RFQ — последний неавтоматизированный участок промышленных продаж

Современный завод может в реальном времени контролировать оборудование, прогнозировать техническое обслуживание, оптимизировать производственный график и отслеживать материалы по всей цепочке поставок.

Но в момент, когда клиент присылает RFQ, многие промышленные компании неожиданно возвращаются в другую эпоху.

Запрос приходит по электронной почте, часто в виде набора PDF, Excel-файлов, чертежей и технических примечаний. Менеджер по продажам пересылает его инженерам. Оценщик переносит параметры в Excel. Кто-то ищет похожий проект в старых папках. Снабжение проверяет цены поставщиков, производство оценивает сроки, финансы смотрят маржу, а руководство согласовывает итоговое предложение.

Через несколько дней, после нескольких кругов писем и исправлений, клиент получает коммерческое предложение.

Этот процесс — управление RFQ. В этой статье под RFQ понимается Request for Quotation: запрос клиента, который должен быть превращён в технически корректное, коммерчески обоснованное и готовое к отправке предложение.

Производство становится интеллектуальным, но коммерческое исполнение отстаёт

Промышленный сектор уже не спорит о том, важна ли цифровая трансформация. Разговор сместился от экспериментов к измеримому бизнес-эффекту.

В исследовании Deloitte 2025 Smart Manufacturing and Operations Survey, основанном на ответах 600 руководителей производственных компаний, 92% участников отметили, что интеллектуальное производство станет главным фактором конкурентоспособности в ближайшие три года. Компании, уже внедряющие такие технологии, сообщают об улучшении выпуска продукции, производительности сотрудников и доступных мощностей. [1]

Глобальное исследование Rockwell Automation за 2026 год показывает ту же тенденцию: большинство производителей уже используют технологии smart manufacturing в операционной деятельности, а цифровая трансформация всё чаще рассматривается как условие конкурентоспособности. [2]

Направление очевидно. Компании учатся производить эффективнее, использовать мощности разумнее и принимать операционные решения на основе данных.

Но автоматизация развивается неравномерно. Производство получает датчики, MES, аналитику, системы контроля качества и предиктивное обслуживание. Финансы работают в ERP. Продажи используют CRM. Закупки внедряют sourcing-платформы.

А участок между запросом клиента и готовым коммерческим предложением часто остаётся фрагментированным.

RFQ — это не документ, а межфункциональный процесс принятия решений

Со стороны RFQ может выглядеть как обычный запрос цены. В простом дистрибьюторском бизнесе это действительно может быть так: клиент указывает стандартный продукт и количество, поставщик отвечает ценой и сроком поставки.

В сложных промышленных продажах всё иначе.

Производитель электротехнического оборудования, систем автоматизации, инженерных компонентов, машин или инфраструктурных решений редко получает идеально структурированный запрос. Клиент может описывать бизнес-задачу, а не готовую спецификацию. Документы могут содержать противоречия, отсутствующие параметры или требования, скопированные из старого проекта.

Поставщику нужно понять, что клиент на самом деле хочет получить. Нужно определить, какие требования обязательны, какие можно обсуждать, а какие технически невозможны. Нужно решить, подходит ли стандартный продукт или требуется индивидуальная конфигурация.

Затем инженерия превращает требования в конструкцию или спецификацию. Снабжение проверяет стоимость и наличие компонентов. Производство оценивает загрузку и сроки. Финансы проверяют экономику. Продажи превращают техническую логику в понятное клиенту предложение. Руководство может согласовывать маржу, риски и нестандартные условия.

Поэтому обработка RFQ — это не административная операция. Это точка, где сходятся продажи, инженерия, снабжение, производство и финансы.

Это процесс, через который спрос клиента превращается в потенциальную выручку.

Где теряется ценность

Самая очевидная проблема — время. Подготовка сложного предложения может занимать несколько дней или недель, особенно когда ключевые эксперты уже заняты другими запросами.

Но стоимость ручного RFQ-процесса значительно шире, чем трудозатраты.

Медленный ответ меняет динамику сделки. Поставщик, который первым отправил качественное и понятное предложение, получает возможность раньше обсудить с клиентом допущения, уточнить требования и повлиять на критерии выбора. Технически более сильный конкурент может включиться в разговор слишком поздно.

Вторая проблема — зависимость от отдельных людей. Во многих промышленных компаниях качество предложения зависит от небольшой группы старших инженеров, оценщиков или продуктовых специалистов. Они знают, какие вопросы задать, какие продукты совместимы, какие конфигурации уже не сработали в прошлом и где обычно прячутся скрытые затраты.

Эти знания редко существуют как доступная организационная система. Они живут в личных таблицах, переписках, архивах КП и памяти сотрудников.

Когда такие эксперты заняты, очередь предложений растёт. Когда они уходят, вместе с ними может уйти многолетнее коммерческое и инженерное знание.

Третья проблема — утечка маржи. Ручной перенос информации между документами и системами создаёт множество возможностей для ошибок: требование можно пропустить, устаревшую цену — использовать, дополнительные инженерные работы — не учесть, срок поставки — пообещать без проверки производственной загрузки.

Одна серьёзная ошибка в расчёте может стоить дороже, чем годовая стоимость автоматизации.

Четвёртая проблема — ограниченная пропускная способность. Если каждый RFQ требует много часов внимания старших специалистов, рост продаж начинает зависеть от найма новых людей. Компания не может отвечать на все возможности и вынуждена выбирать, какие запросы заслуживают внимания.

Бизнес проигрывает ещё до того, как клиент сравнил предложения.

AI быстро распространяется, но внедрение ещё не означает ценность

Искусственный интеллект быстро распространяется по корпоративным функциям. McKinsey в глобальном исследовании 2025 года отмечает, что 88% организаций регулярно используют AI хотя бы в одной бизнес-функции. Но только около трети компаний уже начали масштабировать AI на уровне всей организации. [3]

Этот разрыв важен.

Купить доступ к языковой модели легко. Перестроить бизнес-процесс вокруг надёжного, измеримого и контролируемого AI значительно сложнее.

Компании, получающие наибольшую отдачу, не просто добавляют AI к существующей последовательности ручных действий. Они пересматривают движение работы, определяют, какие решения можно автоматизировать, где нужен человек и какие данные требуются системе, чтобы выдавать результат, которому можно доверять.

RFQ хорошо показывает эту разницу. Чат-бот может пересказать техническое задание или написать красивый текст предложения. Это сэкономит немного времени, но не решит главную проблему.

Производителю нужен не текст. Ему нужно технически реализуемое и коммерчески корректное решение.

Система должна связывать требования клиента с каталогами продукции, инженерными правилами, историческими КП, ценами, наличием компонентов, производственными ограничениями, документами соответствия и маршрутами согласования.

Продажи переходят к агентным рабочим процессам

Salesforce State of Sales 2026 показывает, насколько быстро развивается это направление. Девять из десяти команд продаж уже используют AI-агентов или ожидают начать их использование в течение двух лет. Создание коммерческих предложений уже входит в число заметных сценариев применения агентных систем. [4]

Это указывает на новый этап коммерческой автоматизации.

Первое поколение корпоративного AI помогало сотрудникам искать информацию, суммировать документы и генерировать текст. Следующее поколение будет координировать последовательности действий.

RFQ-агент может принять запрос из почты или CRM, определить тип документа, извлечь технические и коммерческие требования, найти недостающую информацию, сравнить запрос с предыдущими проектами, предложить подходящие продукты, подготовить предварительный BoM и отправить экспертам конкретные вопросы.

Затем он может сформировать первый коммерческий черновик, выполнить проверку соответствия и направить предложение на согласование в зависимости от суммы сделки, скидки, риска или ожидаемой маржи.

Человек остаётся частью процесса, но меняется характер работы. Инженеру больше не нужно начинать с пустой таблицы и искать контекст в десятках папок. Система готовит проверяемую первую версию. Инженер проверяет допущения, разрешает исключения и применяет профессиональное суждение.

Это принципиально важно. Цель автоматизации RFQ — не заменить инженеров пресейла и оценщиков. Цель — убрать повторяющуюся механику, чтобы специалисты могли больше времени уделять пониманию задач клиента, проектированию решений и управлению коммерческим риском.

Как выглядит практичная автоматизация RFQ

Практичная автоматизация RFQ начинается с приёма и классификации запроса. Не каждый документ с названием RFQ является простым запросом цены. Некоторые запросы ближе к RFP и требуют проектирования решения. Другие представляют собой квалификационный отбор, предварительное изучение рынка или гибридный пакет с техническими, юридическими и коммерческими этапами.

Система должна сначала понять смысл запроса, а уже потом выбрать сценарий обработки.

Затем исходные материалы превращаются в структурированную матрицу требований. Вместо общего пересказа система должна выделить параметры, количества, стандарты, сроки, сертификаты, контрактные обязательства и коммерческие ограничения. Она должна подсветить пропуски и противоречия, а также сформировать список вопросов к клиенту.

Следующий слой — поиск знаний. Система должна находить похожие проекты, ранее утверждённые решения, релевантные конфигурации, инженерные ограничения, сертификаты, исторические допущения по стоимости и известные риски. Так разрозненный опыт превращается в доступный актив компании.

Для стандартных и конфигурируемых продуктов платформа может предложить предварительный BoM, альтернативы для недоступных компонентов, оценку трудозатрат, предварительную себестоимость и сроки. В сложных engineered-to-order сценариях это не будет финальным автономным ответом, а станет сильным первым черновиком, который снижает нагрузку на старших инженеров.

После проверки экспертом система собирает коммерческий пакет: КП, техническое описание, матрицу соответствия, допущения, исключения, график поставки и сопроводительные документы.

Каждый важный вывод должен быть прослеживаемым. Пользователь должен понимать, какое требование клиента, инженерное правило, запись каталога или исторический кейс повлияли на рекомендацию. Без такой прозрачности быстрая автоматизация может лишь быстрее производить ошибки.

Почему одной языковой модели недостаточно

Современные исследования подтверждают одновременно потенциал и ограничения AI в производстве. Систематический обзор 2025 года по применению больших языковых моделей в цифровом производстве выделяет три ключевые области ценности: оптимизацию производственных процессов, структурирование данных и развитие взаимодействия человека с машиной. Авторы также подчёркивают важность качества данных, изменения ролей сотрудников и этических аспектов. [6]

Другое исследование 2025 года по применению языковых моделей в технических сервисах для производственного оборудования показывает, что LLM могут помогать с исправлением текстов, суммаризацией и ответами на вопросы. Retrieval-Augmented Generation, то есть ответы на основе корпоративных источников, повышает точность и релевантность. При этом галлюцинации и интеграция в реальные рабочие процессы остаются важными барьерами. [7]

Исследование 2026 года о генеративном AI для подготовки строительных тендерных предложений приходит к похожему выводу из другой отрасли: традиционная подготовка bid-пакетов остаётся трудоёмкой и зависит от фрагментированной информации. GenAI может поддерживать и частично автоматизировать процесс, но реальная ценность появляется в интегрированной системе, а не в изолированной генерации документов. [8]

Вывод для промышленных компаний прост: AI лучше всего работает не вместо корпоративных знаний, а вместе с ними — в связке с проверенными источниками, правилами бизнеса и понятным процессом человеческой валидации.

Не нужно ждать идеальных данных, чтобы начать

Частое возражение руководителей звучит так: «Мы ещё не готовы». Цены лежат в ERP, история клиентов — в CRM, данные о продуктах — в Excel, сертификаты — в сетевых папках, согласования — в почте. Перед AI вроде бы нужно сначала завершить большую трансформацию данных.

Интеграция действительно важна. Salesforce Connectivity Benchmark Report 2026 показывает, что 96% IT-руководителей связывают успех AI-агентов с бесшовной интеграцией между системами, а значительная часть уже внедрённых агентов пока работает изолированно. [5]

Но ожидание идеальных корпоративных данных редко является реалистичной стратегией.

Производителю не нужно заменять все основные системы, чтобы улучшить один коммерческий процесс. Можно начать с ограниченного RFQ-контура: одной продуктовой линейки, одной команды продаж или одного типа клиентских запросов.

Компания может определить только те источники данных, которые нужны для этого процесса, проверить решение на исторических RFQ и зафиксировать точки человеческого контроля. Новые источники и категории можно подключать постепенно.

В такой модели автоматизация RFQ не ждёт, пока вся организация станет идеально структурированной. Сам RFQ-процесс становится практическим способом выявлять пробелы в данных, формализовать правила и улучшать качество знаний.

Главный управленческий вопрос — не «какую модель купить?»

Генеральным и коммерческим директорам не нужно оценивать каждую новую языковую модель. Им нужно оценивать эффективность процесса.

Важные вопросы вполне операционные и финансовые. Сколько времени проходит от запроса клиента до первого черновика предложения? Сколько экспертных часов требуется на один RFQ? Сколько запросов команда может обработать в месяц? Какая доля RFQ остаётся без ответа из-за нехватки ресурсов? Как часто предложения возвращаются на исправление? Сколько маржи теряется из-за неточных допущений? Как скорость предложения влияет на win rate?

Цель не в том, чтобы сгенерировать документ за секунды. Цель — выпускать больше точных, конкурентоспособных и коммерчески ответственных предложений без пропорционального роста штата.

Что изменится в 2026–2028 годах

В ближайшие годы несколько тенденций будут менять управление RFQ и коммерческими предложениями.

Во-первых, автоматизация на стороне покупателя и автоматизация на стороне поставщика начнут сближаться. Procurement-платформы уже помогают покупателям находить поставщиков, выпускать запросы, сравнивать предложения и управлять затратами. Следующая волна сильнее затронет поставщиков: интерпретацию запросов, подготовку технических ответов, расчёт решений и управление согласованиями.

Цифровая закупка не может полностью раскрыть потенциал, пока поставщики отвечают вручную.

Во-вторых, универсальные AI-помощники будут уступать место специализированным промышленным системам. Общая модель может прочитать документ и написать связный текст. Но она не понимает сама по себе инженерную логику электрического шкафа, нестандартной машины, металлоизделия или системы автоматизации.

Каждая отрасль имеет свои стандарты, каталоги, структуру себестоимости, правила совместимости и производственные ограничения. Поэтому конкурентные системы будут становиться более вертикальными и доменными.

В-третьих, выбор модели станет менее важным, чем качество окружающего процесса. Компании будут использовать несколько моделей и менять их по мере развития рынка. Долгосрочное преимущество создадут собственные инженерные знания, история КП, правила ценообразования, интеграции и обучение на выигранных и проигранных сделках.

Наконец, human-in-the-loop останется стандартом. В промышленных продажах цена неверной рекомендации слишком высока. AI будет готовить, проверять и рекомендовать. Ответственные эксперты будут утверждать результат и управлять исключениями.

RFQ как конкурентное преимущество

Генеральному директору не нужно разбираться в архитектуре нейросетей, чтобы увидеть узкое место в RFQ. Достаточно задать несколько вопросов.

Сколько времени компания отвечает на серьёзный запрос клиента? Сколько подразделений и сотрудников участвуют в подготовке предложения? Какая часть работы повторяется от одного КП к другому? Что произойдёт, если два ключевых эксперта одновременно окажутся недоступны? Сколько запросов не обрабатывается из-за нехватки ресурсов? Использует ли каждое новое КП знания из прошлых проектов или работа каждый раз начинается с нуля?

Ответы покажут, является ли RFQ управляемой коммерческой способностью или неформальной цепочкой писем, таблиц и индивидуального опыта.

В Musiakaev Lab мы рассматриваем автоматизацию RFQ не как очередной чат-бот, а как соединение требований клиента, инженерных знаний, конфигурации продукта, ценообразования и согласований в один прозрачный процесс.

Победят не обязательно те производители, которые внедрят больше AI-инструментов. Победят те, кто сможет быстрее конкурентов превращать сложный запрос клиента в ясное, точное и экономически обоснованное предложение.

Вопрос уже не в том, можно ли автоматизировать подготовку RFQ. Вопрос в том, сколько ещё производитель может позволить себе оставлять один из важнейших процессов генерации выручки ручным.