The post has been translated automatically. Original language: Russian
At the beetech conf 2026 IT conference, Datanomix Managing Partner Vitaly Trenkenshou made a presentation that could change the usual rules of the game in the field of B2B sales and public procurement. Using the example of his new technology project bids.do The entrepreneur and IT architect showed how end-to-end AI pipelines are able to fully automate the routine analysis of tenders and the selection of goods from thousands of supplier catalogs.
The main insight of the presentation: the classic keyword search in tender aggregators has finally reached a dead end in scaling. The "stupid" notifications are being replaced by the era of deep semantic matching, where neural networks take over reading complex technical specifications.
Why classic aggregators no longer work: the pain of the market
During the presentation, the speaker vividly described the operational impasse faced by any large supplier. The usual workflow looks like an endless routine: the manager sets up keywords in the aggregator (for example, "laptop"), receives an avalanche of notifications, manually opens each technical assignment and tries to match dozens of customer requirements with his own price list.
If a company has 10,000 or 17,000 items in its catalog, the process breaks down completely. The speaker gave a typical example: a supplier spends hours analyzing specifications, but in 99% of cases the lots go into the trash, because due to one mismatched characteristic, the product does not meet the criteria. Without artificial intelligence, this task can only be scaled by the endless expansion of the staff of tender specialists, which is economically inefficient.
Everything works only for a limited scale. And if you have a product catalog with 10,000 items, try to set up keywords for 10,000 items.
Vitaly Trenkenshu
A breakthrough approach bids.do : two-stage AI pipeline
The project bids.do He suggests completely redesigning this process: the system independently reads the requirements of the tender and searches for ideal matches in the supplier's price list. For example, when the police department publishes a tender for the purchase of laptops with 49 strict technical parameters, the AI does not just search for the word "laptop", but instantly filters the 17,000 price list and issues several specific items that are guaranteed to meet the conditions.
To make such a system economically viable, Vitaly's team has developed a two-stage search architecture.:
- Retriever Stage (Wide Search): A combination of full-text search (BM25) and vector (semantic) search. The goal of this step is to narrow down the giant product catalog to 30-40 potential candidates as quickly and cheaply as possible. The breadth of coverage (recall) is important here, and possible "garbage" is eliminated in the next step.
- The Reranker stage (Deep Analysis): Selected candidates along with the text TK is transferred to the large Language model (LLM). The model evaluates the parameters in detail and makes a final verdict: whether the product is suitable or not.
Main conclusions and practical benefits of the report
Vitaly Trenkenshou's presentation is valuable for his real engineering and business experience, which debunks the myth that simply "uploading data to ChatGPT" is enough to solve complex problems. The speaker highlighted three key findings that will benefit both IT developers and commercial directors.:
1. Fighting the "black box" is the key to business confidence
Business users strongly distrust abstract AI estimates like "85% compliance." Critical features bids.do It has become the case that LLM generates a detailed textual justification for its decision.
The manager sees exactly why the system chose this product or according to which specific clause of the contract (including delivery dates, guarantees and balances) the position did not fit.
2. Cost optimization: AI must be cost-effective
When the system was launched, a head-on pairwise comparison of millions of lots with thousands of goods resulted in projected token costs of $19 million per year. Two architectural optimizations saved the product:
- The introduction of pre-filtering by category (cutting off non-overlapping markets), which reduced costs by 100 times.
- Switching to Listwise Reranking (when a request is sent to the model with a list of 25 products in one context at once), which reduced costs by another 6 times.
3. Solving the problem of rare goods through the enrichment of reference books
Standard ML classification models give up on business reference books for 35,000 classes (extreme classification) due to a lack of training data on rare items. The team dids.do I solved the problem through AI-context enrichment. The system analyzes "semantic neighbors" (classes that are easily confused) and, based on the analysis of 1 million real technical experts, generates discriminator markers that rigidly confirm or deny that a product belongs to a class. This made it possible to achieve an accuracy of 85% even on rare categories.
What's next: The Data Flywheel Concept
At the end of the speech, the speaker noted that the project is developing according to the Data Flywheel principle. The product actively uses AI agents to automate development processes, and every system error or download of a new price list from suppliers only trains algorithms more and makes reference books cleaner.
In the near future bids.do — further reduce the cost of search calls by gradually removing expensive LLMs from the primary stages of matching and replacing them with a more normalized comparison of structured characteristics.
The main outcome of the meeting: AI—based tender sales automation is no longer a concept, but a working business tool. The companies that will be the first to replace routine manual search with smart algorithmic pipelines will win in the procurement of the future.
The original source on the website datanomix.pro :AI instead of the tender department: Vitaly Trenkenshu presented an AI system for smart selection of purchases for businesses
На IT-конференции beetech conf 2026 управляющий партнер компании Datanomix Виталий Тренкеншу выступил с докладом, который может изменить привычные правила игры в сфере B2B-продаж и госзакупок. На примере своего нового технологического проекта bids.do предприниматель и ИТ-архитектор показал, как сквозные AI-конвейеры (end-to-end pipelines) способны полностью автоматизировать рутинный анализ тендеров и подбор товаров из многотысячных каталогов поставщиков.
Главный инсайт выступления: классический поиск по ключевым словам в тендерных агрегаторах окончательно упёрся в тупик масштабирования. На смену «глупым» уведомлениям приходит эпоха глубокого семантического матчинга, где нейросети берут на себя чтение сложных технических спецификаций.
Почему классические агрегаторы больше не работают: боль рынка
В ходе доклада спикер наглядно описал операционный тупик, с которым сталкивается любой крупный поставщик. Обычный процесс работы выглядит как бесконечная рутина: менеджер настраивает в агрегаторе ключевые слова (например, «ноутбук»), получает лавину уведомлений, вручную открывает каждое техническое задание и пытается сопоставить десятки требований заказчика с собственным прайсом.
Если у компании в каталоге 10 000 или 17 000 позиций, процесс полностью ломается. Спикер привел характерный пример: поставщик тратит часы на разбор спецификаций, но в 99% случаев лоты уходят «в мусорку», так как из-за одной несовпадающей характеристики товар не проходит по критериям. Без искусственного интеллекта эта задача масштабируется только бесконечным расширением штата тендерных специалистов, что экономически неэффективно.
Все работает только для ограниченного масштаба. А если у вас каталог товаров на 10 тысяч позиций — попробуйте настроить ключевые слова на 10 тысяч позиций
Виталий Тренкеншу
Прорывной подход bids.do: двухэтапный AI-конвейер
Проект bids.do предлагает полностью перестроить этот процесс: система самостоятельно читает требования тендера и ищет идеальные совпадения в прайсе поставщика. Например, когда департамент полиции публикует тендер на закупку ноутбуков с 49 жесткими техническими параметрами, ИИ не просто ищет слово «ноутбук», а мгновенно фильтрует 17-тысячный прайс и выдает несколько конкретных позиций, которые гарантированно подходят под условия.
Чтобы сделать такую систему экономически жизнеспособной, команда Виталия разработала двухэтапную архитектуру поиска:
- Этап Retriever (Широкий поиск): Комбинация полнотекстового поиска (BM25) и векторного (семантического) поиска. Задача этого шага — максимально быстро и дешево сузить гигантский каталог товаров до 30−40 потенциальных кандидатов. Здесь важна широта охвата (recall), а возможный «мусор» отсеивается на следующем шаге.
- Этап Reranker (Глубокий анализ): Отобранные кандидаты вместе с текстом ТЗ передаются в большую языковую модель (LLM). Модель детально оценивает параметры и выносит финальный вердикт: подходит товар или нет.
Главные выводы и практическая польза доклада
Выступление Виталия Тренкеншу ценно реальным инженерным и бизнес-опытом, который развенчивает миф о том, что для решения сложных задач достаточно просто «закинуть данные в ChatGPT». Спикер выделил три ключевых вывода, которые принесут пользу как ИТ-разработчикам, так и коммерческим директорам:
1. Борьба с «черным ящиком» — ключ к доверию бизнеса
Бизнес-пользователи категорически не доверяют абстрактным ИИ-оценкам вроде «соответствие 85%». Критически важной фичей bids.do стало то, что LLM генерирует развернутое текстовое обоснование своего решения.
Менеджер видит, почему именно система выбрала этот товар или по какому конкретно пункту договора (включая сроки поставки, гарантии и остатки) позиция не подошла.
2. Оптимизация стоимости: ИИ должен быть рентабельным
При запуске системы лобовое попарное сравнение миллионов лотов с тысячами товаров привело к прогнозируемым затратам на токены в размере 19 миллионов долларов в год. Продукт спасли две архитектурные оптимизации:
- Внедрение предварительной фильтрации по категориям (отсечение непересекающихся рынков), что снизило затраты в 100 раз.
- Переход к Listwise Reranking (когда в модель отправляется запрос сразу со списком из 25 товаров в одном контексте), что сократило расходы еще в 6 раз.
3. Решение проблемы редких товаров через обогащение справочников
Стандартные ML-модели классификации пасуют перед бизнес-справочниками на 35 000 классов (extreme classification) из-за нехватки обучающих данных по редким позициям. Команда dids.do решила проблему через ИИ-обогащение контекста. Система анализирует «семантических соседей» (классы, которые легко спутать) и на основе анализа 1 миллиона реальных техспеков формирует дискриминаторы — маркеры, которые жестко подтверждают или опровергают принадлежность товара к классу. Это позволило добиться точности в 85%даже на редких категориях.
Что дальше: концепция Data Flywheel
В финале выступления спикер отметил, что проект развивается по принципу Data Flywheel (маховика данных). Продукт активно использует AI-агентов для автоматизации процессов разработки, а каждая ошибка системы или загрузка нового прайса от поставщиков лишь сильнее обучает алгоритмы и делает справочники чище.
В ближайших планах bids.do — еще сильнее снизить себестоимость поисковых вызовов, постепенно выводя дорогие LLM из первичных этапов матчинга и заменяя их более нормализованным сравнением структурированных характеристик.
Главный итог встречи: Автоматизация тендерных продаж на базе AI — это уже не концепт, а работающий бизнес-инструмент. Победу в закупках будущего одержат те компании, которые первыми заменят рутинный ручной поиск умными алгоритмическими конвейерами.
Первоисточник на сайте datanomix.pro: ИИ вместо тендерного отдела: Виталий Тренкеншу представил AI-систему умного подбора закупок для бизнеса
Share
