Ваш відділ закупівель — це вузьке місце: як побудувати AI-агента за моделлю Google DeepMind Co-Scientist

Архітектура, що керує R&D, може керувати й вашими тендерами

Більшість керівників досі сприймають автоматизацію закупівель як «розумніші форми» — цифровий шар поверх того самого повільного процесу з людськими воротарями на кожному кроці. Це хибна рамка, і вона коштує компаніям значно більше, ніж вони усвідомлюють. Справжня можливість — не оцифрувати паперову роботу. А замінити весь цикл прийняття рішень системою, яка генерує, оцінює й ранжує варіанти самостійно — так само, як Google DeepMind Co-Scientist управляє науковими дослідженнями.

Доказ того, що ця архітектура працює у масштабі, вже існує. Він опублікований у Nature. І структурна логіка за ним відображає корпоративні закупівлі з незручною точністю — а значить, компанії, що першими побачать цю паралель, отримають суттєву фору. Про те, як ця фора виглядає на практиці й що потрібно для її побудови, — ця стаття.

Gartner прогнозує, що до 2028 року AI-агенти опосередковуватимуть понад $15 трлн у B2B-витратах — 90% усіх B2B-закупівель оброблятимуться автономно. Ця цифра звучить абстрактно, доки не усвідомиш, що вона означає одне: компанії, які до того часу не побудують агентну інфраструктуру закупівель, не будуть повільними. Вони будуть структурно неконкурентоспроможними.

Питання не в тому, автоматизувати закупівлі чи ні. Питання в тому, чи розумієте ви архітектуру достатньо добре, щоб зробити це правильно.

Що насправді робить Google DeepMind Co-Scientist — і чому це важливо для закупівель

У травні 2026 року Google DeepMind опублікував дослідження Co-Scientist у Nature. Система — це мультиагентний AI на базі Gemini, який, за словами офіційного блогу DeepMind, «ітеративно генерує, дискутує й розвиває нові гіпотези для складних наукових проблем». Це не одна модель, що робить усе — це коаліція спеціалізованих агентів, кожен із чіткою роллю, скоординованих супервізором.

Згідно з офіційною документацією Google Cloud, архітектура Co-Scientist включає шість спеціалізованих агентів, що працюють послідовно й паралельно:

• Агент генерації — досліджує літературу, синтезує знахідки, формулює початкові гіпотези
• Агент рефлексії — виступає рецензентом, перевіряє коректність і якість
• Агент ранжування — оцінює й пріоритизує пропозиції через турнір за алгоритмом Elo
• Агент еволюції — вдосконалює найкращі гіпотези, заземлюючи їх у даних і комбінуючи ідеї
• Агент близькості — організовує матчі й усуває дублювання результатів
• Агент мета-рецензії — синтезує всі рецензії в єдину дослідницьку дорожню карту

Система використовує асинхронний фреймворк виконання завдань, що дозволяє масштабувати обчислення під час інференсу — тобто чим більше часу ви їй даєте, тим ретельнішою вона стає, без людського втручання на кожному кроці.

Тепер перечитайте цей список, замінивши «гіпотези» на «пропозиції постачальників», а «наукову літературу» — на «закупівельну політику, історію контрактів і ринкові цінові дані». Структурний збіг майже точний.

Суть не в тому, що закупівлі схожі на науку. Суть у тому, що обидві — це фундаментально одна й та сама задача: генерувати варіанти, оцінювати їх за критеріями, ранжувати, вдосконалювати найкращі й видавати обґрунтовану рекомендацію — без людського вузького місця на кожному етапі.

Один підтверджений результат проекту Co-Scientist робить ставки конкретними: система відтворила неопубліковані висновки про механізми переносу бактеріальних генів за два дні — висновки, на отримання яких у традиційних дослідженнях пішло понад десятиліття. Механізм, що забезпечив це стиснення, — не груба інтелектуальна потужність. Це архітектура: паралельні агенти, безперервна критика, ранжування через турнір, жодного очікування, поки один експерт знайде час.

Ваш закупівельний цикл має те саме вузьке місце. Просто воно носить інше ім'я — «черга на погодження».

Схема: як адаптувати архітектуру Co-Scientist для корпоративних закупівель

Переклад із R&D у закупівлі — не метафоричний. Він структурний. Ось як кожен шар архітектури Co-Scientist відображається на реальний закупівельний процес — і що потрібно для побудови кожного.

Шар 1: Агент генерації — автоматичний пошук постачальників і складання RFP

У Co-Scientist агент генерації досліджує літературу й формулює початкові гіпотези на основі даних. У закупівлях завдання цього агента — сканувати ринок постачальників, витягувати актуальні цінові орієнтири, зіставляти їх із внутрішніми даними про витрати за категоріями й складати початковий RFP або шортлист.

На практиці це означає підключення агента до трьох джерел даних: вашої ERP або системи управління витратами (SAP Ariba, Coupa або аналогів), ринкового інформаційного фіду для цінових орієнтирів і вашої бази даних контрактів. Агенту не потрібна велика модель — добре налаштований LLM середнього розміру з надійним доступом до цих джерел перевершить більшу модель без заземлення.

Результат цього шару — не фінальне рішення. Це структурований набір варіантів — кандидати-постачальники з прикріпленими доказами — який наступний шар може оцінити.

Шар 2: Агенти рефлексії й ранжування — автоматична перевірка відповідності й скоринг

Тут більшість проектів автоматизації закупівель зупиняються надто рано. Вони будують шар генерації, захоплюються результатом і одразу передають його людині-погоджувачу. Це не агент — це вишуканий пошуковик.

Агент рефлексії Co-Scientist виступає рецензентом: перевіряє кожну гіпотезу на коректність, якість і безпеку перед тим, як вона просувається далі. У закупівлях це прямо відповідає перевірці відповідності: чи відповідає цей постачальник вашим ESG-критеріям? Чи актуальні його сертифікати? Чи відповідає запропонована структура контракту вашим юридичним шаблонам? Чи вкладається ціна в порогові значення політики?

Агент ранжування потім застосовує турнір за алгоритмом Elo — той самий, що використовується в шахових рейтингах — для оцінки пропозицій одна відносно одної, а не за фіксованою шкалою. Це важливо, бо закупівельні рішення за природою порівняльні: ви запитуєте не «чи хороший цей постачальник?», а «чи кращий він за альтернативи з урахуванням наших поточних обмежень?»

Для побудови цього шару потрібні дві речі: структурований набір правил відповідності (він у вашої юридичної команди й відділу закупівель вже є, просто не в машиночитаній формі) і система скорингу, що зважує критерії за категорією — ціна, надійність постачання, ESG-оцінка, гнучкість контракту. Агент не вигадує критерії. Він застосовує їх швидше й послідовніше, ніж будь-який людський комітет.

Шар 3: Агенти еволюції й мета-рецензії — підготовка до переговорів і пакетування рішення

Агент еволюції в Co-Scientist вдосконалює найкращі гіпотези, заземлюючи їх у додаткових даних і комбінуючи найсильніші елементи кількох ідей. У закупівлях це шар підготовки до переговорів: агент бере постачальників із найвищим рейтингом, визначає конкретні умови, де кожен має важелі впливу, і генерує переговорний бриф — на чому тиснути, де поступитися, яка точка виходу з переговорів на основі ринкових даних.

Агент мета-рецензії потім синтезує все в єдиний структурований пакет рекомендацій: шортлист, обґрунтування скорингу, статус відповідності, переговорний бриф і зведення ризиків. Саме це потрапляє на стіл CPO або CFO — не стос відповідей постачальників, а документ, готовий до прийняття рішення.

Роль керівника зміщується від обробки інформації до оціночного судження щодо вже проаналізованої рекомендації. Це не дрібна зміна. За даними дослідження The Hackett Group Key Issues Study 2025, навантаження на закупівлі зростатиме на 10%, тоді як бюджети — лише на 1%. Закрити цей розрив без нарощування штату можна лише одним способом: перенести когнітивне навантаження з людей на агентів — і зробити це там, де зараз втрачається найбільше часу.

Коли рада директорів запитує, як ви управляєте ризиками закупівель у масштабі, відповідь не повинна бути «у нас хороша команда». Вона має бути «у нас система, що перевіряє кожного постачальника за 47 критеріями відповідності до того, як людина побачить шортлист». Одна відповідь будує впевненість. Інша — залежність.

Шар 4: Супервізор — оркестрація й людина в контурі

Co-Scientist використовує агента-супервізора для координації спеціалізованих агентів, розподілу завдань і управління асинхронним фреймворком виконання. Це шар, який більшість корпоративних AI-проектів недооцінюють — і де більшість із них зазнають невдачі.

Супервізор — не просто маршрутизатор. Він управляє станом усього процесу: знає, які постачальники ще очікують перевірки відповідності, які RFP прострочені, які переговори тривають і які погодження заблоковані. Це оперативна пам'ять системи.

У закупівлях супервізор також управляє точками залучення людини. Не кожне рішення має бути повністю автономним. Контракти на суму вище визначеного порогу, стратегічні відносини з постачальниками й будь-який постачальник, позначений через геополітичний ризик, мають потрапляти до людини-погоджувача — але з повним досьє, підготовленим агентною системою, а не сирою купою документів.

Це той самий принцип, який Google DeepMind прямо декларує для Co-Scientist: система є «партнером у дослідженнях, а не заміною наукової чи клінічної експертизи». Той самий принцип діє тут. Мета — не прибрати людське судження із закупівель. Мета — забезпечити, щоб воно застосовувалося до правильних рішень, а не до адміністративної обробки.

Для детальнішого розгляду того, як вибудувати управління навколо автономних агентів без створення нових ризиків, стаття про архітектуру AI-агентів і урок Nvidia щодо ROI детально розбирає питання харнесу.

Впровадження: як виглядає розгортання насправді

Дані The Hackett Group вказують на 9% розрив між зростанням навантаження на закупівлі й зростанням бюджетів. Закрити його за допомогою агентної системи — не одноразове розгортання, а поетапна побудова. Ось як виглядає реалістичний план на три фази.

Фаза 1 — Вузький пілот (тижні 1–8): Оберіть одну категорію закупівель із високим обсягом транзакцій і низькою стратегічною складністю. Непрямі витрати — канцтовари, ліцензії на програмне забезпечення, послуги з обслуговування приміщень — стандартна відправна точка. Розгорніть лише агентів генерації й ранжування. Виміряйте скорочення циклу й рівень відповідності відносно вашого базового показника. Не намагайтеся автоматизувати погодження ще.

Фаза 2 — Шар відповідності й скорингу (тижні 9–20): Додайте агента рефлексії з закодованим набором правил відповідності. Це фаза, що вимагає найбільшої внутрішньої роботи — юридична служба, фінанси й закупівлі мають погодити машиночитані критерії. Вона ж приносить найбільш видимий ROI, бо усуває перекидання між закупівлями й юристами, яке зараз додає тижні до кожного циклу.

Фаза 3 — Повна оркестрація (тижні 21–36): Розгорніть супервізора, підключіть агентів еволюції й мета-рецензії, визначте порогові значення для залучення людини. На цьому етапі система обробляє повний цикл для вашої пілотної категорії. Розширюйте на додаткові категорії на основі даних із фаз 1 і 2.

За даними досліджень, на які посилається SupplyChainBrain, успішні розгортання AI у закупівлях стабільно слідують одній послідовності: пілот на вузькому кейсі, вимірювання ROI за конкретними критеріями, потім розширення через перепроектування процесів навколо агента, а не додавання його як надбудови. Переломна точка — де система починає генерувати накопичувальну віддачу — настає саме на третьому кроці.

Важлива структурна ремарка: той самий аналіз SupplyChainBrain виявив, що AI-інструменти, побудовані через партнерство із зовнішніми вендорами, успішні приблизно вдвічі частіше, ніж внутрішні розробки, — що свідчить: доменна експертиза в проектуванні закупівельних процесів важливіша за складність моделі. Вам не потрібно будувати базовий LLM. Вам потрібно побудувати архітектуру процесу й підключення до даних.

Для команд, що прораховують економіку перед тим, як зобов'язатися до побудови, фреймворк аналізу точки окупності AI-агента дає структурований спосіб змоделювати цифри відносно вашого поточного штату й витрат на цикл.

Ризики, які потрібно закласти в дизайн

Автономний агент закупівель із доступом до вашої ERP, бази контрактів і платіжних систем постачальників — це ціль із високою цінністю: і для зовнішніх атак, і для внутрішніх збоїв процесу. Дві категорії ризиків потребують явної уваги на етапі проектування.

Ін'єкція промптів і отруєння даних. Постачальник, який знає, що ваш агент оцінює його пропозицію, може спробувати вбудувати в подані документи інструкції, що маніпулюють скорингом агента. Це не теоретично — задокументований вектор атаки для будь-якого агента, що обробляє зовнішні документи. Шар агента рефлексії — ваш основний захист: він має ставитися до всього контенту, поданого постачальниками, як до ненадійного вводу й оцінювати його лише за внутрішніми критеріями. Детальний розбір цього класу загроз є у статті про приховані AI-інструкції в документах і ін'єкцію промптів — варто прочитати до фіналізації архітектури.

Дублювання платежів і помилки пам'яті. Агентні системи, що управляють процесами погодження, можуть за певних умов збою обробити один і той самий рахунок або погодження двічі. Це не гіпотетичний крайній випадок — задокументований режим відмови в реальних розгортаннях. Детальніше про те, як агенти помиляються з пам'яттю й платежами, — у статті про WikiSkill від Google і помилки AI-агентів. Вбудовування перевірок ідемпотентності в кожен крок, пов'язаний із платежами, — не опція, а обов'язкова умова.

Управління й аудиторський слід. Кожне рішення агентної системи має логуватися з повним ланцюжком міркувань — які постачальники розглядалися, які перевірки відповідності виконувалися, які критерії визначили ранжування. Це не просто хороша практика — це фундамент вашого аудиторського захисту, якщо закупівельне рішення колись буде оскаржено.

FAQ

Чим AI-агент для закупівель відрізняється від наявних e-procurement платформ на кшталт SAP Ariba або Coupa? Наявні платформи оцифровують закупівельний процес — роблять форми електронними, а погодження відстежуваними. AI-агент, побудований за архітектурою Co-Scientist, не просто переміщує документи через процес — він генерує варіанти, оцінює їх за критеріями, ранжує й видає рекомендації автономно. Різниця між цифровою картотекою й системою, що сама виконує аналіз.

Чи потрібно будувати це з нуля, чи можна використати наявні агентні фреймворки? Базові моделі будувати не потрібно. Фреймворки на кшталт LangGraph, AutoGen або Google Agent Development Kit забезпечують шар оркестрації. Що потрібно побудувати — і що вимагає внутрішньої експертизи — це архітектура процесу, підключення до вашої ERP і контрактних систем, і набір правил відповідності, який агент рефлексії застосовуватиме.

Який мінімально життєздатний варіант цієї системи для компанії середнього розміру? Система з двох агентів — агент генерації, підключений до ваших даних про витрати, і агент ранжування з базовою системою скорингу — може суттєво скоротити час циклу для категорій непрямих витрат. Вам не потрібні всі шість шарів архітектури Co-Scientist, щоб отримати цінність. Починайте з генерації й ранжування, вимірюйте результати й розширюйтеся звідти.

Як обробляти вимогу залучення людини для контрактів із високою вартістю? Визначте поріг — за вартістю контракту, категорією постачальника або позначкою ризику — вище якого система направляє до людини-погоджувача з повним досьє. Агент готує рекомендацію; людина приймає фінальне рішення. Це точна модель, яку Google DeepMind використовує для Co-Scientist: система виводить гіпотези, люди вирішують, які тестувати.

Які дані потрібні системі для ефективної роботи? Мінімум: історичні дані про витрати за категоріями, ваш реєстр постачальників зі статусом відповідності, шаблони контрактів і порогові значення політики, а також ринковий фід цінових орієнтирів для категорій, що автоматизуються. Якість результатів агента прямо пропорційна якості й повноті цих джерел даних.

Коли чекати вимірюваного ROI? За описаною вище схемою розгортання більшість організацій бачать вимірюване скорочення часу циклу вже в перші 8 тижнів пілотної фази. Повний ROI — включно зі скороченням витрат на відповідність і покращенням переговорів — зазвичай стає видимим у діапазоні 6–12 місяців після розгортання фази 3.

---

Архітектура Co-Scientist стала публікацією в Nature не тому, що вона дотепна. А тому що вона працює — бо мультиагентний цикл «генерувати, критикувати, ранжувати, вдосконалювати, синтезувати» справді ефективніший за будь-якого одного експерта, що послідовно вирішує ту саму задачу.

Ваш закупівельний процес — це той самий один експерт. Послідовний, заблокований на кожному кроці людською доступністю, масштабується лінійно зі штатом. Архітектура, що стиснула десятиліття наукових досліджень до двох днів, використовує ту саму структурну логіку, яка потрібна вам, щоб стиснути шеститижневий тендерний цикл до шести днів.

Керівники, що першими побачать цю паралель — і побудують відповідно — будуть тими, на кого їхні ради директорів через три роки вкажуть як на причину, чому структура витрат компанії виглядає інакше, ніж у кожного конкурента. Не тому що вони впровадили AI, а тому що зрозуміли, яку архітектуру впроваджувати й чому.

Подивіться на ваші останні п'ять закупівельних циклів. Порахуйте дні, втрачені в чергах погодження, перекиданні між відповідальними за відповідність і роботі з порівняння постачальників, яку добре спроектована агентна система виконала б до того, як людина взагалі побачила б файл. Ця цифра — ваша відправна точка. Що з нею робити — ваше рішення.