Менеджер з продажів отримує запит від клієнта о 10:00. До 13:00 він вручну зводить таблицю, перевіряє ціни в прайсі, рахує знижки, копіює все в шаблон Word, конвертує в PDF і надсилає. Три години — на одне комерційне речення. Якщо таких запитів 20 на тиждень, це 60 годин на місяць лише одного менеджера. А тепер уявіть, що цей самий процес займає 12–15 хвилин. Саме про це — ця стаття.
Ми розберемо, як AI автоматизує складання кошторисів у B2B-компаніях: не абстрактно, а покроково — від отримання специфікації клієнта до готового PDF з вашим логотипом. Розглянемо конкретні інструменти, розрахуємо реальні прихованих витрати ручного процесу та дамо план впровадження на два тижні.
Стаття орієнтована на операційних директорів і керівників відділів продажів компаній від 20 до 150 осіб: IT-підрядників, виробників, оптовиків, сервісних компаній. Тих, у кого менеджери щодня витрачають години на завдання, яке машина може зробити за хвилини.
Чому кошторис вручну — це прихований збиток
Більшість керівників сприймають ручне кошторисування як норму. «Ну, менеджер складає КП — що тут такого?» Проблема в тому, що реальна вартість цього процесу ніколи не підраховується. Вона розчиняється у зарплатах, втрачених угодах і затримках відповіді.
Скільки часу витрачає менеджер на одне КП насправді
Якщо запитати менеджера, скільки часу займає підготовка комерційної пропозиції, він скаже «хвилин 40». Але якщо хронометрувати весь ланцюжок — картина інша:
- Прочитати і зрозуміти специфікацію клієнта: 15–25 хвилин (особливо якщо вона прийшла у вільному форматі — листом або через мессенджер).
- Знайти потрібні позиції в прайсі або каталозі: 20–40 хвилин (якщо каталог у Excel на 3 000 рядків або розбитий по кількох таблицях).
- Порахувати вартість з урахуванням знижок, умов оплати, строків: 15–30 хвилин.
- Скласти документ — внести в шаблон Word, перевірити форматування: 20–30 хвилин.
- Конвертувати в PDF, надіслати, зафіксувати в CRM: 5–10 хвилин.
Разом — від 75 до 135 хвилин. На практиці більшість опитаних нами B2B-компаній (не будівельних) називали цифру 2–3 години на одне нетипове КП. Типові, з якими менеджер вже вправлявся, — 45–60 хвилин.
Розрахунок прихованих витрат для компанії 20–50 осіб
Давайте порахуємо на конкретних цифрах для українського ринку 2026 року.
Припустимо: компанія з 5 менеджерами у відділі продажів готує в середньому 60 КП на місяць. Кожне займає в середньому 2,5 години. Ставка менеджера — 200 грн/год (середня для B2B-продажника на ставці 40 000 грн/міс у Києві або 30 000 грн/міс у регіоні).
Формула: 60 КП × 2,5 год × 200 грн/год = 30 000 грн/міс
Це лише прямий час. Не враховано: – помилки в розрахунках, через які компанія або недоотримує маржу, або програє угоду через зависокі ціни; – затримку відповіді — клієнт, що чекав КП дві доби, міг піти до конкурента, який відповів за годину; – час керівника на перевірку і виправлення КП перед відправкою.
При вищій завантаженості — 100 КП/міс і ставці 250–300 грн/год — ця сума легко сягає 60 000–90 000 грн на місяць прихованих витрат. Саме ці гроші «з’їдаються» непомітно, бо вони не йдуть окремим рядком у фінансовому звіті.
Типові помилки при ручному кошторисуванні і їх ціна
Людина, яка складає КП вручну, неминуче помиляється. Це не питання компетентності — це питання концентрації і обсягу даних.
Найпоширеніші помилки:
Неактуальні ціни. Прайс оновили тиждень тому, але менеджер відкрив стару версію. Відправив КП з цінами, що більше не діють. Або клієнту дали занижену вартість (збиток для компанії), або клієнт отримав рахунок вище КП і розсердився.
Неправильна знижкова логіка. Менеджер застосував знижку 10% до всіх позицій, хоча за регламентом на деякі категорії знижка не поширюється. Кожна така помилка — від 500 до 5 000 грн недостачі маржі.
Пропущені позиції. Клієнт в специфікації написав «і ще монтаж», але менеджер забув додати цю рядок. КП підписали, роботи виконали — а платити нема кому.
Копіпаст з попереднього КП. Менеджер взяв попереднє КП як шаблон, забув замінити назву клієнта або умови. Відправив документ з ім’ям іншої компанії.
За оцінкою, кожна з цих помилок виникає в середньому раз на 10–15 КП. При 60 КП на місяць — це 4–6 помилок щомісяця. Якщо середня «ціна» помилки — 2 000 грн, то ще 8 000–12 000 грн прихованих збитків.
Як AI автоматизує процес — від вхідного запиту до готового PDF
Тепер до практики. Ось конкретний сценарій для IT-аутсорс-компанії, що отримує запити від клієнтів на розробку або підтримку.
Клієнт надсилає листа: «Нам потрібно розробити мобільний застосунок: iOS і Android, авторизація через Google, профіль користувача, push-сповіщення, інтеграція з нашим API. Плюс дизайн-макети. Скільки це коштуватиме і скільки часу?»
Раніше: менеджер читає, прикидує в голові, йде до тімліда, разом рахують на коліні, менеджер зводить у таблицю, тімлід перевіряє. 2–4 години.
З AI: автоматизований агент отримує лист, розпізнає вимоги, підтягує стандартні оцінки з бази знань, розраховує бюджет, генерує PDF з брендуванням. Менеджер бачить готовий документ, перевіряє 2 хвилини, натискає «Надіслати». 12–15 хвилин.
Ось як виглядає кожен крок технічно.
Крок 1 — розпізнавання специфікації (OCR, структурований ввід, email-парсинг)
Вхідний запит може прийти у різних форматах: – Текстовий лист на email. – PDF або Word-документ з технічним завданням. – Таблиця Excel зі специфікацією. – Повідомлення в месенджері (Telegram, Viber). – Веб-форма на сайті.
AI-агент обробляє всі ці формати. Для документів застосовується OCR (оптичне розпізнавання символів) — якщо документ у форматі скану або нередагованого PDF. Для структурованих форматів (Excel, CSV) — парсинг (автоматичне зчитування даних за заданою логікою). Для вільного тексту — LLM-модель (велика мовна модель, наприклад GPT-4o або Claude) витягує структуровані дані: список послуг/товарів, кількості, терміни, умови.
Важливий момент: якість розпізнавання прямо залежить від якості специфікації. Про це — у розділі про помилки нижче.
Крок 2 — матчинг з каталогом і нормативами
Після того як AI розпізнав вимоги, він має зіставити їх з вашою базою даних: прайсом, каталогом послуг, нормативами.
Це робиться через векторний пошук (semantic search) або класичний пошук по ключових словах, залежно від розміру каталогу. Якщо в клієнта написано «мобільний застосунок для iOS» — система знаходить відповідну позицію з вашого прайсу: «Розробка нативного iOS-застосунку (базова версія)», отримує стандартний обсяг і ставку.
Для виробничих або торгових компаній з каталогами у тисячі позицій — ця частина вимагає більш ретельного налаштування. Але навіть тут AI значно швидший за ручний пошук: замість 40 хвилин на матчинг 30 позицій — 30 секунд.
Крок 3 — автоматичний розрахунок вартості і знижок
Коли позиції знайдені, агент застосовує логіку ціноутворення: базові ціни, умовні знижки (за обсягом, за типом клієнта, за терміном оплати), ПДВ, умови доставки або монтажу.
Логіка задається правилами, які ви самі описуєте один раз при налаштуванні: «якщо загальна сума перевищує 100 000 грн — знижка 5%», «якщо клієнт категорії VIP — знижка 10% на всі позиції», «якщо терміни до 5 днів — надбавка 20%».
AI не вигадує правила — він виконує ті, що ви описали. Це принципово: вся бізнес-логіка залишається у вас, AI лише застосовує її безпомилково до кожного запиту.
Крок 4 — генерація брендованого PDF-документа
Фінальний крок — формування документа. AI-агент бере розраховані дані і вставляє їх у ваш шаблон: з логотипом, кольорами бренду, підписом, реквізитами, умовами договору.
Документ генерується автоматично: через Google Docs API, LibreOffice headless, HTML-to-PDF (бібліотека Puppeteer або wkhtmltopdf) або спеціалізовані сервіси на кшталт PandaDoc. Готовий PDF потрапляє в папку або одразу прикріплюється до угоди в CRM.
Менеджер отримує сповіщення: «КП для клієнта X готове, перевірте і надішліть». Він відкриває документ, за 2 хвилини переглядає — і клієнт отримує відповідь.
Інструменти — що реально використовують компанії
Є два основних підходи: збірка власного рішення з доступних інструментів або використання готових SaaS-платформ. Обидва мають своє місце.
GPT / Claude як ядро обробки специфікації
Серце автоматизації кошторисування — це LLM-модель, яка розуміє вільний текст. OpenAI GPT-4o або Anthropic Claude 3.5 Sonnet виконують ключову функцію: беруть неструктурований запит клієнта і перетворюють його на структурований JSON з переліком позицій, кількостей, вимог.
Для цього пишеться системний промпт — інструкція для моделі: «Ти — помічник, що аналізує запити клієнтів і виявляє перелік послуг. Для кожної позиції визнач: назву, обсяг, тип (послуга/товар), строки». Модель повертає JSON, який далі обробляється автоматично.
Вартість: GPT-4o через API коштує орієнтовно $0.005 за 1 000 токенів (на вхід). Типовий запит на обробку специфікації — 500–2 000 токенів. Тобто одне КП обходиться в $0.01–0.02 за обробку моделлю. При 100 КП/міс — $1–2 на місяць.
Make / n8n як оркестратор процесу
LLM-модель — лише один елемент. Для повноцінного процесу потрібен оркестратор, що зв’язує всі кроки: отримання email → виклик AI → запит до бази даних → розрахунок → генерація PDF → відправка.
Make (раніше Integromat) — візуальний конструктор автоматизацій. Має готові конектори до Gmail, Google Sheets, CRM, Telegram, Slack. Базовий тариф — $9/міс, достатній для більшості середніх завантажень.
n8n — відкрита альтернатива, яку можна розгорнути на власному сервері. Безкоштовна при self-hosting. Краще підходить для складних кастомних логік і компаній, яким важлива відсутність передачі даних у хмару третіх сторін.
Для більшості B2B-компаній 20–100 осіб Make достатній і простіший у запуску. n8n вибирають, коли є технічна команда або вимоги до розміщення даних.
Готові SaaS: PandaDoc, Qwilr — коли варто, коли ні
Є клас SaaS-платформ для автоматизації комерційних пропозицій і документів. Вони пропонують готові шаблони, електронний підпис, аналітику відкриттів документів.
PandaDoc — один з найпоширеніших. Є API, інтеграція з CRM, функція e-signature. Тариф від $19/міс на користувача. Підходить, якщо вам важливий електронний підпис і трекінг відкриттів.
Qwilr — орієнтований на красиві веб-КП замість PDF. Добре виглядає, але менш гнучкий для складних цінових логік.
Обидва рішення мають сенс, якщо ваш процес достатньо стандартний і ви готові платити щомісяця. Але вони не вирішують завдання розпізнавання вільних специфікацій — це завдання LLM. Тобто SaaS-платформа і AI-агент — не замінники, а доповнення.
Коли SaaS не підходить: ваш каталог дуже специфічний, ціноутворення складне, або ви не хочете прив’язуватись до підписки. У цьому випадку краще зібрати власний ланцюжок на базі GPT + Make/n8n.
Автоматизація документообігу — інтеграція з CRM і хмарними сховищами
Готовий PDF — не кінець процесу. Важливо, щоб документ потрапив у потрібне місце: прикріпився до угоди в CRM, зберігся в папці клієнта в Google Drive або SharePoint, відобразився в журналі відправлених документів.
Детально про автоматизацію документообігу — на сторінці послуги.
Типова інтеграція: Make тригериться на завершення генерації КП → зберігає PDF на Google Drive у папку з назвою клієнта → оновлює запис у KeyCRM або NetHunt → надсилає сповіщення менеджеру в Telegram. Весь ланцюжок — без участі людини, займає 30–60 секунд.
Для яких галузей це найкраще працює
Автоматизація кошторисування підходить будь-якій B2B-компанії, де є повторюваний процес формування ціни. Але є галузі, де ефект особливо відчутний.
IT-підрядники та аутсорс-команди
Для IT-компаній процес кошторисування особливо болючий: специфікація клієнта часто розмита («нам потрібен застосунок»), а вартість залежить від складності, яку треба оцінити. AI не замінює тімліда в оцінці складності, але він може автоматизувати збір і структурування вимог, підтягнути стандартні оцінки для типових задач і сформувати базове КП, яке тімлід лише коригує.
Практичний ефект: замість 3 годин на KP менеджер витрачає 30–45 хвилин. Більша частина часу йде на перевірку і доопрацювання специфіки — що є саме тим, де людська участь важлива.
Детальніше про автоматизацію відділу продажів для IT-компаній.
Виробничі та оптові компанії
Тут специфіка інша: каталог з тисячами позицій, складна логіка знижок (за обсягом, за категорією клієнта, за умовами доставки), потреба у швидкому відклику.
Оптовик отримує запит від магазину: «Хочу взяти 500 одиниць артикулу X, 200 одиниць Y, і ще що є з нової лінійки Z». Вручну: менеджер шукає в каталозі, перевіряє наявність, рахує знижки, зводить — 1,5–2 години. З автоматизацією: агент парсить запит, знаходить позиції за артикулом і назвою, перевіряє залишок через API складської системи, розраховує ціну з урахуванням рівня клієнта, генерує КП — 8–12 хвилин.
Будівельні підрядники — специфіка тендерів і ДБН
У будівельній галузі кошторисування має свою специфіку: роботи розраховуються за нормативами ДБН (Державних будівельних норм), специфікації часто об’ємні (десятки сторінок), а тендерна документація потребує суворо визначеного формату.
Повна автоматизація тут складніша, ніж у IT або торгівлі, але AI суттєво пришвидшує підготовчий етап: розпізнає позиції з технічного завдання, підтягує чинні ДБН-нормативи, формує первинну структуру кошторису для редактора.
Детальніше про особливості AI для будівельних підрядників — у статті про автоматизацію для будівельного підряду.
Сервісні компанії з великим асортиментом
Ремонтні сервіси, клінінгові компанії, ІТ-підтримка, юридичні послуги — всі вони мають прайс, залежний від обсягу і характеристик об’єкта. Клієнт описує завдання («треба прибрати офіс 400 м², два рази на тиждень, включно з санвузлами»), і AI відразу розраховує вартість за формулою.
Для таких компаній найпростіший варіант — форма на сайті або Telegram-бот, де клієнт вводить параметри, а система відповідає готовим КП або орієнтовним розрахунком. Це не тільки скорочує час менеджера, а й дозволяє клієнту отримати відповідь о 22:00 в неділю, коли офіс не працює.
Впровадження — покроковий план на 2 тижні
Автоматизація кошторисування — не великий ІТ-проект. При правильному підході першу версію можна запустити за два тижні. Ось конкретний план.
Тиждень 1 — аудит поточного процесу і вибір стека
День 1–2. Опис поточного процесу. Запишіть, як виглядає ваш процес сьогодні: хто, що і коли робить. Зберіть 5–10 реальних КП різних типів — це ваш тестовий набір.
День 3–4. Аудит каталогу і даних. Перевірте стан вашого прайсу або каталогу: він в Excel, 1С, CRM чи в голові менеджера? Для автоматизації потрібна одна актуальна структурована база. Якщо її немає — ця частина займе більше часу, і тут стоїть починати.
День 5–7. Вибір стека і налаштування базових компонентів. Для більшості компаній 20–100 осіб оптимальний стек: – LLM: GPT-4o через OpenAI API або Claude через Anthropic API. – Оркестратор: Make (простіший старт) або n8n (більш гнучкий). – Шаблон документа: Google Docs або HTML-шаблон. – Зберігання і відправка: Google Drive + Gmail або CRM.
Тиждень 2 — налаштування, тестування, передача команді
День 8–10. Побудова флоу і написання промптів. Налаштовуєте ланцюжок в Make/n8n, пишете системний промпт для LLM, підключаєте джерело даних (каталог, прайс). Запускаєте перші тести на тестових специфікаціях.
День 11–12. Ітерація і доопрацювання. Перші результати покажуть, де агент помиляється. Найчастіше — на нестандартних позиціях або при неточних специфікаціях. Коригуєте промпт, додаєте правила матчингу.
День 13–14. Запуск на реальних кейсах і навчання команди. Запускаєте процес на реальних вхідних запитах з обов’язковою перевіркою людиною. Проводите коротке навчання для менеджерів: що змінилося, як перевіряти результат, як подавати зворотний зв’язок.
Після двох тижнів у вас є працюючий процес. Не ідеальний — але вже суттєво швидший за ручний. Подальше доопрацювання відбувається в процесі використання.
Де AI помиляється і як це контролювати
Чесна розмова: AI робить помилки в кошторисуванні. Їх важливо знати наперед, щоб побудувати процес правильно.
Неструктуровані специфікації — головна пастка
Найчастіша причина помилок — специфікація клієнта у вільному форматі або з неточними формулюваннями. «Нам потрібно зробити сайт, бажано щоб він добре виглядав і мав форму замовлення» — це не специфікація, з якою AI зможе побудувати точний кошторис. Він може видати щось правдоподібне, але це буде здогадка, а не розрахунок.
Рішення: стандартизуйте вхідні запити. Якщо клієнт заповнює форму на сайті — вона вже структурована. Якщо пише листа — менеджер має або уточнити деталі, або заповнити внутрішню форму перед запуском агента. Garbage in, garbage out — це правило завжди діє.
Нестандартні позиції в каталозі
Коли клієнт запитує щось, чого немає у вашому стандартному прайсі, AI або пропускає цю позицію, або намагається підібрати схоже — і помиляється.
Рішення: у фінальному кроці завжди є перевірка людиною. Агент може ставити мітки «не знайдено у каталозі» — ці рядки менеджер заповнює вручну. Також важливо регулярно оновлювати каталог, додаючи нові позиції, які часто зустрічаються в запитах.
Контроль якості: валідація людиною на фінальному кроці
Повна автоматизація без людської перевірки — не для кошторисування. Надто велика ціна помилки. Правильна модель: AI генерує проект КП за 2–3 хвилини, менеджер перевіряє за 5–10 хвилин і надсилає.
Це не «AI замінив менеджера» — це «AI взяв на себе 80% рутинної роботи, а менеджер зосередився на перевірці і спілкуванні з клієнтом». Результат: менеджер встигає обробити втричі більше запитів без збільшення штату.
Крім того, варто вести журнал помилок: якщо менеджер виправив КП — фіксувати, що саме і чому. Через місяць ці дані дають чіткий список випадків, де агент стабільно помиляється, і дозволяють точково покращити промпт або логіку.
Реальний кейс — як виглядає автоматизація на практиці
Ось узагальнений приклад з нашої практики (деталі змінені для конфіденційності).
Компанія: IT-сервісний підрядник, 35 осіб, Харків/Варшава. Послуги: технічна підтримка, аутстаф, веб-розробка.
Ситуація до: 3 менеджери обробляли від 15 до 25 запитів на тиждень кожен. Кожне КП займало в середньому 2–2,5 години. Затримка відповіді клієнту — 4–24 години. Менеджери скаржилися, що витрачають більше часу на «паперову роботу», ніж на спілкування з клієнтами.
Що впровадили: – Вхідні запити через форму на сайті (структурований ввід) і через Telegram-бот для постійних клієнтів. – GPT-4o для розпізнавання вільних описів і матчингу з каталогом послуг. – Make для оркестрації: email → AI → Google Sheets (каталог) → HTML-шаблон → PDF → Google Drive → CRM-запис. – Двоступенева перевірка: AI генерує, менеджер переглядає і натискає «Надіслати».
Результат через 6 тижнів після запуску: – Час підготовки КП: з 2–2,5 год до 15–20 хвилин (перевірка і відправка менеджером). – Затримка відповіді: з 4–24 год до 30–60 хвилин у робочий час. – Кількість помилок у КП: знизилась на 85% за оцінкою менеджерів — зникли помилки знижкової логіки і неактуальні ціни. – Кількість КП на одного менеджера: зросла з 20 до 32 на тиждень без збільшення навантаження (за їхньою оцінкою).
Найбільший несподіваний ефект: менеджери почали більше спілкуватися з клієнтами до і після КП — бо звільнився час. Конверсія з запиту в оплату зросла, але тут важко виокремити вплив автоматизації від інших змін.
Що не вдалось автоматизувати: нестандартні запити на великі проекти (від 500 год розробки), де КП потребує архітектурного аналізу. Ці кейси досі йдуть вручну — і це правильно.
Часті питання
Скільки часу займає впровадження?
Для базової версії — два тижні. Це передбачає, що у вас є структурований каталог або прайс і є людина, яка може приділити 2–4 години на тиждень на налаштування і тестування. Якщо каталог треба спочатку впорядкувати — додайте ще тиждень-два на підготовку даних.
Чи потрібен програміст?
Для Make або n8n — ні, але потрібна людина з базовим розумінням логіки автоматизацій. Підключення до API (OpenAI, Google Sheets, CRM) технічно нескладне, але вимагає часу і уваги до деталей. Якщо ваша команда не готова — є агентства впровадження, які зроблять це за вас. Бюджет базового впровадження — від 30 000 до 80 000 грн залежно від складності процесу.
Чи підходить для малого бізнесу (10–20 осіб)?
Так, якщо ви готуєте хоча б 20–30 КП на місяць. Нижче цієї межі ROI від автоматизації менш очевидний — витрати на налаштування можуть не окупитись. Але навіть для невеликих команд SaaS-рішення на кшталт PandaDoc з базовим шаблоном КП суттєво економить час без великих вкладень.
Як AI обробляє неструктуровані специфікації?
Частково. Якщо клієнт описує запит у вільній формі — LLM-модель витягує ключові параметри і будує структуру. Але якщо специфікація надто розмита або суперечлива — агент або запитає уточнення (якщо це налаштоване), або підготує КП із позначками «потребує уточнення». Це краще, ніж менеджер, який іноді просто здогадується — адже помітні мітки простіше перевірити.
Скільки коштує впровадження?
Залежить від складності. Три сценарії: – Самостійно через Make + GPT API: $30–50/міс на операційні витрати (Make Basic + API). Часові вкладення — 40–80 годин на налаштування. – Із залученням агентства: 30 000–80 000 грн разово на впровадження + 5 000–15 000 грн/міс на підтримку. – Готовий SaaS (PandaDoc тощо): $19–49/міс на користувача, але без AI-розпізнавання специфікацій.
Що робити, якщо каталог товарів постійно змінюється?
Це реальна складність. Рішення: тримайте каталог в Google Sheets або Airtable, і налаштуйте агент на читання даних звідти в реальному часі — а не з жорстко зашитої бази. Тоді оновлення прайсу менеджером миттєво відображається у всіх наступних КП. Додатково — версіонування: зберігайте дату оновлення кожного рядка каталогу, щоб знати, які ціни діяли на момент відправки КП.
Що робити зараз — наступний крок
Якщо ваші менеджери витрачають більше 30 хвилин на підготовку одного КП — у вас є потенціал для автоматизації. Конкретні наступні кроки:
1. Виміряйте реальні витрати. Попросіть одного менеджера протягом тижня фіксувати час на кожне КП. Порахуйте за формулою: (кількість КП/міс) × (год/КП) × (ставка грн/год). Якщо сума вище 15 000 грн/міс — автоматизація окупається за 2–3 місяці.
2. Перевірте стан вашого каталогу. Якщо прайс в Excel і він актуальний — старт можливий вже. Якщо «десь є, але не оновлювався рік» — почніть з впорядкування даних.
3. Визначте пріоритетний тип запитів. Не всі КП однакові. Визначте, які 70–80% запитів типові і повторювані — саме їх і треба автоматизувати в першу чергу.
Якщо хочете зрозуміти, як це виглядатиме конкретно у вашому процесі — замовте безкоштовний AI-аудит вашого процесу кошторисування. За 5 робочих днів ми аналізуємо поточний флоу, виявляємо вузькі місця і пропонуємо конкретний план автоматизації з оцінкою вартості та строків.
