Process Mining вступает в новую фазу развития – осуществляется переход от инструмента визуализации процессов и поиска «узких мест» к автономным системам, которые способны самостоятельно очищать данные, строить модели, находить отклонения и проблемы, а также предлагать конкретные улучшения. Команда индийский учёных провела специализированное независимое исследование: связка PM, мультиагентной архитектуры и машинного обучения не только ускоряет анализ, но и снижает затраты компаний как минимум на 16%. 

Новый рубеж

Классический Process Mining уже стал стандартом эффективного управления и одним из ключевых звеньев цифровой трансформации. Технология помогает понять, как процессы выполняются в реальности и где теряются деньги и время. Тем не менее в таком формате решения продолжают приниматься вручную: аналитик проверяет данные, выбирает нужные метрики и формирует гипотезы, потому цикл изменения может затянуться на дни и недели.

Фактически действия процессного аналитика превращаются в рутину, и это значит, что какую-то часть задач можно делегировать специализированным ИИ-агентам. Они не просто анализируют события «в вакууме», а «обмениваются» знаниями и результатами, создавая цельную цепочку от сбора данных до предложений по оптимизации. Таким образом, формируется своего рода «цифровой мозг» компании, способный исследовать, диагностировать и предлагать улучшения самостоятельно. 

Пять ролей для одной цели

В рамках исследования была сформирована архитектура из 5 ИИ-агентов, отвечающих за определённые участки анализа процессов:

• Data Processing Agent – чистит логи, проверяет корректность временных меток и последовательность событий, конвертирует данные в нужный формат;
• Process Analysis Agent – строит модель процесса и проверяет его качество по установленным метрикам; 
• Workflow Pattern Agent – выделяет основные варианты выполнения процессов и оценивает их различия, что помогает понять, где проблемы значимы, а где возникает информационный шум;
• Bottleneck Detection Agent – выявляет «узкие места» и нарушения регламентов, связывая статистику с доменными правилами;
• Process Optimization Agent – моделирует изменения, оценивает их влияние и рассчитывает ROI.

Важно: ИИ-агенты обмениваются только релевантными данными, существующими в привязке к бизнес-контексту, что снижает риск ошибок и повышает точность анализа. 

Практическое испытание

Для стресс-теста системы авторы исследования использовали выборку данных из 8 469 обращений клиентов в службу поддержки крупной компании. В логах содержались сведения о времени, канале обращения (телефон, email, соцсети, чат), приоритете случая, итоговой удовлетворённости клиента и других атрибутах. Используя мультиагентный подход в связке с Process Mining, команде проекта удалось добиться:

• точности подготовки данных в 98,7%;
• качества модели процесса в 94%;
• эффективности выявления «узких мест» в 92,3%;
• сокращения среднего цикла процесса на 23,7%;
• снижения затрат на 15,9%;
• роста комплаенса на 12%.

Достигнутые показатели близки к результатам зрелых промышленных внедрений Process Mining в банках, где экономический эффект может измеряться миллионами долларов. Отличие проекта заключается лишь в том, что он завершён без фактического участия аналитиков. 

Бенефиты для бизнеса

Ключевое преимущество мультиагентного подхода – автономность анализа и масштабирование паттерна на другие кейсы. Система способна:

• автоматически готовить данные для разных типов процессов (заказ, заявка, тикет);
• выявлять отклонения в реальном времени;
• предлагать корректировки маршрутов и перераспределение задач;
• прогнозировать эффект и пересчитывать ROI.

В конечном итоге компании смогут сократить затраты, повысить точность управленческих решений и выстроить более предсказуемые, эффективные процессы.

Вектор развития

Проведённое исследование – первый базовый шаг перед переходом от анализа исторических данных к постоянному мониторингу процессов в реальном времени и влиянию на них. Параллельно развивается направление самообучения мультиагентных систем. Таким образом, классическая процессная аналитика постепенно мигрирует в сторону подхода Process-Aware AI Agents, где решения принимаются динамически и без участия человека. 

Допущения и ограничения

Авторы исследования подчёркивают, что автономность системы не отменяет базовых правил классического Process Mining: если логи неполные, а события перепутаны, то даже ИИ-агенты не смогут построить корректную модель процесса. По материалам JAIT