Автоматизация тендеров: AI-поиск закупок и анализ маржи за час

Что такое автоматизация тендеров?

3 из 5 компаний в РФ уже что-то автоматизировали в тендерах, но только у части это действительно снижает рутину, а не добавляет ещё один отчёт. Это означает, что под «автоматизацией» часто прячутся просто уведомления, а не система принятия решений.

Автоматизация тендеров — это когда поиск закупок, первичный анализ тендерной документации и грубая оценка контрактов выполняются машиной, а человек подключается только там, где нужна экспертиза и ответственность. Не «бот подаёт заявку сам», а «бот готовит вам список лотов с приоритизацией и маржей». По состоянию на 2025-2026 такой подход в среднем снижает затраты на участие до 30-40% и заметно чистит воронку от заведомо убыточных тендеров, о чём пишут и в отраслевых обзорах Gartner по закупкам (они аккуратно прогнозируют рост гиперавтоматизации).

Как выглядит нормальная схема автоматизации тендеров

Когда я говорю «нормальная», я имею в виду не идеальную, а рабочую, без священной войны между тендеристами и айтишниками. Схема на практике обычно упирается в четыре блока: где искать, как фильтровать, как считать и как хранить историю. Это не теория — это то, что вылезло после 8 проектов в PROMAREN с тендерными отделами разного уровня зрелости.

Поиск закупок тянется из ЕИС и ключевых тендерных площадок через API или парсинг, плюс подключаются сервисы вроде Контур.Закупки. Фильтрация строится не только на явных ключах, но и на «скрытых» формулировках, которые AI доучивается по вашей прошлой практике. Дальше включается модуль оценки контрактов: он грубо оценивает себестоимость, применяет типовое падение по рынку и считает маржу, чтобы сразу отсечь заведомо минусовые истории.

Последний слой — хранение: вся эта красота кладётся в базу (иногда это честный Postgres, иногда — «Google-таблица, но с мозгами»), где система помнит историю ваших участий и ошибок. Критично, чтобы все данные по тендерам не расползались по личным ноутбукам и сторонним сервисам без договоров — это уже история не только про эффективность, но и про юридическую безопасность. По опыту PROMAREN, без этого слой «AI» превращается в хрупкий макрос на чужом ноутбуке.

Где тут место AI и чем он лучше обычного фильтра

Если убрать маркетинг, искусственный интеллект в закупках в 2026 — это внятные модели обработки текста плюс немного статистики. Yandex Neuro, Google AI, локальные модели — все они решают одну задачу: понять, о чём написано в ТЗ и описании закупки, и сопоставить это с вашей специализацией и ограничениями. Работает это не за счёт «волшебства», а за счёт того, что модель умеет читать контекст, а не только отдельные слова.

Например, в описании написано «комплекс работ по модернизации», но по списку документов видно, что это классический «капремонт» с конкретным набором работ. Простым поиском вы это не поймаете, модель — поймает, если её разнообразно покормить примерами. Плюс AI ускоряет анализ тендерной документации: длинные ТЗ из ЕИС или площадок Сбера можно прогонять через модель и получать выжимку по объёмам, срокам, штрафам и техническим требованиям.

Это критично, потому что без честного автоматического чтения ТЗ весь «умный» поиск превращается в гадание по заголовкам и бюджету, а там маржа часто выглядит красиво только до знакомства с разделом «штрафы и неустойки». И как только мы начинаем смотреть на автоматизацию так — как на набор модулей, а не «одну большую кнопку» — логично перейти к самому больному месту: как вообще найти те самые закупки, о которых вы раньше даже не подозревали.

Как найти скрытые ключевые слова для закупок?

По опыту PROMAREN, до 30% интересных закупок уходят мимо просто потому, что заказчик назвал их «по-своему». Это означает, что без работы со скрытыми ключами автоматизация тендеров будет ловить только очевидные, а не самые выгодные контракты.

Скрытые ключевые слова — это те формулировки, которые описывают сущность закупки, но не совпадают с привычными для вас запросами. Вместо «поставка мебели» — «оснащение переговорных помещений», вместо «разработка сайта» — «создание цифрового сервиса для взаимодействия с клиентами». В 2026 это особенно заметно в нишах, где маркетинг и закупки слегка живут в разных мирах: то, что продажа называет «комплексное решение», в документах превращается в скучный перечень работ и поставок.

Как я строю карту скрытых ключей через AI

На практике я начинаю не с парсинга, а с вашей собственной истории тендеров за последние 1-2 года. Берём выигранные и проигранные лоты, выгружаем описания предмета договора и ТЗ, и скармливаем это в модель вроде Yandex Neuro или Google AI. Задача — не «сгенерировать ещё ключи», а сгруппировать существующие формулировки в кластеры: какие слова цепляются друг за друга вокруг одной и той же сути.

Второй шаг — подключаем обычный Yandex и Google как источник живого языка рынка: по каждому кластеру проверяем, как ещё формулируют эти услуги или товары в открытом поиске, на сайтах конкурентов, в новостях. Тут AI-агент помогает не «гуглить руками», а быстро собрать варианты, в том числе редкие. Получается карта: один вид работ — 10-15 устойчивых формулировок, часть из которых вы раньше вообще не учитывали в фильтрах.

Здесь работает ещё один приём: я прошу модель явно выписать «как бы назвал это закупщик, а не маркетолог». Иногда рождаются очень приземлённые формулировки, вроде «оказание услуг по поддержанию работоспособности» вместо «поддержка ИТ-инфраструктуры». Смешно, но именно такие формулировки часто встречаются в ЕИС. И вот уже обычный фильтр по «поддержке» перестаёт быть единственным окном в мир новых закупок.

Как парсинг площадок превращается в внятный поиск

Когда карта ключей готова, можно подключать технологии парсинга для закупок. В начале 2026 у нас три основных варианта: официальные API ЕИС и площадок, полуофициальные интеграции через сторонние сервисы и честный парсинг HTML, который лучше сразу делать с юристами и безопасностью в голове. В любом случае логика одна и та же: забираем сырые данные, а не только то, что отрисовано в интерфейсе.

Дальше включается слой обработки текста: скрипт или n8n-сценарий проходит по новостям лотов, описаниям, ТЗ и прогоняет их через AI-модель. Тут как раз и всплывают скрытые соответствия из нашей карты ключей: даже если в заголовке нет слова «ремонт», модель находит его в техническом задании и относит закупку к группе «интересно». По данным ряда проектов в PROMAREN, такой подход увеличивает количество релевантных лотов в 1,5-2 раза без расширения тематики бизнеса.

Чтобы это не превратилось в очередной чёрный ящик, я всегда добавляю простой отчёт: какие именно слова и фрагменты текста привели к включению закупки в выборку. Это снимало массу споров между тендеристами и айтишниками: уже не «AI решил», а «вот в ТЗ было написано так-то, модель посчитала это похожим на ваш кейс N». И логичный следующий шаг после поиска — понять, а что там с деньгами и есть ли вообще смысл подаваться.

Какие ошибки ломают поиск ещё до маржи

Самая частая ошибка, которую я вижу, — пытаться построить универсальный словарь «для всей компании» и навсегда. Жизнь так не работает: появляются новые продукты, заказчики переписывают шаблоны, нормативка меняется. В итоге через полгода фильтр ловит только «ветеранов», а интересное новое всё равно просачивается мимо. Тут помогает простое правило: пересматривать карту ключей раз в квартал на основе фактических закупок.

Вторая грабля — игнорировать связь с ОКПД2 и видами деятельности. В январе 2026 я видела кейс, где тендерный отдел находил кучу классных закупок, но компания законно не могла в них участвовать из-за ОКВЭД. AI тут бесполезен, если не подмешать в фильтрацию регистры и справочники. И третий момент — переоценка «скрытых» закупок: не каждая странная формулировка — золото, иногда это просто кривая документация.

Получается, что поиск без маржи — это всё равно полдела: вы находите больше, но не обязательно лучше. Поэтому следующий логичный уровень автоматизации — научиться быстро и честно оценивать маржинальность тендеров до того, как в отдел начинают лететь просьбы «срочно посчитайте этот лот».

Можно ли прогнозировать маржинальность контракта?

Да, маржинальность можно прогнозировать заранее с точностью, приемлемой для управленческого решения. Это значит, что участвовать «на глазок» в 2026 становится скорее роскошью, чем нормой.

Если совсем по-человечески, маржа по тендеру — это разница между ожидаемой ценой контракта (с учётом типичного падения) и полной себестоимостью проекта: прямыми затратами, накладными расходами, налогами и иногда — стоимостью денег во времени. В автоматизации тендеров AI отвечает за две тяжёлые части: быстро вытащить все цифры из ТЗ и истории и подсунуть их в понятную для финансов формулу. Сами формулы скучны и предсказуемы, но собрать туда всё «что вспомнят» руками — это неделя, а не час.

Как собирается финансовый скелет тендера

По шагам внутри системы это выглядит так: из ТЗ вынимаются объёмы, сроки, специальные требования и штрафы. Для этого удобно использовать связку OCR + Yandex Neuro или Google AI — они более-менее уверенно читают даже неидеальные pdf, а дальше уже обычный парсер собирает таблицу позиций. Параллельно система подтягивает ваши справочники цен, ставок сотрудников, логистики и стандартных накладных.

Следующий слой — статистика по рынку: по данным практики и открытых аналитических обзоров (например, отчётов Минфина и крупных интеграторов), среднее падение по разным нишам колеблется от 0,5% до 40%. Это не точная наука, но хорошая отправная точка. AI-модуль смотрит на предмет закупки, регион, тип заказчика и подбирает разумный сценарий падения, опираясь на вашу историю участий и открытые данные.

В итоге получается таблица: базовая цена контракта, вероятная цена после снижения, оценка прямых затрат, оценка косвенных, диапазон маржи. В одном из проектов PROMAREN по строительным услугам такой подход позволил за месяц убрать из воронки почти треть «красивых, но нереалистичных» тендеров, которые раньше съедали время и силы отдела. Я раньше думала, что это про «умный AI», но оказалось, что главное — дисциплина в учёте собственных затрат, без неё любая модель превращается в калькулятор с неправильными цифрами.

Как система решает, куда не стоит лезть

Дальше начинается самое интересное для тендерного отдела: автоматизация не только считает маржу, но и окрашивает тендеры по степени адекватности. Чаще всего мы используем три простых статуса: «зелёный» — маржа выше целевого порога (например, 10-15%), «жёлтый» — пограничные истории, где нужно обсуждение, «красный» — формально можно участвовать, но бизнес-смысл под вопросом.

Сюда можно добавить ещё один критерий — вероятность выигрыша. Система сверяет параметры текущего тендера с вашей историей: где вы уже выигрывали, где стабильно проигрываете, у каких заказчиков конкурс «для галочки». По данным McKinsey о цифровизации закупок (они аккуратно пишут про 20-30% повышение эффективности за счёт продвинутой аналитики), такой подход даёт коммерческому блоку более удобный язык: обсуждать не «чувствую, что можно идти», а «маржа 12%, вероятность выигрыша по похожим кейсам 35%, заказчик адекватный».

В одном проекте по поставке оборудования клиент после внедрения такого фильтра за квартал снизил количество подаваемых заявок на 40%, но при этом сохранил выручку и вырос по чистой прибыли. Там маржу по каждому тендеру стали считать автоматически, а люди наконец-то начали спорить не о том, «успеем ли оформить», а о том, «насколько нам это выгодно в горизонте года».

Куда всё ломается и зачем тут финдир

Самый опасный вариант — отдать настройку моделей одному «техническому спецу» и попросить «сделать красиво». Он настроит, конечно, но без участия финансового директора или человека, который понимает структуру затрат, формулы будут излишне оптимистичны. Я видела, как в такой конфигурации маржа по бумагам выходила 18%, а по факту после всех доработок и претензий заказчика оказывалась 5% и нервный тик.

Вторая ловушка — забыть про непрямые эффекты: гарантийные обязательства, риски кассовых разрывов, репутацию заказчика. В начале 2026 в одном кейсе мы добавили в модель простой балл «надежности» заказчика по истории оплат и судебных споров (данные из открытых источников, в том числе аналитики Росстата и Федресурса) — и несколько якобы «супервыгодных» тендеров автоматически ушли в красную зону. Оказалось, что формально маржа есть, но деньги, скорее всего, зависнут на годы.

Поэтому прогнозирование маржинальности — это не про точный ответ до копейки, а про внятный «коридор» и автоматический отсев заведомо токсичных историй. А дальше к этой цифре уже можно приклеивать следующее слабое звено процесса — реальную жизнь тендерного отдела и его способность вообще всё это обработать.

Почему важна автоматизация в тендерах?

Если смотреть на тендерный отдел без розовых очков, то 60-70% времени там уходит не на стратегию, а на поиск, чтение и перепроверку. Это критично, потому что автоматизация тендеров в таких условиях — единственный реальный способ не расширять штат бесконечно.

Сейчас работает простая математика: чем больше тендерных площадок, тем больше рутинных действий без автоматизации. В начале 2026 я видела отдел, где на одного тендериста приходилось до 120 просмотренных лотов в день, из которых реальными кандидатами становились 3-4. Остальное время уходило в никуда. После внедрения AI-фильтра и парсинга они снизили объём ручного просмотра в четыре раза при том же количестве поданных заявок. Люди не стали «ленивее», просто перестали тратить жизнь на заведомо нерелевантные закупки.

Что реально меняется в тендерном отделе после автоматизации

Первый сдвиг — меняется ритм дня. Вместо хаотичного «с утра до вечера смотрим площадки» появляется понятное окно: система раз в час (или два) подкидывает вам уже отфильтрованный список, где есть прогноз маржи и краткая выжимка из ТЗ. Тендеристы начинают больше времени тратить на анализ рисков, коммуникацию с продажами и подготовку сильных заявок, а не на скроллинг.

Второй эффект — прозрачность. Руководитель видит не только «сколько заявок подано», но и воронку до этого: сколько лотов система нашла, сколько отфильтровала по марже, сколько отсекли люди и по каким причинам. По данным нескольких клиентов PROMAREN, именно эта прозрачность позволила убрать любимую фразу «мы не успели посмотреть» — стало видно, где именно процесс застревает и какие фильтры по факту душат воронку.

Третий момент — качество коммуникации с коммерческим блоком. Когда у вас на столе не просто карточка тендера, а оценка маржинальности тендеров в диапазоне, история по заказчику и краткий анализ ТЗ, разговор с продажами или дирекцией идёт иначе. Уже не приходится «объяснять на пальцах», почему тендер с красивой суммой на первый взгляд на самом деле в жёлтой зоне.

Какие инструменты сейчас живут в тендерной автоматизации

Если отбросить маркетинг, в 2025-2026 картина довольно приземлённая. На рынке есть тяжёлые системы уровня AGORA или Comindware, которые тянут на себе весь процесс закупок и продаж, но их реальное внедрение — это месяцы и отдельный проект. Есть специализированное программное обеспечение для тендеров, которое умеет подтягивать лоты, напоминать о сроках и вести базу документов.

И есть лёгкий слой — low-code/ no-code автоматизация через n8n, Make.com, integromat-подобные вещи. В PROMAREN я часто иду именно этим путём: собираем MVP-систему поиска и анализа на связке парсеров, AI-моделей и телеграм-бота, который выдаёт уже подготовленные лоты. Кого-то потом это устраивает «как есть», кто-то переносит логику внутрь более тяжёлых корпоративных платформ. Хорошая новость — начать можно без миллионных бюджетов, особенно если аккуратно подходить к white-data и не выносить лишнее за контур компании.

• Поиск и агрегация лотов с ЕИС и ключевых площадок через API или парсинг
• Модуль анализа текста ТЗ и описаний закупок с помощью Yandex Neuro или аналогов
• Блок расчёта себестоимости и маржи на базе ваших справочников и статистики
• Интерфейс для работы отдела — от Google-таблицы до CRM или телеграм-бота
• Хранилище истории участий и проигрышей для обучения моделей и людей

Все эти элементы можно стыковать по-разному, но принцип одинаковый: уберём то, что машина сделает быстрее и без эмоций, и оставим людям зону решения и ответственности. Следующий естественный вопрос после слов «AI, маржа, парсинг» — а что делать с самыми тяжёлыми документами во всей этой истории, с теми самыми ТЗ, которые никто не любит.

Что говорят регуляторы и почему это тоже важно

Есть ещё один пласт, о котором вспоминают в последнюю очередь: правовой. В РФ закупки живут в плотном коконе законов, и автоматизация закупок 2023-2026 должна в этот кокон аккуратно встраиваться. Закон о контрактной системе, требования к ЕИС, регламенты по работе с персональными данными — всё это влияет на то, какие данные вы можете тянуть, где хранить и как обрабатывать.

Согласно разъяснениям Минфина и документам по цифровой трансформации закупок, государство само активно толкает рынок к гиперавтоматизации, но при этом не снимает требований к безопасности и прозрачности. Это значит, что любые AI-агенты и парсеры в тендерной сфере должны быть не только эффективными, но и объяснимыми: почему вы выбрали этот тендер, как посчитали маржу, кто в итоге принял решение. И здесь плавно подходим к тому, как именно AI можно использовать на самом сложном участке — разборе ТЗ.

Как анализировать ТЗ с помощью AI?

50 страниц ТЗ можно превратить в одну осмысленную выжимку за 2-3 минуты, если AI встроен в процесс, а не живёт «где-то в соседней вкладке». Это освобождает часы в день и резко снижает риск пропустить критичное условие.

Анализ тендерной документации через AI по сути означает, что модель берёт на себя первую, самую муторную часть: чтение pdf и вытаскивание оттуда параметров, которые вам важны для решения. В 2026 это уже умеют делать Yandex Neuro, Google AI и локальные модели, которые можно завернуть в свои сценарии на n8n или другом оркестраторе. Роль человека сдвигается: он проверяет, спорит с выводами и принимает финальное решение, а не тратит полдня на «дочитал до пункта 7.3 и устал».

Как я строю цепочку анализа ТЗ за час

Если разобрать это на шаги, получается довольно приземлённая конструкция. ТЗ попадает в систему: его можно подгрузить из ЕИС, из почты или через интерфейс, хоть через чат-бота в Telegram. Дальше включается связка OCR (для сканов) и AI, которая превращает весь этот зоопарк документов в текст. Уже здесь можно избавиться от кучи ручной работы: не нужно копировать куски pdf в Word и выравнивать таблицы.

Второй шаг — промптинг. Да, это то самое слово, которое многие уже не любят, но формат запросов к модели здесь правда решает. Я обычно формулирую это так: «Выдели объёмы, ключевые требования, штрафы и всё, что влияет на себестоимость и риски». Модель возвращает структуру: список позиций, странные условия, потенциально жёсткие штрафы, нестыковки по срокам. Эту структуру уже можно скормить модулю расчёта маржи, о котором я писала выше.

Третий шаг — человек. На этом этапе тендерист или финансовый специалист проходит по выжимке и спорит с моделью: что она посчитала риском, а что — просто «страшными словами». Я вначале наивно думала, что можно всё отдать AI, но итог нескольких проектов подтвердил: самый сильный эффект даёт связка «AI как фильтр + человек как критик». И только после этого стоит идти к решению «участвуем/не участвуем».

Какие инструменты реально используются, а какие — пока в презентациях

В отчётах консультантов всё выглядит красиво: единая платформа, в ней и поиск, и анализ, и подача заявок. В жизни всё чаще работает комбо из нескольких инструментов, собранных в процессе. Для анализа ТЗ я чаще всего вижу такие связки: Yandex Neuro как движок понимания русского текста, локальный скрипт парсинга таблиц и n8n как клей между ними и вашим хранилищем данных.

Кто-то добавляет Google AI для специфических задач, например, для генерации коротких резюме или проверки, не упущены ли обязательные лицензии. Иногда сверху накручивают телеграм-бота: прислали туда ТЗ — через пару минут получили сводку и предварительную оценку маржинальности. На сайте PROMAREN я разбираю такие кейсы в разделе статьи про AI-инструменты и практику с нейросетями, потому что именно тут больше всего «интересных» глюков.

1. Загрузка и распознавание ТЗ (pdf, сканы, архивы приложений)
2. Автоматическое извлечение ключевых параметров и рисков через AI
3. Передача этих данных в модуль расчёта себестоимости и маржи
4. Формирование краткой карточки тендера для тендерного отдела
5. Сохранение всей истории разборов для обучения и аудита

Эта цепочка легко укладывается в один час на настройку базового сценария, если не пытаться сразу «упаковать всё в идеальную систему». На практике я всегда иду от набора узких задач: сначала поиск, потом маржа, потом ТЗ. И уже после первых результатов имеет смысл думать, как это красиво связать и что можно перенести, например, в свою систему ботов для telegram канала, как мы делаем в проекте по чат-ботам для закупок. А дальше остаётся только не забывать, что любую автоматизацию нужно регулярно пересматривать.

О чём стоит помнить, когда AI уже встроен

Когда система начинает экономить десятки часов, появляется соблазн считать её «чёрным ящиком, который всегда прав». Это удобная, но опасная позиция: рынок меняется, заказчики учатся, регуляторы подкидывают новые требования.

Я заметила, что устойчивее всего живут те внедрения, где у автоматизации есть владелец — человек, который отвечает не за «настройку скриптов», а за смысл: мы всё ещё ищем те тендеры, которые хотим, маржа считается по актуальным ставкам, ТЗ разбираются с учётом свежих судебных практик. Иногда это тендерный руководитель, иногда — связка с внутренним аудитором. В PROMAREN я часто подключаюсь на эту роль временно, пока команда не «подружится» с системой.

Это означает, что автоматизация тендеров — не разовый проект, а живой процесс. Но, если его правильно запустить, через пару месяцев вы начинаете ловить себя на простой мысли: странно уже работать «по-старому», вручную вылавливая закупки и считать маржу «на салфетке». И это тот момент, когда автоматизация действительно начинает возвращать время, а не только добавлять галочку «мы тоже сделали себе AI».

Три мысли, с которыми хочется вас отпустить

Во-первых, автоматизация в тендерах работает только там, где есть честные цифры по собственным затратам и внятное понимание своей ниши. Без этого любые AI-модели превращаются в красивую декорацию поверх хаоса.

Во-вторых, самые сильные эффекты рождаются не из «идеальной платформы», а из маленьких, но точных сценариев: AI-поиск скрытых закупок, быстрый расчёт маржи, выжимка из ТЗ. По отдельности они уже дают экономию часов, вместе — меняют ритм работы всего отдела.

И в-третьих, автоматизация тендеров — это не про замену людей, а про честное перераспределение: машине — рутину, человеку — решения и ответственность. Когда кофе перестаёт остывать над бесконечными pdf, это довольно ясно чувствуется.

Что ещё важно знать про автоматизацию тендеров

Можно ли обойтись без дорогих платформ для автоматизации тендеров?

Можно, если начать с узких задач и собрать MVP на доступных инструментах. В большинстве кейсов хватает связки парсинга ЕИС, AI-сервиса вроде Yandex Neuro или Google AI и простого оркестратора типа n8n. Такой подход позволяет протестировать гипотезы, увидеть экономию времени и только потом решать, нужна ли тяжёлая платформа. При этом важно заранее продумать хранение данных и права доступа.

А если тендеров мало, есть смысл что-то автоматизировать?

Да, но акцент смещается с поиска на анализ. Если тендеров мало, автоматизация поиска закупок даст ограниченный эффект, а вот быстрый разбор ТЗ и расчёт маржи всё равно сэкономит часы и снизит риски. В небольших компаниях я часто начинаю с простого сценария: загрузили ТЗ, получили выжимку и оценку выгодности. Это помогает не «гореть» на каждом лоте и меньше перегружать руководителей ручными расчётами.

Как понять, что автоматизация тендеров действительно окупилась?

Лучший критерий — сочетание трёх метрик: экономия рабочего времени, изменение количества поданных заявок и динамика по чистой прибыли. Если после внедрения вы тратите меньше часов на просмотр лотов, при этом подаёте меньше «проходных» заявок, а прибыль с тендеров растёт или хотя бы не падает — система работает. Полезно считать и «стоимость» отказа: сколько убыточных тендеров вы перестали брать благодаря автоматическому фильтру.

Можно ли доверить AI подготовку всей заявки на тендер?

Частично да, полностью — нет, и в ближайшие годы это вряд ли изменится. AI уже способен помогать с описанием опыта, формированием технических ответов и проверкой комплектности документов. Но юридическая ответственность и точное соответствие требованиям остаются за людьми. Я бы смотрела на AI как на ассистента, который ускоряет подготовку и подсвечивает риски, а не как на автора заявки.

Что делать, если отдел боится, что AI их «заменит»?

Прямо показать, какие задачи у людей останутся и даже усилятся. На практике автоматизация тендерного процесса снимает монотонный просмотр площадок и ручной ввод, но увеличивает долю работы, где важны переговоры, анализ рисков и взаимодействие с бизнесом. Хорошо работает пилот: дать команде поиграть с системой на реальных тендерах и вместе зафиксировать, сколько времени освободилось. После этого страх обычно сменяется запросом «а давайте ещё вот это автоматизируем».