Отдельные операции в бизнес-процессах давно работают быстро, а процессы целиком все равно тянутся долго. Ипотека — наглядный пример: скоринговая модель оценивает заемщика за секунды, система распознавания быстро извлекает данные из документов, но весь путь заявки оказывается гораздо длиннее — из-за сбора справок, проверки объекта и согласований.

Заявки ждут в очередях, возвращаются из-за неполного комплекта документов, переходят между подразделениями и требуют ручной проверки исключений. Именно такие разрывы между быстрыми операциями и медленным сквозным процессом остаются после классической автоматизации.

Где заканчиваются возможности RPA

RPA хорошо справляется с формализованными и повторяемыми операциями: переносит данные между системами, заполняет формы, сверяет значения по заданным правилам. Если разработчики предусмотрели все основные варианты (сценарии), робот выполняет такие задачи быстро и стабильно.

Сложности начинаются там, где входные данные нельзя надежно обработать по готовому сценарию. Например, клиент прислал документ в необычном формате, реквизиты в двух источниках расходятся или ситуация требует содержательной оценки. RPA может использовать распознавание документов и правила обработки исключений, но сам не определяет, как поступить в новом случае. Нестандартная задача уходит сотруднику.

Поэтому в процессах сохраняется «ручной слой». Сотрудник открывает несколько систем, сопоставляет данные, уточняет недостающие сведения и передает заявку дальше. BPM-платформа контролирует маршрут, RPA ускоряет отдельные действия, но разбор сложных случаев по-прежнему держится на человеке.

При этом важно не смешивать разные причины задержек. Сбор документов и сверку реквизитов можно ускорить технологически. Устаревшую модель кредитного риска нельзя исправить внедрением агента: для этого потребуются новые данные, пересмотр методики и согласование с риск-подразделением.

Чем агент отличается от ИИ-помощника

ИИ-помощник работает в диалоге с человеком: отвечает на вопрос, готовит черновик или предлагает варианты решения. Пользователь сам запускает действие, проверяет результат и отвечает за следующий шаг.

Агент получает ограниченную бизнес-задачу и может выполнить несколько связанных действий. Например, проверить комплектность документов по ипотечной заявке, сопоставить данные, запросить недостающие сведения и подготовить материалы для андеррайтера.

Но это не означает полной самостоятельности. В корпоративной системе агент действует в пределах заданных полномочий: использует разрешенные источники, соблюдает правила маршрутизации и передает сотруднику случаи, в которых нельзя принять надежное решение. Кредитные и комплаенс-решения остаются в регулируемом контуре с обязательным контролем.

Разница между помощником и агентом заключается не столько в «разуме», сколько в способе работы. Помощник ждет запроса и выдает рекомендацию. Агент может сам инициировать следующий разрешенный шаг, вызвать нужный инструмент и продолжить процесс без постоянных команд со стороны человека.

По прогнозу Gartner, к концу 2026 года до 40% корпоративных приложений будут включать специализированных ИИ-агентов — против менее 5% в 2025 году.

При этом на уровне организаций внедрение пока идет медленнее: по данным опроса Gartner 2026 года, ИИ-агентов уже внедрили 17% организаций, а более 60% рассчитывают сделать это в ближайшие два года.

Зачем агентному проекту Process Mining

Техническая возможность передать задачу агенту еще не означает, что выбрана правильная задача. Если компания не понимает, почему процесс тормозит, она рискует автоматизировать не причину задержки, а одно из ее внешних проявлений.

Process Mining восстанавливает фактический ход процесса по журналам событий корпоративных систем. Для каждого события нужны как минимум идентификатор процесса или заявки, название операции и время ее выполнения. По этим данным можно увидеть реальные маршруты, длительность этапов, возвраты и отклонения от установленной модели. Такое описание соответствует методологии IEEE Task Force on Process Mining.

Технология помогает найти очереди и повторные согласования, а также сопоставить фактический процесс с ожидаемым. При этом результат зависит от качества исходных данных: если часть операций не попадает в журнал или события нельзя связать с конкретной заявкой, модель получится неполной.

Эта картина помогает выбрать участок для внедрения агента. Например, анализ может показать, что скоринг занимает меньше минуты, а несколько дней заявка теряет из-за неполного комплекта документов и повторной проверки одних и тех же сведений. В таком случае ускорять скоринг дальше бессмысленно. Перспективнее проверить, можно ли передать агенту контроль комплектности и подготовку запросов клиенту.

Process Mining дает агентному проекту процессный контекст, но не заменяет остальные источники. Логи показывают последовательность событий и длительность этапов, однако не содержат автоматически смысл документов, причины каждого решения и все нормативные ограничения. Поэтому модель процесса дополняют регламентами, бизнес-правилами, правами доступа и данными из рабочих систем.

Как проверить агента до запуска

Данные Process Mining помогают собрать реалистичные тестовые сценарии: типовые маршруты, редкие отклонения, возвраты и случаи с долгим ожиданием. На их основе агента можно проверять в отдельном испытательном контуре до подключения к рабочим системам.

Однако модель, построенная по журналам событий, сама по себе не доказывает, что агент работает безопасно. Нужны тестовые наборы, негативные сценарии, проверка прав доступа, оценка качества решений и четкие правила передачи задачи человеку.

Для операций с финансовыми и персональными данными особенно важно идентифицировать агента, ограничивать его полномочия и сохранять историю действий. На необходимость таких мер указывает Национальный институт стандартов и технологий США: доступ агентов к данным, инструментам и приложениям требует механизмов идентификации, авторизации и аудита.

После запуска Process Mining можно использовать повторно: сравнить длительность процесса до и после внедрения, проверить, сократилось ли число возвратов, и увидеть, не возникло ли новое узкое место на следующем этапе.

Как сочетаются агент, RPA и BPM

ИИ-агент не обязательно от и до заменяет уже настроенную и работающую автоматизацию. У каждого компонента остается своя задача.

Агент может разбирать неструктурированные данные, подбирать следующий шаг в пределах заданных правил и обрабатывать предусмотренные классы исключений. RPA выполняет предсказуемые действия в системах, где нет подходящего API. BPM- или workflow-платформа контролирует маршрут, сроки, роли и точки передачи задачи человеку.

Это один из вариантов интеллектуальной автоматизации процессов. Конкретная архитектура зависит от систем компании: где-то агент обращается к приложениям напрямую через API, где-то использует RPA, а где-то работает внутри существующего workflow.

Порядок внедрения при этом остается общим. Сначала компания определяет, где процесс действительно теряет время. Затем выясняет причины задержек и выбирает подходящий инструмент: изменить регламент, настроить интеграцию, применить RPA или подключить ИИ-агента.

Если пропустить диагностику и сразу поставить агента поверх непонятного процесса, хаос никуда не исчезнет. Он лишь начнет работать быстрее — и станет сложнее для контроля.