AI Proposal Generation: как автоматизировать подготовку КП без риска для цифр

AI proposal generation — это не генератор текста поверх шаблона. Это конвейер, который собирает контекст сделки (продукт, объём, историю переговоров), берёт цены и условия из системы-источника правды (прайс, CRM, ERP), и только использует модель для структуры документа и убедительного текста — не для расчёта суммы.

Разделение ответственности здесь критично: менеджер тратит часы не на подбор формулировок, а на сверку цифр вручную. Если цена, скидка и сроки приходят из детерминированного расчёта, а модель отвечает только за текст и адаптацию под клиента, риск ошибки в документе резко падает.

Триггер — переход сделки на этап «КП» в CRM или явный запрос менеджера. Сервис оркестрации собирает контекст: карточку сделки, выбранные позиции каталога, применимые скидки по политике, историю похожих успешных предложений. Модель получает этот контекст и генерирует структуру документа и текст разделов, но не итоговые суммы.

Числовые поля — цена, скидка, итог, сроки — рассчитываются отдельным детерминированным шагом до или после вызова модели и валидируются по схеме перед рендерингом в PDF/DOCX по шаблону. Идемпотентный ключ на сделку и версию КП предотвращает дублирование документов при повторном триггере.

Убедительный текст требует фактов о продукте, кейсах и условиях — и здесь модель особенно уязвима к выдумыванию. RAG по каталогу товаров, актуальным условиям и релевантным кейс-стади ограничивает модель реальными источниками вместо общих знаний.

Каждое фактическое утверждение в тексте КП — характеристика, гарантия, срок поставки — должно быть привязано к источнику в контексте, который можно показать при проверке. Черновик без такой привязки уходит на ручную проверку менеджера перед отправкой, а не сразу клиенту.

Изменение цены за пределами стандартной скидочной сетки, нестандартные условия оплаты и юридически значимые формулировки договора требуют подтверждения человеком — руководителем продаж или юристом — до отправки документа клиенту. Модель может предложить скидку как рекомендацию, но не применяет её самостоятельно.

Каждая версия КП сохраняется с указанием, кто утвердил цифры, какая модель и версия prompt использовались для текста, и какие источники контекста были доступны. Это превращает «AI сгенерировал предложение» в проверяемый и воспроизводимый процесс, а не чёрный ящик.

Операционные метрики — время от триггера до готового черновика, доля КП, отправленных без ручных правок цифр, число итераций до утверждения. Эти метрики показывают, снимает ли система рутину или просто добавляет шаг проверки.

Бизнес-метрики — время от заявки до отправленного КП, конверсия из КП в оплату по сравнению с ручным процессом, число сделок, где скорость подготовки предложения повлияла на выбор клиента. Пилот на одном сегменте каталога за 2–4 недели даёт достаточно данных для решения о масштабировании.