Компания «Вектор» разработала SaaS-платформу на базе ИИ для автоматизации конъюнктурного анализа цен в строительстве. Это решение ориентировано на заказчиков крупных строительных проектов, в которых сметы могут включать многие сотни и тысячи позиций. Оно собирает и анализирует разрозненные данные из спецификаций, коммерческих предложений, прейскурантов и открытых источников, сравнивает цены и проверяет, не являются ли они завышенными. Крупным заказчикам, в первую очередь государственным, решение помогает сэкономить выделенные на строительство средства за счет более точного и взвешенного обоснования закупочных цен. О преимуществах решения, истории его создания, применяемых в нем технологиях и перспективах на рынке рассказывает Егор Богданов, директор компании «Вектор», номинант на премию Data Award 2026.

- Какова история создания вашего решения?

К нам обратился заместитель министра строительного комплекса Московской области, чтобы мы не просто показали искусственный интеллект в красивой презентации, а внедрили его туда, где он действительно даст практический и желательно ощутимый экономический эффект. Мы провели аудит внутренних процессов министерства и проанализировали, как выстроена работа, кто за что отвечает, на что уходит больше всего времени. Вскоре удалось выявить узкое место — большой и сложный процесс проверки конъюнктурного анализа, в которой много участников и очень много ручной, однотипной работы.

После того, как мы детально в нем разобрались, стало понятно, что процесс можно не просто ускорить, а по-настоящему переосмыслить. Разложив его на цепочку маленьких подпроцессов, мы определили, какие из них можно автоматизировать с помощью отдельных ИИ-агентов. Так, собственно, и родилась наша SaaS-платформа.

- На решение каких проблем и задач ориентирована система?

Наш проект призван решить одну очень важную практическую проблему — избавиться от закупки строительных ресурсов по завышенным ценам при строительстве и капитальном ремонте. Суть в том, что каждую позицию в смете нужно проверять, соответствует ли заявленная цена среднерыночной. Сложность в том, что таких позиций в одной смете обычно не десять и не двадцать, а 500–600, а иногда больше тысячи. Вручную проверить такой объем одинаково внимательно и без ошибок крайне трудно.

И вот здесь как раз появляется ценность ИИ: он не устает, у него не «замыливается глаз» — он анализирует не только самые крупные позиции, но и весь массив данных, причем последовательно, строчка за строчкой, по одной и той же методике. Результат — снижение риска завышения цен и гораздо более точная и системная проверка смет по сравнению с работой вручную.

- Почему так важно решить эту задачу?

По очень простой причине: речь идет о бюджетных деньгах, а бюджет — это, по сути, деньги всех нас, налогоплательщиков. В обычной жизни каждый человек стремится приобретать то, что желает, по рыночной цене или чуть ниже. И, конечно, никто не хочет, чтобы при строительстве школ, больниц или детских садов государство переплачивало за то, что можно закупить разумнее.

При этом строительство — сфера дорогая и масштабная. В большом проекте даже небольшое завышение по отдельным позициям в итоге выливается в очень заметные суммы. Поэтому для государственного заказчика здесь абсолютно практическая задача: строить нужные социальные объекты качественно, но не переплачивая лишнее. Именно поэтому такая проверка и важна.

- Каковы ключевые возможности продукта?

Ключевая возможность решения в том, что оно берет на себя ту работу, которую раньше сотрудники в этом процессе выполняли вручную. Первый большой блок — поиск поставщиков: для каждой позиции нужно найти как минимум трех поставщиков именно в том регионе, где идет строительство. Эту задачу у нас выполняет первый ансамбль ИИ-агентов.

Второй блок — коммуникация с поставщиками и сбор цен: важно получить не просто ответ, а рыночную цену. Этим занимается второй ансамбль агентов.

Ну и дальше — самое интересное: собранные данные о ценах можно использовать не только для проверки текущей сметы, но и для прогнозирования стоимости строительных ресурсов в разных регионах в последующие периоды. Таким образом, наше решение — это не просто инструмент для проверки, а основа для более умного управления строительством в целом.

- На каких технологиях и платформах реализовано ваше решение?

«Под капотом» у нас довольно большой технологический стек — для каждого подпроцесса подбирали тот инструмент, который лучше всего решает именно эту задачу. В частности, там используются поисковые интерфейсы API (в том числе «Яндекс»), инструменты для краулинга и скраппинга, специализированные браузеры для работы с веб-страницами, а также несколько языковых моделей, включая решения из реестра российского ПО. Они помогают анализировать сайты, переписку с поставщиками и в целом работать с неструктурированной информацией.

Отдельный слой — генеративный ИИ, имитирующий действия специалистов. Он может формулировать запросы, писать письма, читать ответы, выделять из них суть. «Поверх» него работают инструменты аналитики данных, машинного обучения, статистические модели и различные алгоритмы вроде градиентного бустинга, позволяющие не только собирать данные, но и делать на их основе практические выводы и прогнозы.

- На какие данные опирается ваше решение?

Прежде всего, конечно, цены. Второй, не менее важный слой данных — это сами строительные ресурсы: материалы, инструменты, техника, услуги и их корректная классификация. Мы разработали отдельное решение, которое разбирает наименование ресурса, выделяет ключевые сущности и параметры и помогает понять, чем один материал отличается от другого. Например, цена арматуры зависит от ряда характеристик: диаметра, класса, типа, формы поставки и других параметров. Вот в этом-то и была одна из самых сложных задач: научить систему видеть эти различия в огромном массиве данных о строительных ресурсах. За основу мы брали официальный классификатор Минстроя, но на практике его детализации оказалось недостаточно, поэтому мы его серьезно доработали и фактически адаптировали под реальную задачу поиска и сопоставления цен.

- Какие математические методы и инструменты применяются?

У нас используется ИИ, причем сразу на нескольких уровнях. Во-первых, большие языковые модели (LLM). Они помогают работать с неструктурированными данными: читать веб-страницы, анализировать ответы поставщиков, формулировать запросы, писать и разбирать письма — по сути, они берут на себя часть интеллектуальной работы специалиста. Во-вторых, используются технологии для извлечения сущностей, в частности, распознавание именованных сущностей (NER) — чтобы система понимала, что именно написано в описании строительного ресурса, какие приведены характеристики, параметры и смысловые отличия. Ну и, конечно, есть классическое машинное обучение — модели для классификации, ранжирования и прогнозирования, в том числе градиентный бустинг. Для очистки данных, поиска выбросов, оценки достоверности ценовых предложений и проверки устойчивости результатов также используются статистические методы.

- Что, на ваш взгляд, в вашем решении получилось удачнее всего?

Думаю, лучше всего у нас получился ансамбль ИИ-агентов, ведущий переписку с менеджерами по продажам. Здесь был самый тонкий момент: нужно не просто отправить письмо, но составить его так, чтобы оно выглядело естественно, по-человечески, содержало правильные уточняющие вопросы, выдерживало логику диалога. В итоге мы получаем нужные данные так, что у собеседника не возникает ощущения, что с ним разговаривает машина. И это у нас получилось: за все время пилотного проекта ни один менеджер по продажам не понял, что общается не с человеком, а с ИИ. Это, конечно, результат очень точной работы команды — и разработчиков, и промпт-инженеров. Мы не пошли по простому пути, а собрали действительно продуманную, разветвленную логику диалога.

- Каков портрет вашего типичного заказчика?

Как правило, это крупный участник строительного рынка с большим объемом смет, высокой ответственностью за бюджет и значительным количеством ручных проверок.

Изначально решение создавалось под задачу Министерства строительного комплекса Московской области, но довольно быстро мы поняли, что с подобными задачами сталкивается практически любой крупный госзаказчик. Начались пилотные проекты в Свердловской области и Ямало-Ненецком автономном округе, затем интерес к нашему решению начали проявлять и другие регионы.

Ну а вскоре после того, как госзаказчики стали проверять конъюнктурный анализ с помощью ИИ, этими возможностями заинтересовались и генеральные подрядчики, что вполне логично: если вас уже проверяют новым инструментом, то нужно и самим готовить документы так, чтобы этот инструмент охарактеризовал вас наилучшим образом. Поэтому наши заказчики сегодня — не только государственные стройзаказчики, но и крупные подрядчики. Если конкретно, то среди наших заказчиков — Минстрой Московской области, профильные ведомства Свердловской области и ЯНАО, а из корпоративного сектора — компания КРОСТ.

- Что конкретно может получить компания-заказчик в качестве результата работы вашего решения?

Самый заметный результат — это снижение себестоимости строительства. Когда проверка цен становится системной, детальной и действительно массовой, сметы начинают «худеть» естественным образом. Уходит возможность потихоньку завышать стоимость отдельных позиций, а значит, заказчик перестает переплачивать. Поэтому главная польза продукта — это прямая экономия денег, причем и для государства, и для корпоративных заказчиков. Для одних это экономия бюджетных средств, для других — более эффективное снабжение и закупка строительных ресурсов по рыночным ценам. По сути, это инструмент, который делает закупки намного более разумными.

- Каковы успехи на рынке?

Пока мы на рынок в полном смысле слова еще не выходили. Завершены пилотные проекты — для нас это был этап проверки: действительно ли решение работает в реальных условиях, дает ли эффект и нужно ли оно заказчику на самом деле. Этот этап мы прошли успешно. Мы нацеливаемся на крупных заказчиков, потому что это решение раскрывается именно там, где есть большие объемы, серьезные бюджеты и где цена ошибки высока. Сейчас как раз готовимся к следующему этапу — к масштабной работе с такими заказчиками.

- В чем роль продукта для рынка?

Роль продукта на рынке — быть рабочим инструментом контроля и экономии в строительстве. Мы находимся на стыке сразу двух больших задач: цифровизации строительной отрасли и повышения прозрачности закупок.

Если говорить проще, наш продукт помогает рынку становиться более честным, точным и эффективным. Заказчикам он дает возможность не переплачивать, подрядчикам — быстрее и качественнее готовить документы. Для отрасли в целом это шаг к тому, чтобы решения в строительстве принимались не «на глаз», а на основе данных.

- В каком направлении будет развиваться решение?

Развивать продукт точно будем в сторону создания широкой аналитической платформы для строительных закупок и ценообразования. В ходе пилотных проектов стало понятно, что мы не просто решаем одну узкую задачу, а собираем очень ценный слой данных для целого набора процессов. Поэтому первое и самое очевидное направление — это предиктивный анализ цен, чтобы не только проверять сегодняшнюю стоимость ресурсов, но и заранее понимать, как она может меняться в будущем с учетом динамики по регионам, сезонам и типам ресурсов.

Дальше — еще интереснее: на базе этих данных можно строить прогнозы дефицита и доступности материалов, анализировать надежность поставщиков, заранее видеть аномалии в сметах и закупках, рекомендовать более реалистичные ценовые ориентиры еще на этапе подготовки документации. То есть мы движемся к тому, чтобы инструмент проверки нарастить до полноценной системы поддержки решений в строительстве.