Отдел закупок перешел от реактивной операционной работы к проактивной деятельности. Специалисты смогли сфокусироваться на анализе рыночных условий, переговорах о ценах и построении долгосрочных отношений с поставщиками, что напрямую повлияло на финансовые показатели компании.

Для организаций, сталкивающихся с подобными проблемами, наш опыт показывает, что старт с пилотного проекта на одном направлении закупок позволяет быстро оценить преимущества и отладить интеграцию AI-агентов в существующие процессы.

Свяжитесь с нами, и мы покажем, как AI-агенты могут стать вашим конкурентным преимуществом.