Як створити AI-систему аналізу тендерної документації: архітектура та захист від галюцинацій

Складність автоматизації тендерного аналізу

Для малого та середнього бізнесу участь у державних і комерційних закупівлях є потужним драйвером зростання. Проте аналіз тендерної документації часто перетворюється на виснажливий процес. Десятки або сотні сторінок технічних завдань, ліцензійних вимог, критеріїв фінансового обороту та банківських гарантій вимагають годин ретельного вивчення. Помилка або неуважність на стадії скринінгу веде до дискваліфікації та марно витрачених ресурсів.

Природне бажання бізнесу — автоматизувати цю рутину за допомогою штучного інтелекту. Однак просте підключення популярного хмарного чат-бота часто завершується фальшивими висновками, сплутаними дедлайнами та небезпечними галюцинаціями моделі.

Чому чистий генеративний AI не підходить для держзакупівель

Мовні моделі чудово структурують неструктурований текст, але вони не мають вбудованої відповідальності за прийняття рішень. У сфері закупівель ціна галюцинації занадто висока:

• Плутанина строків: модель може переплутати дату подання пропозицій із терміном дії контракту або гарантії.
• Ігнорування винятків: тонкі юридичні нюанси у примітках можуть залишитися непоміченими.
• Ілюзія відповідності: модель схильна «додумувати» відповідність компанії критеріям, якщо точних даних бракує.

Саме тому надійна архітектура вимагає поєднання відкритих мовних моделей і суворої, детермінованої бізнес-логіки.

Гібридна архітектура: розумний парсинг і сувора перевірка

Щоб система давала комерційно надійні результати, процес аналізу варто розбити на ізольовані кроки:

• Класифікація та попередній парсинг: система повинна розрізняти тип файлу (оголошення, проект договору, додатки, скановані протоколи). Для сканів необхідний надійний конвеєр OCR із чіткою фіксацією незавершених або нерозпізнаних сторінок.
• Вилучення вимог із точними цитатами: замість вимагати від AI вердикту «чи підходимо ми», модель повинна лише екстрагувати вимоги у жорсткий JSON-формат, вказуючи номер сторінки, пункт і пряму цитату.
• Детерміноване порівняння: логіка зіставлення вимог із профілем компанії має виконуватися програмним кодом, а не нейромережею. Перевірка ліцензій, суми обороту та забезпечень повинна мати однозначні статуси: відповідає, не відповідає або потребує ручної перевірки.
• Система статусів невизначеності: якщо дані відсутні або розмиті, алгоритм зобов'язаний ставити попередження для людини, а не вигадувати компромісні відповіді.

Оптимальний технологічний стек

Сучасна веб-розробка дозволяє будувати такі інтелектуальні сервіси швидко та масштабовано. На фронтенді й бекенді ефективно працює сучасний стек TypeScript: фреймворки на кшталт TanStack Start або Next.js, бібліотеки для нативного парсингу PDF без зайвого навантаження на пам'ять, а також локальні чи приватні інференс-сервери для моделей (наприклад, Ollama або vLLM з відкритими моделями на зразок Gemma чи Llama).

Використання open-source моделей знижує операційні витрати на API, дає повний контроль над конфіденційними даними компанії та дозволяє тонко адаптувати промпти під локальні стандарти закупівель.

Практичний ефект для бізнесу

Мета AI-асистента — не замінити експерта, а скоротити час прийняття рішення про участь у торгах (Go / No-Go) з кількох годин до 5 хвилин. Коли підрядник отримує чітку матрицю відповідності з посиланнями на джерела, ризик пропустити критичну умову зводиться до мінімуму, а конверсія виграних тендерів зростає.