AI do przetargów i zamówień publicznych: monitoring i analiza SIWZ

Firma budowlana z Poznania przeglądała ręcznie trzy portale zamówieniowe codziennie rano. Dwie osoby spędzały łącznie 8-12 godzin tygodniowo na sprawdzaniu ogłoszeń, czytaniu SIWZ i decydowaniu, które postępowania w ogóle warto analizować głębiej. Mimo to przegapiły trzy przetargi pasujące do ich profilu w ciągu jednego kwartału — każdy o wartości powyżej 2 mln zł. Problem nie był w braku zasobów, lecz w sposobie pracy: przeszukiwanie ręczne przy 40-60 nowych ogłoszeniach dziennie na jednym tylko portalu jest strukturalnie zawodne.

Zanim agent zacznie monitorować, potrzebuje profilu dopasowania. Profil to zestaw kryteriów: kody CPV, województwa lub zasięg geograficzny, wartość zamówienia (widełki), zamawiający z listy preferowanej lub wykluczonej, słowa kluczowe w tytule i przedmiocie zamówienia.

Profil przechowywany jest jako dokument JSON lub rekord w bazie. Agent odpytuje API portali (Platforma e-Zamówienia udostępnia API REST) lub parsuje RSS/Atom co kilka godzin. Każde nowe ogłoszenie trafia przez klasyfikator dopasowania: wynik 0-100 na podstawie wag przypisanych do kryteriów. Ogłoszenia poniżej progu (np. poniżej 60 punktów) odpadają. Powyżej progu trafiają do kolejki review z podsumowaniem powodów dopasowania.

Kluczowa zasada: klasyfikator podpowiada, człowiek zatwierdza przejście do głębszej analizy. Żaden automat nie składa oferty ani nie odrzuca postępowania bez potwierdzenia.

Specyfikacja Istotnych Warunków Zamówienia potrafi liczyć 80-300 stron. Zawiera warunki udziału, kryteria oceny ofert, opis przedmiotu zamówienia (OPZ), wymagania dotyczące personelu, referencji, ubezpieczeń i terminów.

Pipeline ekstrakcji danych z dokumentacji przetargowej działa w kilku krokach:

1. Pobieranie i parsowanie: PDF/DOCX pobrany z portalu trafia do parsera. Dla skanowanych PDF konieczne jest OCR. Wynik to czysty tekst z zachowaną strukturą sekcji.
2. Chunking i indeksowanie: tekst dzielony na fragmenty (500-800 tokenów z overlapem) i indeksowany w bazie wektorowej. Sprawdź artykuł o firmowym GPT na bazie wiedzy po szczegóły architektury RAG.
3. Ekstrakcja ustrukturyzowana: model LLM z structured output wyciąga pola: warunki udziału (obrót, doświadczenie, personel), termin składania ofert, kryteria oceny z wagami, wymagania formalne (wadium, zabezpieczenie), kary umowne i terminy realizacji.
4. Weryfikacja kompletności: guardrails sprawdzają, czy wszystkie wymagane pola zostały wyciągnięte. Brakujące pola flagowane są do ręcznego uzupełnienia.

Dokładność ekstrakcji dla dobrze sformatowanych SIWZ wynosi 85-95%. Dla skanowanych lub niestandard. dokumentów spada do 65-80% i wymaga obligatoryjnego przeglądu ludzkiego. Nie ma tu miejsca na ślepe zaufanie automatowi.

Po ekstrakcji wymagań agent porównuje je z profilem firmy: czy spełniacie warunki obrotu, czy macie wymagane referencje, czy dysponujecie personelem z certyfikatami wymaganymi w OPZ.

Wynikiem jest raport dopasowania z sekcjami:

• Warunki spełnione: lista wymagań z dowodami (numer referencji, certyfikatu).
• Warunki niespełnione lub wątpliwe: lista braków z sugestią, czy warto ubiegać się o wyjaśnienia zamawiającego.
• Ryzyka kontraktowe: kary umowne powyżej normy (np. >20% wartości), krótkie terminy realizacji, brak prawa opcji, warunki wypowiedzenia.
• Pytania do wyjaśnienia: fragmenty OPZ niejednoznaczne, które agent oznacza jako wymagające interpretacji przez prawnika lub handlowca.

Cały raport to materiał do decyzji — nie sama decyzja. Ostatni krok zawsze należy do człowieka.

Gdy decyzja o starcie zostaje podjęta, agent generuje checklistę dokumentów wymaganych do złożenia oferty: formularz ofertowy, wykaz robót/usług, dowody referencji (nazwy, wartości, daty), polisę OC, KRS/CEIDG, certyfikaty personelu, wadium.

Do każdej pozycji przypisany jest termin cząstkowy (ile dni przed terminem złożenia trzeba ją przygotować) i właściciel wewnętrzny. Lista trafia do systemu zarządzania zadaniami przez integrację (np. n8n z Jira lub Basecamp). To samo narzędzie monitoruje odpowiedzi zamawiającego na pytania do SIWZ i aktualizuje checklistę, gdy zamawiający zmienia wymagania.

Więcej o automatyzacji przepływów z zewnętrznymi systemami znajdziesz w artykule o integracji AI z systemami ERP.

SIWZ i dokumentacja przetargowa to dane publiczne, nie ma tu RODO po stronie zamawiającego. Ale Twoje dokumenty firmowe (referencje, polisy, dane personelu) przechodzące przez system są już danymi firmowymi i potencjalnie osobowymi.

Kilka zasad, które należy spełnić:

• Self-hosting lub umowa powierzenia: jeśli dokument zawiera dane osobowe pracowników (CV do oferty, certyfikaty personalne), przetwarzanie przez zewnętrzny LLM wymaga umowy powierzenia (art. 28 RODO) lub modelu self-hosted. Artykuł o firmowym GPT na bazie wiedzy wyjaśnia, kiedy self-hosting jest uzasadniony ekonomicznie.
• PII masking: imiona, numery PESEL, dane kontaktowe w dokumentach pracowniczych powinny być maskowane przed wysłaniem do modelu chmurowego.
• Ślad audytowy: każda wygenerowana analiza SIWZ powinna być logowana z datą, wersją modelu i operatorem, który ją zatwierdził. To wymóg AI governance i zabezpieczenie w przypadku odwołania konkurenta.

Narzędzie blueprint agenta pomaga zaprojektować architekturę z właściwym podziałem uprawnień i logowaniem.

Nie. Złożenie oferty to czynność prawna z podpisem elektronicznym i odpowiedzialnością prawną. Systemy AI w przetargach działają jako wsparcie analityczne: monitorują, ekstrahują, oceniają i generują checklisty. Decyzja o złożeniu oferty, podpisanie formularza i przesłanie dokumentów należą zawsze do upoważnionej osoby fizycznej. Human-oversight jest tu wymogiem nienaruszalnym.

Dla dobrze sformatowanych dokumentów PDF (natywnych, nie skanów) dokładność ekstrakcji kluczowych pól wynosi 85-95%. Dla dokumentów skanowanych lub o niestandardowej strukturze spada do 65-80%. W każdym przypadku pola oznaczone jako „niekompletne" lub „niska pewność" wymagają przeglądu ludzkiego przed użyciem w decyzji o starcie.

Koszt wdrożenia pipeline'u monitoringu i analizy SIWZ to zwykle 15 000-60 000 zł netto, zależnie od liczby integrowanych portali, złożoności profilu przetargowego i stopnia integracji z istniejącymi systemami. Roczne koszty utrzymania (inferencja, baza wektorowa, monitoring) wynoszą 800-3 000 zł miesięcznie przy wolumenie 20-100 postępowań. Kalkulator ROI pozwala oszacować zwrot dla Twojego wolumenu.

Platforma e-Zamówienia (ezamowienia.gov.pl) udostępnia API REST z możliwością filtrowania po CPV, zamawiającym i dacie publikacji. TED (Tenders Electronic Daily) oferuje OpenData API. BZP (Biuletyn Zamówień Publicznych) wymaga parsowania RSS lub stron HTML. Każdy portal ma inną strukturę danych, więc pipeline potrzebuje oddzielnych adapterów per portal — to standardowy element wdrożenia, nie przeszkoda.

Zamawiający często modyfikują SIWZ lub publikują odpowiedzi na pytania wykonawców. Agent monitoruje zmiany w dokumentacji danego postępowania (odpytując API lub śledząc stronę ogłoszenia) i generuje diff: co się zmieniło, jakie pola checklisty to dotyczy i czy zmiana wpływa na decyzję o starcie. PM lub koordynator oferty dostaje alert z opisem zmiany i rekomendacją przeglądu. Decyzja o aktualizacji oferty należy do człowieka. Więcej wzorców obsługi zmian w artykule o klasyfikacji i routingu zgłoszeń AI.