ИИ-анализ документов закупок: языковые модели читают контракты и акты

Языковая модель работает с текстом так, как правила работают с цифрами. Таблица закупок говорит, сколько и у кого купили, а документы говорят, что именно и на каких условиях. Модель находит в документе нужные места, переносит их в таблицу и сравнивает формулировки.

Основные операции модели в контроле:

1. Извлечь реквизиты, суммы, сроки, объемы и требования из контракта, техзадания или акта.

2. Сравнить документы одной закупки между собой и с документами других закупок того же товара.

3. Найти места, похожие на признак риска, и дать ссылку на страницу и цитату.

4. Подготовить черновик справки, который проверяющий правит и подписывает.

Где это нужно, видно по списку из 73 красных флагов Open Contracting Partnership (OCP). Многие флаги живут в документах, а не в цифрах: необоснованные технические требования, физическое сходство документов разных участников, жалоба на торги, расхождение выполненных работ с условиями контракта.

Как документы встраиваются в общий поток сигналов вместе с таблицами и реестрами, описано на странице о том, как ИИ находит нарушения.

Техзадание под одного поставщика узнают по требованиям, которые сужают круг участников без связи с задачей: точная марка без слов «или эквивалент», редкое сочетание характеристик, требования к опыту, которых нет у других участников рынка. OCP относит необоснованные технические и квалификационные требования к признакам манипуляции торгами.

Что делает модель: сравнивает техзадание с техзаданиями других заказчиков на тот же товар, отмечает требования, которых у других нет, и проверяет, не совпадает ли описание с карточкой одной конкретной модели товара.

Условный пример сигнала: «Заказчик В, техзадание на ноутбуки: часть требований встречается только в описании одной модели, в других закупках того же товара их нет; ссылки на пункты техзадания и на описание модели приложены».

Второй признак ищут в заявках. Если документы разных участников совпадают по оформлению, опечаткам и структуре, OCP называет это физическим сходством документов и относит к признакам сговора участников. Модель сравнивает заявки попарно и показывает совпавшие фрагменты.

Требование под одного поставщика бывает законным: техника должна работать с уже купленной. Поэтому сигнал содержит и признак, и место для обоснования заказчика, а оценку дает человек.

Сверка трех документов отвечает на простой вопрос: заплатили ли за то, что заказали и получили. Модель сравнивает предмет, количество, цену и сроки в контракте, в акте приемки и в платежном поручении.

Признаки риска при сверке есть в списке OCP: платежи по контракту превышают его сумму, изменения контракта повышают цену, выполненные работы расходятся с условиями контракта.

Сверка находит и простые расхождения: акт подписан раньше начала работ, в платежном поручении другие реквизиты получателя, объем в акте больше, чем в контракте. Для человека это часы листания папок, для модели одна операция на каждый комплект документов.

Сверка особенно полезна там, где документов много, а суммы небольшие: десятки мелких актов по одному контракту человек проверяет выборочно, а модель проверяет все и показывает только расхождения.

Сверка дает сигнал, а не вывод. Расхождение в датах бывает опечаткой, а лишний объем мог быть оформлен дополнительным соглашением, которое еще не попало в систему. Модель показывает расхождение и оба документа, проверяющий выясняет причину.

Подробнее о таких проектах в контрольной работе рассказано на странице об ИИ для контроля и аудита.

Жалобы участников торгов и обращения граждан описывают проблему своими словами и часто раньше, чем она видна в цифрах. OCP включает жалобу на торги в список красных флагов: сам факт жалобы повышает внимание к процедуре.

Модель помогает разобрать поток обращений. Она относит каждое к закупке или контракту, выделяет суть претензии, находит повторы и связывает обращения разных людей об одном и том же.

Обращения это неструктурированные данные, и именно в их разборе органы контроля видят главную пользу генеративного ИИ: 45 из 59 участников опроса ОЭСР поставили эффективность работы и анализ неструктурированных данных на первое место.

Сигнал из обращения проверяется так же, как сигнал из таблицы. Модель показывает, какие закупки упомянуты, какие документы по ним есть и совпадает ли претензия с данными, а вывод о нарушении делает человек.

В обращениях граждан есть персональные данные, поэтому модель для них ставят на серверы организации и дают ей доступ только к своей задаче. Требования к таким системам разобраны на странице о требованиях 243-ФЗ и безопасности.

Счетная палата объявила запуск ГИС цифрового аудита в 2026 году, ИИ в ней нужен для риск-ориентированного аудита. Система, которая читает акты и платежные документы, по словам зампреда, уже экономит десятки тысяч рабочих часов.

ОЭСР в марте 2024 года выпустила доклад о генеративном ИИгенеративный ИИ Генеративный ИИ (generative AI) это нейросети, которые создают новый контент: тексты, изображения, музыку, видео и программный код по описанию на обычном языке. Подробнее в словаре для антикоррупционных органов, высших органов аудита и внутреннего аудита. В опросе участвовали 59 организаций из 39 стран.

Картина спокойная. Около половины участников (30 организаций) пока не используют генеративный ИИ и только изучают сценарии, еще 24% (14) на стадии разработки. Дальше всех продвинулись высшие органы аудита: 47% (8) из них как минимум на стадии разработки.

О задачах: 37% участников (22) на первое место ставят сбор доказательств и проверку документов. В Бразилии языковые моделибольшая языковая модель Большая языковая модель (LLM) это нейросеть, обученная на огромном объеме текстов, которая пишет, пересказывает и разбирает текст по запросу. Подробнее в словаре ищут в больших массивах признаки мошенничества, в Финляндии, Франции, Греции и Великобритании готовят черновики, разбирают таблицы и делают выжимки.

Главные препятствия, по ответам участников, это нехватка навыков и ограничения ИТ, почти так же часто называют защиту данных. ОЭСР советует сначала встраивать модели в процессы с низким риском и оговаривает, что результаты опроса относятся только к ответившим организациям.

ОЭСР называет главные риски языковых моделей в контроле: галлюцинациигаллюцинации нейросети Галлюцинация это ответ нейросети, который звучит уверенно, но содержит выдуманные или неверные факты. Подробнее в словаре, непрозрачность выводов и предвзятость. Для проверяющего каждый из них выглядит конкретно, и у каждого есть защита.

1. Галлюцинация: модель пишет пункт договора, которого нет в документе. Защита: каждая фраза справки стоит со ссылкой на страницу и цитатой.

2. Непрозрачность: модель отметила техзадание, но не объяснила почему. Защита: сигнал содержит признак, по которому он сработал, и фрагмент текста.

3. Предвзятость: модель чаще отмечает документы одного типа или одного региона, потому что так было в обучающих примерах. Защита: регулярная сверка сигналов со случайной выборкой.

Бывает и ошибка настройки. OCP предупреждает: если флаг срабатывает на 90% процедур, в нем, скорее всего, много ложных срабатываний, и показатель надо поправить.

Еще один источник ошибок лежит в данных, а не в модели. Если в системе нет дополнительного соглашения или скан акта не читается, модель увидит расхождение там, где его нет. Поэтому в карточке сигнала указано, какие документы модель видела, а каких не нашла.

Красный флаг означает риск, а не доказательство нарушения. Модель готовит материал, а вывод о нарушении делает проверяющий, следователь или суд.