AI w procesie ofertowym: gdzie już działa, a gdzie leżą granice

Wprowadzenie

Niewiele tematów jest obecnie tak kontrowersyjnie dyskutowanych w przemysłowych procesach zakupowych jak wykorzystanie AI w przygotowywaniu ofert. Obietnice są duże: automatyczne wyodrębnianie wymagań, inteligentna klasyfikacja, rozpoznawanie norm za jednym kliknięciem. Rzeczywistość jest, jak to często bywa, bardziej złożona.

Ten artykuł przedstawia rzeczowy przegląd stanu techniki, pokazuje, gdzie AI już dziś zapewnia mierzalną wartość, uczciwie wskazuje granice i umieszcza rozwój w kontekście przemysłu kolejowego. Bez marketingowego szumu, lecz z merytoryczną oceną dla menedżerów ofert, którzy chcą wiedzieć, co działa, a co (jeszcze) nie.

Cztery obszary zastosowania w skrócie

AI w procesie ofertowym można podzielić na cztery wyraźnie odrębne obszary zastosowania, z których każdy ma inny poziom dojrzałości:

Wyodrębnianie wymagań: najdojrzalszy przypadek użycia

Automatyczne wyodrębnianie wymagań z nieustrukturyzowanych dokumentów jest obecnie najlepiej rozwiniętym zastosowaniem AI w procesie ofertowym. Problem jest jasno zdefiniowany: specyfikacja wymagań jest dostępna jako dokument PDF lub Word, a wymagania muszą zostać przeniesione jako ustrukturyzowane rekordy danych (ID, tekst, odniesienie do normy, wiążący charakter) do systemu zarządzania wymaganiami.

Siemens zintegrował w 2025 roku funkcje AI Polarion do przygotowywania ofert. Warstwa AI analizuje przychodzące dokumenty przetargowe (RFQ, specyfikacje wymagań) i automatycznie wyodrębnia wymagania bez ręcznego wprowadzania. Według Siemens ma to skrócić czas analizy „z tygodni do godzin”.

W osobnym wpisie na blogu Siemens określa wzrost efektywności na „do 25%”. Należy jednak zachować ostrożność: liczba pochodzi z sektora energetycznego i odnosi się do całego procesu, a nie konkretnie do przemysłu kolejowego. Czy porównywalne korzyści da się osiągnąć w znacznie bardziej nasyconym normami sektorze kolejowym, pozostaje do sprawdzenia.

semantha: AI do oceny wymagań w Polarion

Oprócz natywnych funkcji AI, semantha oferuje wyspecjalizowane rozszerzenie dla Polarion, które koncentruje się na wspieranej przez AI ocenie wymagań. semantha analizuje wymagania semantycznie i może przeszukiwać istniejące bazy wymagań, aby znaleźć podobne wymagania z wcześniejszych projektów. To podejście jest szczególnie istotne dla powtarzających się specyfikacji w przemyśle kolejowym, gdzie wiele wymagań jest formułowanych podobnie w kolejnych przetargach.

Wsparcie klasyfikacji: obiecujące, ale nie autopilot

Automatyczna klasyfikacja wymagań (OK, OKB, NOK, OKM, R) jest naturalnym zastosowaniem AI. Logika jest prosta: jeśli firma ma tysiące już sklasyfikowanych wymagań z wcześniejszych projektów, model uczenia maszynowego może nauczyć się klasyfikować podobne wymagania w podobny sposób.

W praktyce najskuteczniejsze jest podejście wspomagane: AI proponuje wstępną klasyfikację (wraz z poziomem pewności), którą ekspert merytoryczny sprawdza i koryguje. W jednoznacznych przypadkach (wysoka pewność) pozwala to zaoszczędzić znaczną ilość czasu. W przypadkach granicznych (niska pewność) system wyraźnie wskazuje ekspertowi potrzebę sprawdzenia.

Rozpoznawanie norm: możliwy wysoki poziom automatyzacji

Automatyczne rozpoznawanie odniesień do norm w tekście swobodnym to zastosowanie, w którym AI już dziś działa niezawodnie. Zadanie jest jasno zdefiniowane: w tekście takim jak „Należy spełnić wymagania ochrony przeciwpożarowej zgodnie z DIN EN 45545-2:2020 w kategorii zagrożenia HL3” trzeba rozpoznać i sklasyfikować odniesienia DIN EN 45545-2:2020 oraz HL3.

Szacowany wskaźnik rozpoznawania przez systemy AI według typu odniesienia (ocena jakościowa, nieoparta na konkretnym badaniu).

Wyzwanie leży mniej w samym rozpoznaniu niż w dalszym przetwarzaniu: czy rozpoznana norma jest aktualna? Czy istnieje nowsza wersja? Czy norma odwołuje się do kolejnych norm, które obowiązują pośrednio? Analiza tych odwołań krzyżowych wymaga aktualnej bazy norm. Temat ten omawiamy szerzej w naszym artykule Zgodność z normami w przetargach.

Kierowanie do ekspertów: AI jako system rekomendacji

Automatyczne przypisywanie wymagań do działów specjalistycznych jest zastosowaniem, które silnie zależy od jakości danych historycznych. Firmy, które starannie dokumentowały przypisania w poprzednich projektach, mogą wytrenować model generujący propozycje przypisań dla nowych wymagań.

Jak opisano w naszym artykule Kierowanie do ekspertów w przetargach, działa to dobrze w przypadku wymagań, które można jednoznacznie przypisać (ochrona przeciwpożarowa → zespół ochrony przeciwpożarowej), ale napotyka granice przy wymaganiach przekrojowych. Najskuteczniejsze podejście pozostaje takie samo: AI proponuje, człowiek sprawdza i koryguje.

Uczciwe granice: czego AI (jeszcze) nie potrafi

Oprócz ograniczeń specyficznych dla poszczególnych zastosowań istnieją fundamentalne ograniczenia, które menedżerowie ofert powinni znać:

1. Brak kontekstu projektu

System AI nie zna konkretnej koncepcji pojazdu. Nie wie, że klient wymaga niskopodłogowego BEMU o prędkości maksymalnej 160 km/h, podczas gdy firma oferowała dotąd tylko platformy 140 km/h. Klasyfikacja „OKM: z dostosowaniem układu napędowego” wymaga wiedzy inżynierskiej, której model językowy nie posiada.

2. Odpowiedzialność i możliwość udowodnienia

Każda klasyfikacja w ofercie stanowi wiążące zobowiązanie. Jeżeli system AI zaproponuje dla wymagania „OK”, a ekspert przejmie tę propozycję bez sprawdzenia, w przypadku sporu odpowiada firma, a nie algorytm. ISO 22163:2023 wymaga pełnej identyfikowalności: kto podjął jaką decyzję i na jakiej podstawie? „Zaproponowała to AI” nie jest akceptowalnym dowodem.

3. Poufność i ochrona danych

Specyfikacje wymagań są dokumentami poufnymi. Zawierają szczegóły dotyczące planowanej infrastruktury transportowej, specyfikacji technicznych i warunków handlowych. Przetwarzanie przez chmurowe systemy AI (zwłaszcza LLM-y, takie jak GPT-4 lub Claude) rodzi uzasadnione pytania:

• Czy dane są wykorzystywane do trenowania modelu?
• Gdzie dane są przetwarzane i przechowywane (zgodność z RODO)?
• Czy zamawiający może zakazać przekazywania swoich dokumentów zewnętrznym dostawcom?

4. Ryzyko halucynacji

Generatywne modele AI mogą tworzyć wiarygodnie brzmiące, lecz merytorycznie błędne stwierdzenia — zjawisko znane jako „halucynacja”. W kontekście ofertowym byłoby to fatalne: system AI, który przywołuje nieistniejącą normę lub proponuje błędną ocenę zgodności, może prowadzić do błędnych ofert. Dlatego ludzka kontrola propozycji AI nie jest opcjonalna, lecz bezwzględnie konieczna.

Architektura praktyczna: osadzenie AI w procesie ofertowym

Najskuteczniejsza integracja AI z procesem ofertowym opiera się na schemacie „AI proponuje, człowiek decyduje”. Platformy takie jak Tendric stawiają właśnie na taką architekturę:

Przegląd rynku: co jest dostępne

Krajobraz narzędzi AI do przygotowywania ofert można z grubsza podzielić na trzy kategorie:

1. Zintegrowane AI w systemach ALM

Siemens Polarion od 2025 roku oferuje natywne funkcje AI. Obejmują one wyodrębnianie wymagań z dokumentów przetargowych, analizę semantyczną i łączenie z istniejącymi bazami danych. Hitachi Rail zintegrował już Polarion ze swoimi procesami projektowymi.

2. Rozszerzenia AI dla istniejących systemów

semantha jest przykładem wyspecjalizowanego rozszerzenia AI, które podłącza się do istniejących instalacji Polarion. Zaletą jest to, że firmy mogą stopniowo dodawać funkcjonalność AI bez zastępowania istniejącego systemu ALM.

3. Wyspecjalizowane platformy

Oprócz dużych dostawców ALM powstają wyspecjalizowane platformy skupiające się na wspieranym przez AI przygotowywaniu ofert, z niższym progiem wejścia niż Polarion lub DOORS, lecz z ukierunkowanym wsparciem dla wyodrębniania, klasyfikacji i eksportu specyfikacji technicznej. Tendric jest przykładem tego podejścia: platforma łączy wspierane przez AI wyodrębnianie wymagań z ustrukturyzowaną klasyfikacją i kierowaniem do ekspertów, bez narzutu pełnego systemu ALM. Takie narzędzia są skierowane szczególnie do średnich dostawców, dla których Polarion lub DOORS są zbyt rozbudowane.

Strategia wdrożenia: jak firmy zaczynają

Firmy, które chcą wprowadzić AI do swojego procesu ofertowego, korzystają z podejścia etapowego:

Zalecana kolejność wdrożenia według dojrzałości i ryzyka (własna ocena).

Faza 1 (wyodrębnianie) zapewnia najszybszy zwrot z inwestycji przy najmniejszym ryzyku: wynikiem jest ustrukturyzowana lista wymagań, którą ludzie sprawdzają przed dokonaniem jakiejkolwiek oceny. Wyspecjalizowane platformy, takie jak Tendric, umożliwiają takie etapowe wejście bez konieczności pełnej migracji ALM. Fazy 3–5 wymagają własnych danych treningowych firmy (historycznych klasyfikacji i przypisań), dlatego ich wdrożenie jest bardziej wymagające.

Podsumowanie

AI w procesie ofertowym nie jest panaceum ani chwilową modą; to narzędzie o wyraźnych mocnych stronach i równie wyraźnych granicach. Wyodrębnianie wymagań i rozpoznawanie norm są dziś dojrzałe do zastosowania produkcyjnego. Wsparcie klasyfikacji jest obiecujące, ale nie jest autopilotem. Ostateczna ocena, decyzja handlowa i odpowiedzialność pozostają po stronie człowieka.

Dla menedżerów ofert w przemyśle kolejowym kluczowe pytanie nie brzmi „Czy powinienem stosować AI?”, lecz „Gdzie stosuję AI, a gdzie wyraźnie nie?”