Od BZP do wygranej — jak scoring AI pomaga wybrać przetargi z największą szansą na sukces

Każdego dnia w Biuletynie Zamówień Publicznych pojawia się ponad 800 nowych ogłoszeń. Twoja firma widzi może 40–60 pasujących do profilu, ale może realnie przygotować 10–15 ofert miesięcznie. Które wybrać? Tradycyjnie decyzja „bid/no-bid” opiera się na intuicji, doświadczeniu szefa działu ofertowania i… szczęściu. W 2026 roku to za mało. Scoring AI zmienia zasady gry — algorytm analizuje tysiące cech przetargu i historię Twoich wygranych, żeby powiedzieć wprost: „Ten przetarg masz 73% szans wygrać. Tamten — 12%. Nie trać czasu.”

W tym artykule pokażemy, jak działa scoring AI w przetargach publicznych, jakie dane wykorzystuje, ile realnie oszczędza i gdzie leżą jego ograniczenia. Bez marketingowej ściemy — z tabelami, liczbami i case study z polskiego rynku budowlanego.

---

Problem: Składasz oferty na ślepo?

Koszty złych decyzji bid/no-bid

Przygotowanie profesjonalnej oferty przetargowej to nie jest „wypełnienie formularza”. To proces angażujący wielu specjalistów przez wiele godzin:

• Analiza SIWZ/OPZ — 8–16 godzin (prawnik + specjalista merytoryczny)
• Kalkulacja kosztorysowa — 12–24 godziny (kosztorysant + kierownik projektu)
• Przygotowanie dokumentów formalnych — 8–16 godzin (dział administracji + compliance)
• Wizja lokalna / due diligence — 4–8 godzin (inżynier + kierownik)
• Review i korekty — 8–16 godzin (zarząd + kontrola jakości)

Suma: 40–80 roboczogodzin na jedną ofertę. Przy stawce wewnętrznej 120–250 zł/h oznacza to koszt od 5 000 do 20 000 zł na każdą złożoną ofertę — niezależnie od wyniku.

Brutalna matematyka win rate

Średni win rate w przetargach publicznych w Polsce oscyluje między 15% a 25% — w zależności od branży, skali firmy i typu zamówienia. Rozłóżmy to na konkretne liczby:

Parametr	Wartość
Oferty składane miesięcznie	20
Średni koszt przygotowania oferty	12 000 zł
Miesięczny budżet ofertowania	240 000 zł
Win rate	20%
Oferty wygrane	4
Oferty przegrane	16
Zmarnowany budżet miesięcznie	192 000 zł

Przy 20 ofertach miesięcznie i win rate na poziomie 20% — aż 80% Twojego budżetu ofertowania jest wyrzucane w błoto. Rocznie to ponad 2,3 mln zł wydane na przegrywanie. Nie na realizację kontraktów — na samą próbę ich zdobycia.

Ukryty koszt alternatywny

Ale koszt bezpośredni to dopiero początek. Kiedy Twój najlepszy kosztorysant spędza 3 dni na ofercie, której nie wygracie — nie pracuje nad ofertą, którą moglibyście wygrać. Kiedy prawnik analizuje SIWZ przetargu z góry skazanego na przegraną — nie weryfikuje umowy na kontrakt warty 5 mln zł.

Koszt alternatywny złej decyzji bid/no-bid to wielokrotność kosztu bezpośredniego. I właśnie tu wchodzi scoring AI.

---

Czym jest scoring AI w przetargach?

Scoring AI to algorytm uczenia maszynowego, który na podstawie danych historycznych i cech konkretnego przetargu oblicza prawdopodobieństwo wygrania oferty przez Twoją firmę. Nie jest to „magiczna kula” ani „sztuczna inteligencja ogólna” — to precyzyjny model statystyczny trenowany na realnych danych z rynku zamówień publicznych.

Jak to działa w skrócie?

1. Wejście — cechy przetargu (wartość, CPV, zamawiający, kryteria oceny, termin, region) + profil Twojej firmy (historia ofert, kompetencje, referencje, moce przerobowe)
2. Przetwarzanie — model ML porównuje cechy przetargu z wzorcami wygranych i przegranych ofert z przeszłości
3. Wyjście — probability score w skali 0–100% (np. „73% szans na wygraną”) + lista czynników ryzyka i szans

Cel: składać oferty TYLKO tam, gdzie szansa przekracza próg

Scoring AI nie mówi „wygrasz” albo „przegrasz”. Daje Ci liczbę — prawdopodobieństwo. Ty ustalasz próg decyzyjny:

• Score > 60% → zdecydowanie składaj ofertę (green zone)
• Score 35–60% → rozważ, jeśli masz wolne zasoby (yellow zone)
• Score < 35% → nie składaj, chyba że istnieją strategiczne powody (red zone)

Efekt? Zamiast 20 ofert „na ślepo” — 8–10 ofert celowanych, z win rate 30–40% zamiast 18–20%. Mniej pracy, więcej wygranych, lepszy ROI.

---

Jakie dane wykorzystuje model scoringowy?

Skuteczność scoringu AI zależy bezpośrednio od jakości i ilości danych, na których się uczy. Dobry model scoringowy wykorzystuje trzy kategorie informacji:

1. Historia Twoich ofert (dane wewnętrzne)

To fundament — bez tego model nie wie, „kim jesteś” jako oferent:

• Lista złożonych ofert (wygrane + przegrane) z ostatnich 2–5 lat
• Oferowane ceny vs. ceny zwycięskie
• Typy zamówień, w których wygrywasz najczęściej
• Zamawiający, z którymi masz historię współpracy
• Referencje i doświadczenie w konkretnych kodach CPV

2. Cechy przetargu (dane publiczne)

Każde ogłoszenie w BZP/TED zawiera dziesiątki cech, które model może przeanalizować:

• Wartość zamówienia (szacunkowa i budżetowa)
• Kody CPV (klasyfikacja przedmiotu zamówienia)
• Zamawiający (typ instytucji, historia zamówień, skala budżetu)
• Region realizacji (odległość od siedziby firmy)
• Kryteria oceny ofert (waga ceny vs. jakości vs. terminu)
• Tryb postępowania (przetarg nieograniczony, ograniczony, negocjacje)
• Termin składania ofert (ile czasu na przygotowanie)
• Wymagania formalne (wadium, zabezpieczenie, warunki udziału)

3. Dane konkurencji (intelligence rynkowy)

To element, który daje największą przewagę — wiedza o tym, kto jeszcze będzie składał ofertę:

• Historyczni uczestnicy postępowań u danego zamawiającego
• Typowe ceny oferowane przez konkurentów w podobnych zamówieniach
• Aktualne obciążenie konkurentów (realizowane kontrakty)
• Win rate konkurentów w podobnych kategoriach CPV

Tabela: cechy modelu scoringowego

Cecha	Waga w modelu	Źródło danych
Historyczny win rate w danym CPV	Wysoka (18–22%)	Dane wewnętrzne firmy
Liczba potencjalnych konkurentów	Wysoka (15–20%)	BZP/TED — historia postępowań
Stosunek Twojej ceny do średniej rynkowej	Wysoka (14–18%)	Protokoły z otwarcia ofert
Doświadczenie z zamawiającym	Średnia (10–14%)	CRM + BZP
Wartość zamówienia vs. Twoja średnia	Średnia (8–12%)	Dane wewnętrzne
Waga kryterium cenowego	Średnia (7–10%)	SIWZ / ogłoszenie
Odległość geograficzna	Niska (5–8%)	GUS + siedziby
Termin realizacji vs. moce przerobowe	Niska (4–7%)	ERP / harmonogram
Wymagane referencje vs. posiadane	Średnia (8–12%)	Dane wewnętrzne + SIWZ

Wagi nie są stałe — model uczy się ich automatycznie na podstawie danych treningowych. Powyższa tabela pokazuje typowe rozkłady dla firm budowlanych średniej wielkości (30–100 pracowników).

---

Jak działa scoring krok po kroku?

Cały proces scoringowy składa się z pięciu etapów — od pobrania ogłoszenia do rekomendacji decyzji. Poniżej rozkładamy każdy z nich:

Krok 1: Ingestion ogłoszeń (BZP/TED/BIP)

System automatycznie pobiera nowe ogłoszenia z trzech głównych źródeł:

• BZP (Biuletyn Zamówień Publicznych) — postępowania krajowe poniżej progów UE
• TED (Tenders Electronic Daily) — postępowania powyżej progów unijnych (via eForms)
• BIP (Biuletyny Informacji Publicznej) — ogłoszenia publikowane lokalnie przez zamawiających

Ingestion odbywa się w czasie rzeczywistym (API BZP) lub w cyklach 15–60 minutowych (scraping BIP). Każde ogłoszenie jest parsowane do ustandaryzowanego formatu wewnętrznego — niezależnie od źródła, model widzi te same pola.

Krok 2: Ekstrakcja cech (NLP na SIWZ/OPZ)

Same metadane ogłoszenia (wartość, CPV, termin) to za mało. Prawdziwa wartość kryje się w treści dokumentów — SIWZ (Specyfikacja Istotnych Warunków Zamówienia) i OPZ (Opis Przedmiotu Zamówienia). Model NLP (Natural Language Processing) analizuje pełny tekst i wyciąga:

• Wymagania techniczne — jakie technologie, materiały, certyfikaty są wymagane
• Warunki udziału — minimalne doświadczenie, obroty, kadra
• Kryteria oceny — jak zamawiający będzie punktował oferty (nie tylko wagi, ale konkretne podkryteria)
• Klauzule ryzyka — kary umowne, terminy, odpowiedzialność
• Ukryte preferencje — sformułowania sugerujące, że zamawiający ma „ulubionego” wykonawcę (np. bardzo specyficzne wymagania referencyjne)

Ekstrakcja NLP działa na modelach językowych fine-tunowanych na polskim korpusie dokumentacji przetargowej — to nie jest ogólny ChatGPT, lecz specjalizowany model rozumiejący terminologię PZP, strukturę SIWZ i kontekst zamówień publicznych.

Krok 3: Matching z profilem firmy

Wyekstrahowane cechy przetargu są porównywane z profilem Twojej firmy:

• Czy masz wymagane doświadczenie (referencje w odpowiednim CPV)?
• Czy Twoja kadra spełnia warunki udziału?
• Czy wartość zamówienia mieści się w Twoim „sweet spocie”?
• Czy masz wolne moce przerobowe w terminie realizacji?
• Czy Twoja typowa cena jest konkurencyjna w tym segmencie?

Matching generuje wektor zgodności — liczbową reprezentację tego, jak dobrze Twoja firma „pasuje” do danego przetargu.

Krok 4: Scoring ML (gradient boosting / ensemble)

Serce systemu — model uczenia maszynowego. W praktyce najlepsze wyniki dają modele ensemble (połączenie kilku algorytmów):

• Gradient Boosting (XGBoost / LightGBM) — główny model predykcyjny, trenowany na historii ofert
• Logistic Regression — bazowy model liniowy jako benchmark i element stabilizujący
• Random Forest — dodatkowy model drzewiasty łapiący nieliniowe zależności
• Ensemble — ważona kombinacja powyższych modeli, minimalizująca variance i bias

Model przyjmuje na wejście wektor cech przetargu + wektor zgodności z profilem firmy i generuje probability score — prawdopodobieństwo wygrania oferty w skali 0–1 (prezentowane jako 0–100%).

Krok 5: Ranking + rekomendacja bid/no-bid

Ostatni etap to agregacja i prezentacja wyników:

• Ranking — wszystkie nowe przetargi uszeregowane od najwyższego do najniższego score
• Klasyfikacja — podział na strefy (green/yellow/red) według progów ustalonych przez firmę
• Rekomendacja — jasna sugestia: „Składaj” / „Rozważ” / „Nie składaj”
• Uzasadnienie — lista top-5 czynników wpływających na score (pozytywnych i negatywnych)
• Alerty — ostrzeżenia o nietypowych cechach (np. „Zamawiający w 90% przypadków wybiera dotychczasowego wykonawcę”)

Cały pipeline — od pojawienia się ogłoszenia w BZP do rekomendacji na dashboardzie — zajmuje od 2 do 15 minut, w zależności od dostępności dokumentów SIWZ.

---

ROI scoringu: ile oszczędza firma składająca 15 ofert miesięcznie?

Przejdźmy do konkretnych liczb. Porównajmy dwa scenariusze — firmę budowlaną składającą oferty „tradycyjnie” (bez AI) i tę samą firmę korzystającą ze scoringu AI:

Scenariusz: firma budowlana, 50 pracowników, roboty drogowe

Parametr	Bez AI	Z AI (scoring)	Zmiana
Oferty składane / miesiąc	15	9	−40%
Średni koszt przygotowania oferty	14 000 zł	14 000 zł	—
Miesięczny koszt ofertowania	210 000 zł	126 000 zł	−84 000 zł
Win rate	18%	31%	+72% relatywnie
Oferty wygrane / miesiąc	2,7	2,8	+0,1
Średnia wartość wygranego kontraktu	1 800 000 zł	1 800 000 zł	—
Przychód z wygranych / miesiąc	4 860 000 zł	5 040 000 zł	+180 000 zł
Koszt per wygrana oferta	77 778 zł	45 000 zł	−42%

Co się stało?

Firma nie wygrała znacząco więcej kontraktów (2,7 vs. 2,8/miesiąc) — ale osiągnęła porównywalny wynik składając 40% mniej ofert. Kluczowe korzyści:

1. Oszczędność 84 000 zł miesięcznie na kosztach ofertowania (−45% budżetu)
2. Uwolnienie 240 roboczogodzin miesięcznie — czas, który zespół może przeznaczyć na lepsze przygotowanie ofert w green zone
3. Wzrost win rate z 18% do 31% — efekt selekcji (składasz oferty tylko tam, gdzie masz realną szansę)
4. Niższy koszt per wygrana — z 78 tys. zł do 45 tys. zł za każdy pozyskany kontrakt
5. Lepsze morale zespołu — mniej „pracy na marne”, więcej sukcesów

ROI w skali roku

Metryka	Wartość roczna
Oszczędność na kosztach ofertowania	1 008 000 zł
Dodatkowy przychód (lepszy matching)	2 160 000 zł
Koszt systemu scoringowego (licencja + wdrożenie)	180 000 zł
ROI netto (rok 1)	460%

Nawet przy konserwatywnych założeniach (win rate rośnie „tylko” z 18% do 26%, a nie do 31%) — ROI w pierwszym roku przekracza 200%.

---

Case study: Firma budowlana 60 osób — scoring w praktyce

Profil firmy

• Branża: roboty budowlane — infrastruktura drogowa i kubatura
• Zatrudnienie: 60 osób (w tym 5-osobowy dział ofertowania)
• Region: Śląsk + Małopolska (promień 150 km od siedziby)
• Obroty roczne: 45 mln zł
• Oferty miesięcznie: 12–18 (średnio 15)
• Win rate przed wdrożeniem: 20% (3 wygrane / 15 złożonych)

Problem

Firma składała oferty na „wszystko, co pasuje do CPV”. Dział ofertowania pracował pod ciągłą presją terminów, bez czasu na głębszą analizę szans. Decyzje bid/no-bid podejmował prezes na podstawie „przeczucia” i wolnych mocy przerobowych. Efekt: regularnie przegrywali przetargi, w których nie mieli szans (za drogo, za mało doświadczenia, za duża konkurencja) — a jednocześnie nie składali ofert na zamówienia, które mogliby wygrać (bo „nie zdążyli”).

Wdrożenie scoringu

Etap 1: Zbieranie danych (4 tygodnie)

Firma dostarczyła historię 45 ofert z ostatnich 3 lat — 9 wygranych, 36 przegranych. Dla każdej oferty zebrano: numer postępowania, zamawiającego, wartość, CPV, liczbę konkurentów, oferowaną cenę, cenę zwycięską, kryteria oceny.

Etap 2: Trening modelu (2 tygodnie)

Model został wytrenowany na danych firmy + publicznych danych z BZP (historia 180 000 postępowań w CPV 45.xx.xx.xx z lat 2021–2025). Accuracy na zbiorze testowym: 74% (AUC-ROC: 0,81).

Etap 3: Pilotaż (4 tygodnie)

Przez miesiąc firma korzystała ze scoringu „informacyjnie” — widziała score, ale nie zmieniała procesu decyzyjnego. Weryfikacja: model poprawnie przewidział wynik 11 z 14 ofert złożonych w tym okresie.

Etap 4: Pełne wdrożenie (od 5. tygodnia)

Firma ustaliła próg bid/no-bid na 45% i zaczęła stosować rekomendacje systemu.

Wyniki po 3 miesiącach

Metryka	Przed	Po	Zmiana
Oferty składane / miesiąc	15	8	−47%
Win rate	20%	35%	+75% relatywnie
Wygrane / miesiąc	3,0	2,8	−0,2 (w normie statystycznej)
Koszt ofertowania / miesiąc	195 000 zł	104 000 zł	−47%
Czas pracy działu ofertowania	100% obciążenia	62% obciążenia	−38%
Jakość ofert (ocena wewnętrzna)	6,2/10	8,1/10	+31%

Kluczowy insight: firma nie wygrywa „więcej” kontraktów — wygrywa porównywalnie, ale przy radykalnie mniejszym nakładzie. Uwolniony czas dział ofertowania przeznacza na dokładniejsze przygotowanie wybranych ofert, co dodatkowo podnosi jakość i szanse wygrania.

Cytaty z wdrożenia

„Największa zmiana to spokój. Wcześniej każdy poniedziałek zaczynał się od paniki — 6 nowych przetargów, na które «musimy» złożyć oferty. Teraz system mówi: «Te 2 mają sens, te 4 odpuść». I ma rację w 3 na 4 przypadkach.” — Kierownik działu ofertowania

„Pierwszy miesiąc był trudny — psychicznie ciężko odpuścić przetarg na 3 mln zł, nawet jeśli algorytm mówi 18% szans. Ale kiedy zobaczyliśmy, że wygraliśmy 3 z 8 złożonych ofert zamiast zwykłych 3 z 15 — matematyka przemówiła.” — Prezes zarządu

---

Ograniczenia scoringu AI (uczciwa ocena)

Scoring AI nie jest panaceum. Jak każde narzędzie, ma swoje ograniczenia — i uczciwe ich przedstawienie jest warunkiem odpowiedzialnego wdrożenia. Oto najważniejsze:

1. Wymaga minimum 30–50 historycznych ofert

Model ML potrzebuje danych do nauki. Jeśli Twoja firma złożyła w historii mniej niż 30 ofert — model nie będzie miał wystarczającej próby do treningu. Praktyczne minimum to:

• 30 ofert — model bazowy (niska pewność predykcji, szeroki przedział ufności)
• 50–100 ofert — model standardowy (umiarkowana pewność, przydatny operacyjnie)
• 100+ ofert — model dojrzały (wysoka pewność, stabilne predykcje)

Firmy składające 2–3 oferty miesięcznie potrzebują minimum 12–18 miesięcy historii, żeby zebrać wystarczającą próbę.

2. Nie działa na niszowe przetargi (brak danych rynkowych)

Jeśli Twoja firma specjalizuje się w bardzo wąskiej niszy (np. konserwacja zabytków klasy 0, instalacje kryogeniczne, systemy łączności taktycznej) — model może nie mieć wystarczających danych porównawczych z rynku. Scoring działa najlepiej tam, gdzie:

• W danym CPV jest minimum 50–100 postępowań rocznie w BZP
• Startuje regularnie co najmniej 5–10 różnych wykonawców
• Kryteria oceny są w miarę standardowe (cena + jakość/termin)

3. Nie zastąpi ludzkiej oceny relacji z zamawiającym

Algorytm nie „widzi” tego, co wie doświadczony handlowiec:

• Że zamawiający X jest niezadowolony z obecnego wykonawcy i szuka zmiany
• Że w gminie Y zmieniła się władza i nowy wójt preferuje lokalnych dostawców
• Że za miesiąc zamawiający ogłosi większy przetarg, w którym warto mieć referencje z mniejszego

Te informacje „miękkie” (soft intelligence) są bezcenne — i scoring AI powinien być narzędziem wspomagającym decyzję, a nie zastępującym człowieka.

4. Model wymaga regularnej aktualizacji

Rynek zamówień publicznych się zmienia — nowi gracze wchodzą, starzy wychodzą, ceny materiałów fluktuują, regulacje się zmieniają. Model wytrenowany na danych z 2022 roku może dawać błędne predykcje w 2026. Konieczna jest:

• Retrenowanie co 3–6 miesięcy na nowych danych
• Monitoring drift — automatyczne wykrywanie spadku jakości predykcji
• Feedback loop — każda złożona oferta (wygrana/przegrana) wraca do modelu jako nowy punkt danych

5. Nie eliminuje ryzyka — jedynie je kwantyfikuje

Score 73% nie oznacza „wygrasz”. Oznacza „w 73 przypadkach na 100 o podobnych cechach — firmy o Twoim profilu wygrywały”. Pozostaje 27% niepewności — wynikającej z czynników, których model nie widzi (np. agresywna cena nowego konkurenta, błąd formalny w ofercie, zmiana decyzji zamawiającego).

---

BudOS — scoring z 1,4M przetargów historycznych

Skąd bierze się przewaga modelu scoringowego?

Skuteczność scoringu AI zależy od dwóch rzeczy: jakości algorytmu i ilości danych treningowych. O ile algorytmy (XGBoost, LightGBM, ensemble methods) są publicznie dostępne — o tyle dane stanowią prawdziwą barierę wejścia.

BudOS operuje na bazie 1,4 miliona historycznych przetargów z polskiego rynku zamówień publicznych — ogłoszeń, protokołów otwarcia ofert, wyników postępowań i dokumentacji SIWZ z lat 2018–2026. To nie są „surowe” dane z BZP — to przetworzone, znormalizowane i wzbogacone rekordy, na których modele ML mogą się efektywnie uczyć.

Jak BudOS buduje modele scoringowe?

1. Baza danych rynkowych — 1,4M przetargów, 4,2M złożonych ofert, 890 tys. unikalnych wykonawców. Dla każdego postępowania: kto startował, za ile, kto wygrał, jakie były kryteria.

2. Profil firmy — na podstawie historii Twoich ofert + danych z KRS/GUS BudOS buduje wielowymiarowy profil: Twoje „sweet spoty” (CPV × wartość × region × typ zamawiającego), Twoje typowe ceny vs. rynek, Twoja pozycja konkurencyjna.

3. Model per firma — scoring nie jest „one size fits all”. BudOS trenuje osobny model dla każdego klienta, uwzględniający specyfikę jego portfolio, regionu i strategii cenowej. Model ogólnorynkowy służy jako prior (punkt startowy), a dane firmy go personalizują.

4. Real-time scoring — każde nowe ogłoszenie w BZP jest automatycznie scorowane w kontekście Twojego profilu. Na dashboardzie widzisz ranking przetargów posortowany od najwyższego do najniższego score — z uzasadnieniem i czynnikami ryzyka.

5. Continuous learning — każda Twoja nowa oferta (wygrana lub przegrana) automatycznie wzbogaca model. Im dłużej korzystasz z systemu, tym dokładniejsze stają się predykcje.

Przewaga danych = przewaga predykcyjna

Firma budująca model scoringowy „od zera” na własnych 50 ofertach operuje w warunkach ekstremalnie małej próby. BudOS — dzięki dostępowi do 1,4M historycznych przetargów — może:

• Precyzyjnie estymować liczbę konkurentów (na podstawie historii postępowań u danego zamawiającego)
• Prognozować przedział cenowy ofert konkurencji (na podstawie ich historycznych cen)
• Identyfikować wzorce „ustawionych” przetargów (nienaturalnie specyficzne wymagania)
• Wykrywać sezonowość i trendy cenowe w poszczególnych segmentach rynku

To różnica między „zgadywaniem na podstawie 50 punktów danych” a „predykcją na podstawie 1,4 miliona punktów danych + kontekst 50 Twoich ofert”.

---

FAQ — najczęstsze pytania o scoring AI w przetargach

Czy scoring AI jest legalny w kontekście przetargów publicznych?

Tak — scoring AI to narzędzie wewnętrzne wykonawcy, wspomagające decyzję bid/no-bid. Nie ingeruje w proces postępowania zamawiającego, nie manipuluje ofertami i nie narusza żadnych przepisów PZP. Analogia: kalkulator kosztorysowy też jest „AI” (w szerokim sensie) — i nikt nie kwestionuje jego legalności. Scoring pomaga Ci podjąć lepszą decyzję biznesową — to Twoje prawo jako przedsiębiorcy.

Ile czasu zajmuje wdrożenie scoringu AI?

Typowy timeline wdrożenia:

• Tydzień 1–2: zebranie danych historycznych (oferty, wyniki, ceny)
• Tydzień 3–4: trening modelu i walidacja (backtest na historycznych danych)
• Tydzień 5–8: pilotaż (scoring informacyjny, bez zmiany procesu decyzyjnego)
• Tydzień 9+: pełne wdrożenie z automatycznymi rekomendacjami

Łącznie 2–3 miesiące od decyzji do pełnej operacyjności. Kluczowy warunek: uporządkowane dane historyczne (minimum 30 ofert z wynikami).

Czy scoring działa dla małych firm (5–10 osób)?

Tak, ale z ograniczeniami. Małe firmy zazwyczaj:

• Składają mniej ofert (3–5 miesięcznie) — więc potrzebują dłuższej historii do treningu
• Operują w węższych niszach — mniej danych porównawczych
• Mają mniej zasobów na przygotowanie ofert — więc każda oszczędność czasu jest proporcjonalnie cenniejsza

Dla firm składających minimum 5 ofert miesięcznie scoring AI jest opłacalny już przy win rate improvement o 5–8 punktów procentowych. Dla mniejszych firm — warto zacząć od prostszego modelu rule-based (filtry: CPV + wartość + region + zamawiający) i przejść na ML scoring po zebraniu 30+ ofert.

Jaka jest dokładność modelu scoringowego?

Dokładność zależy od ilości danych i specyfiki branży. Typowe metryki:

• Accuracy (ogólna poprawność): 70–80%
• AUC-ROC (zdolność rozróżniania wygranych od przegranych): 0,75–0,85
• Precision (ile z rekomendowanych ofert rzeczywiście wygrywasz): 30–45%
• Recall (ile z możliwych do wygrania ofert system wykrył): 60–80%

Dla porównania: ludzka intuicja doświadczonego dyrektora ofertowania ma accuracy rzędu 55–65%. Scoring AI nie jest idealny — ale jest lepszy niż „przeczucie” i daje powtarzalne, mierzalne wyniki.

Czy mogę łączyć scoring AI z własną oceną ekspercką?

Zdecydowanie — i tak właśnie powinno to działać. Scoring AI daje Ci „punkt startowy” — liczbową ocenę szans. Twoja wiedza ekspercka dodaje kontekst, którego algorytm nie widzi:

• Informacje o relacjach z zamawiającym (+/−10–15 punktów do score)
• Strategiczne znaczenie przetargu (wejście na nowy rynek, budowanie referencji)
• Aktualne obciążenie zespołu i dostępność kluczowych specjalistów
• „Miękkie” sygnały z rynku (plotki o budżetach, zmiany personalne u zamawiającego)

Najlepsze wyniki osiągają firmy, które traktują scoring AI jako „pierwszą opinię” — a finalną decyzję podejmuje człowiek z pełnym kontekstem. Algorytm filtruje szum, człowiek dodaje niuans.

---

Podsumowanie: scoring AI to nie przyszłość — to teraźniejszość

Rynek zamówień publicznych w Polsce to 250 mld zł rocznie. Firmy, które składają oferty „na ślepo” — tracą setki tysięcy złotych rocznie na przygotowanie ofert, których nie wygrają. Scoring AI nie jest rewolucją — to ewolucja. Logiczny krok od „składamy na wszystko i liczymy na szczęście” do „składamy tam, gdzie mamy najwyższą szansę i najlepszy potencjalny ROI”.

Co zyskujesz dzięki scoringowi AI?

• Redukcja kosztów ofertowania o 40–50% — mniej ofert, ale lepiej dobranych
• Wzrost win rate o 50–100% relatywnie — z typowych 18–20% do 30–35%
• Uwolnienie czasu zespołu — na lepsze przygotowanie kluczowych ofert
• Mierzalny, powtarzalny proces — zamiast „przeczucia prezesa”
• Lepsze morale — mniej „pracy na marne”, więcej sukcesów

Kiedy scoring AI ma sens dla Twojej firmy?

• Składasz minimum 5–10 ofert miesięcznie
• Masz historię co najmniej 30 złożonych ofert
• Twój obecny win rate jest poniżej 30%
• Koszt przygotowania jednej oferty przekracza 5 000 zł
• Chcesz skalować biznes bez proporcjonalnego wzrostu działu ofertowania

Jeśli spełniasz te kryteria — scoring AI może być najlepszą inwestycją w rozwój Twojego pipeline’u przetargowego w 2026 roku.

Następny krok

Chcesz zobaczyć, jak scoring AI zadziała na Twoich danych? BudOS oferuje bezpłatną analizę próbki — wyślij historię 10 ostatnich ofert, a pokażemy Ci, jak model oceniłby Twoje szanse i gdzie leżą niewykorzystane okazje.

Umów się na konsultację →