Корпоративная автоматизация в последние годы развивается под влиянием потребности повышения операционной эффективности и растущего интереса к генеративному искусственному интеллекту. Это сформировало ожидание, что ИИ-модели способны заменить существующие инструменты автоматизации, включая программную роботизацию. Однако практика внедрений показывает, что такой подход не только не упрощает архитектуру, но и приводит к обратному эффекту. Попытки использовать искусственный интеллект как универсальный инструмент увеличивают сложность решений, повышают требования к инфраструктуре и снижают управляемость, а в ряде случаев — не окупаются из-за роста затрат на поддержку и постоянную доработку.
В таких условиях сформировалась более устойчивая модель, в рамках которой автоматизация рассматривается как процессная система, объединяющая разные классы технологий. Но реализация этого подхода требует четкого понимания ограничений, связанных
с использованием искусственного интеллекта в корпоративной среде.
В таких условиях сформировалась более устойчивая модель, в рамках которой автоматизация рассматривается как процессная система, объединяющая разные классы технологий. Но реализация этого подхода требует четкого понимания ограничений, связанных
с использованием искусственного интеллекта в корпоративной среде.
Ограничения универсального применения AI
Одной из исходных проблем становится неконтролируемое — «теневое» — использование
AI-инструментов сотрудниками. По данным отраслевых исследований, персонал до 90% компаний обращается к внешним генеративным AI-сервисам при решении рабочих задач: большие языковые модели применяются для анализа документов, поиска информации и подготовки решений. При этом взаимодействие с ними происходит за пределами корпоративного контура и без участия ИТ-подразделений. Это приводит к рискам утечки данных, снижению прозрачности процессов и отсутствию контроля качества.
Компании, пытающиеся перенести автоматизацию таких сценариев во внутреннюю инфраструктуру, сталкиваются с рядом проблем. На фоне большого количества open source продуктов и моделей возникает иллюзия, что достаточно внедрить одно из них в корпоративный контур — и задача будет решена. Однако open-source — это не готовый продукт: на практике оказывается, что такие решения требует значительного объема работ по настройке и доработке с привлечением дорогостоящих разработчиков. Более того, отдельностоящие языковые модели и open-source решения не обеспечивают выполнения ключевых требований: управление правами доступа, доменную аутентификацию, соответствие стандартам безопасности, мониторинг и интеграцию с корпоративными системами. Для полноценного использования и тиражирования необходимо создание прикладного слоя, что фактически означает разработку и последующую поддержку отдельной системы.
С экономической точки зрения универсальное применение LLM (Large Language Model, большая языковая модель) также имеет ограничения. Использование ресурсоемких моделей
в задачах, которые могут быть решены детерминированными инструментами, приводит к росту затрат без сопоставимого эффекта.
Ключевым ограничением остается поведение моделей. Даже при наличии формализованных инструкций и промтов они способны:
Это означает, что выполнение задач с использованием LLM не гарантирует одинаковый результат при повторных запусках. В отличие от программной роботизации, поведение ИИ-агента не является строго детерминированным, что ограничивает его применение в критически важных процессах.
AI-инструментов сотрудниками. По данным отраслевых исследований, персонал до 90% компаний обращается к внешним генеративным AI-сервисам при решении рабочих задач: большие языковые модели применяются для анализа документов, поиска информации и подготовки решений. При этом взаимодействие с ними происходит за пределами корпоративного контура и без участия ИТ-подразделений. Это приводит к рискам утечки данных, снижению прозрачности процессов и отсутствию контроля качества.
Компании, пытающиеся перенести автоматизацию таких сценариев во внутреннюю инфраструктуру, сталкиваются с рядом проблем. На фоне большого количества open source продуктов и моделей возникает иллюзия, что достаточно внедрить одно из них в корпоративный контур — и задача будет решена. Однако open-source — это не готовый продукт: на практике оказывается, что такие решения требует значительного объема работ по настройке и доработке с привлечением дорогостоящих разработчиков. Более того, отдельностоящие языковые модели и open-source решения не обеспечивают выполнения ключевых требований: управление правами доступа, доменную аутентификацию, соответствие стандартам безопасности, мониторинг и интеграцию с корпоративными системами. Для полноценного использования и тиражирования необходимо создание прикладного слоя, что фактически означает разработку и последующую поддержку отдельной системы.
С экономической точки зрения универсальное применение LLM (Large Language Model, большая языковая модель) также имеет ограничения. Использование ресурсоемких моделей
в задачах, которые могут быть решены детерминированными инструментами, приводит к росту затрат без сопоставимого эффекта.
Ключевым ограничением остается поведение моделей. Даже при наличии формализованных инструкций и промтов они способны:
- выбирать альтернативные источники данных и отклоняться от инструкций;
- некорректно интерпретировать интерфейсы приложений и сайтов;
- формировать неточные или неполные результаты, галлюцинировать.
Это означает, что выполнение задач с использованием LLM не гарантирует одинаковый результат при повторных запусках. В отличие от программной роботизации, поведение ИИ-агента не является строго детерминированным, что ограничивает его применение в критически важных процессах.
Разделение ролей между технологиями
Практика внедрения решений автоматизации бизнес-процессов сформировала подход,
при котором выбор технологии определяется характеристиками процесса, степенью его детерминированности и ценой ошибки.
Детерминированные сценарии, предполагающие строгую формализацию и обладающие высокой ценой ошибки, реализуются с использованием программной роботизации. Такие процессы характерны для финансовых операций, учета и контроля данных, где требуется гарантированная воспроизводимость результата и исключение неоднозначной интерпретации.
Недетерминированные процессы, напротив, характеризуются изменяющейся средой и невозможностью заранее задать четкую последовательность действий. К таким задачам относятся мониторинг множества источников данных, работа с внешними веб-интерфейсами, анализ текстовых данных и поиск релевантной информации. В ряде практических сценариев это может включать одновременную работу с десятками источников (например, 40–50 веб-площадок), что делает поддержку алгоритмически заданных сценариев экономически нецелесообразной. Попытка реализовать такие процессы через фиксированные алгоритмы приводит к постоянным доработкам и росту затрат на сопровождение.
В этих условиях применение AI-агентов позволяет выполнять задачи на основе текстового описания задачи и адаптироваться к изменениям среды. При этом агент принимает решения
в момент выполнения, включая выбор источников и способов взаимодействия с ними. Такой подход расширяет область автоматизации, но требует обязательного контроля результата и участия человека в критичных сценариях.
при котором выбор технологии определяется характеристиками процесса, степенью его детерминированности и ценой ошибки.
Детерминированные сценарии, предполагающие строгую формализацию и обладающие высокой ценой ошибки, реализуются с использованием программной роботизации. Такие процессы характерны для финансовых операций, учета и контроля данных, где требуется гарантированная воспроизводимость результата и исключение неоднозначной интерпретации.
Недетерминированные процессы, напротив, характеризуются изменяющейся средой и невозможностью заранее задать четкую последовательность действий. К таким задачам относятся мониторинг множества источников данных, работа с внешними веб-интерфейсами, анализ текстовых данных и поиск релевантной информации. В ряде практических сценариев это может включать одновременную работу с десятками источников (например, 40–50 веб-площадок), что делает поддержку алгоритмически заданных сценариев экономически нецелесообразной. Попытка реализовать такие процессы через фиксированные алгоритмы приводит к постоянным доработкам и росту затрат на сопровождение.
В этих условиях применение AI-агентов позволяет выполнять задачи на основе текстового описания задачи и адаптироваться к изменениям среды. При этом агент принимает решения
в момент выполнения, включая выбор источников и способов взаимодействия с ними. Такой подход расширяет область автоматизации, но требует обязательного контроля результата и участия человека в критичных сценариях.
Архитектура процессной автоматизации и практический сценарий
Комбинированная модель предполагает использование на каждом этапе процесса наиболее подходящей технологии — с учетом минимизации рисков ошибок, затрат на вычислительные ресурсы и стоимости сопровождения. Ключевым преимуществом интеллектуальной автоматизации становится не просто автоматизация отдельных задач в рамках процесса,
а объединение различных технологий в единый сквозной механизм исполнения. Такой подход реализуется в платформенных решениях, включая ROBIN, применяемых для построения сквозной автоматизации процессов.
Характерным примером является обработка пользовательских обращений. Сообщение поступает, например, через мессенджер, после чего автоматически регистрируется в системе управления заявками (Service Desk). На первом этапе программная роботизация выполняет формализованные действия, включая создание заявки и заполнение необходимых данных.
Далее подключается AI-агент: он анализирует содержание обращения, ищет релевантную информацию в базе знаний и определяет, может ли задача быть решена автоматически.
При необходимости уточнения данных агент формулирует и направляет пользователю дополнительные вопросы. Если релевантная информация найдена в имеющейся базе знаний, система формирует ответ и возвращает его пользователю без участия сотрудника, одновременно закрывая заявку. Таким образом, типовые обращения обрабатываются без вовлечения персонала.
Если решение в базе знаний отсутствует, запрос передается на следующую линию поддержки. Сотрудник обрабатывает обращение, после чего результат фиксируется и добавляется в базу знаний. Это позволяет использовать полученное решение повторно и постепенно увеличивать долю автоматической обработки.
Агенты могут использоваться для работы с внутренними и внешними информационными ресурсами. Например, в задаче проверки контрагента агент анализирует запрос, формирует план действий и определяет, какие из доступных инструментов использовать. Он инициирует обращения к системам и сайтам, взаимодействует с веб-интерфейсами и извлекает необходимые данные. При этом последовательность действий не задается заранее: агент самостоятельно определяет, каким образом получить информацию и учится обрабатывать возникающие ошибки. При необходимости ограничения поведения агента (например, по формату результата или перечню используемых источников) такие требования могут задаваться в виде инструкций на естественном языке. В зависимости от ситуации могут использоваться разные источники и способы получения данных, что обеспечивает гибкость, но не гарантирует полностью предсказуемый результат, поскольку модели могут допускать ошибки и формировать неточные ответы.
Технологически такая архитектура реализуется через объединение компонентов в рамках единой платформы. В решениях класса ROBIN в одном контуре сочетаются:
В рамках такой модели AI-агент выступает не столько как источник ответа, сколько
как исполнитель действий: он определяет необходимые шаги, а взаимодействие с системами осуществляется через специализированные механизмы доступа к интерфейсам и данным.
При этом выполнение не является полностью детерминированным. Система может выбрать иной путь решения или некорректно интерпретировать интерфейс, что требует встроенных механизмов контроля и участия человека.
а объединение различных технологий в единый сквозной механизм исполнения. Такой подход реализуется в платформенных решениях, включая ROBIN, применяемых для построения сквозной автоматизации процессов.
Характерным примером является обработка пользовательских обращений. Сообщение поступает, например, через мессенджер, после чего автоматически регистрируется в системе управления заявками (Service Desk). На первом этапе программная роботизация выполняет формализованные действия, включая создание заявки и заполнение необходимых данных.
Далее подключается AI-агент: он анализирует содержание обращения, ищет релевантную информацию в базе знаний и определяет, может ли задача быть решена автоматически.
При необходимости уточнения данных агент формулирует и направляет пользователю дополнительные вопросы. Если релевантная информация найдена в имеющейся базе знаний, система формирует ответ и возвращает его пользователю без участия сотрудника, одновременно закрывая заявку. Таким образом, типовые обращения обрабатываются без вовлечения персонала.
Если решение в базе знаний отсутствует, запрос передается на следующую линию поддержки. Сотрудник обрабатывает обращение, после чего результат фиксируется и добавляется в базу знаний. Это позволяет использовать полученное решение повторно и постепенно увеличивать долю автоматической обработки.
Агенты могут использоваться для работы с внутренними и внешними информационными ресурсами. Например, в задаче проверки контрагента агент анализирует запрос, формирует план действий и определяет, какие из доступных инструментов использовать. Он инициирует обращения к системам и сайтам, взаимодействует с веб-интерфейсами и извлекает необходимые данные. При этом последовательность действий не задается заранее: агент самостоятельно определяет, каким образом получить информацию и учится обрабатывать возникающие ошибки. При необходимости ограничения поведения агента (например, по формату результата или перечню используемых источников) такие требования могут задаваться в виде инструкций на естественном языке. В зависимости от ситуации могут использоваться разные источники и способы получения данных, что обеспечивает гибкость, но не гарантирует полностью предсказуемый результат, поскольку модели могут допускать ошибки и формировать неточные ответы.
Технологически такая архитектура реализуется через объединение компонентов в рамках единой платформы. В решениях класса ROBIN в одном контуре сочетаются:
- программные роботы для выполнения алгоритмизируемых операций с высокой степенью ответственности;
- инструменты OCR/IDP для обработки документов;
- AI-агенты на базе LLM для недетерминированных процессов или для задач с невысокой ценой ошибки; процессный слой (BPM), обеспечивающий оркестрацию разных технологий в рамках одного процесса;
- возможность включать сотрудника в процесс в качестве инициатора задачи или участника, верифицирующего и подтверждающего результат.
В рамках такой модели AI-агент выступает не столько как источник ответа, сколько
как исполнитель действий: он определяет необходимые шаги, а взаимодействие с системами осуществляется через специализированные механизмы доступа к интерфейсам и данным.
При этом выполнение не является полностью детерминированным. Система может выбрать иной путь решения или некорректно интерпретировать интерфейс, что требует встроенных механизмов контроля и участия человека.
Эффекты для бизнеса
Переход к процессной автоматизации оказывает системное влияние на операционные показатели, поскольку изменения затрагивают всю логику исполнения процессов. Ключевой эффект связан с устранением разрывов между этапами обработки. В традиционной модели, даже при наличии автоматизации, отдельные шаги остаются изолированными, что требует ручного участия при передаче данных между системами. При интеллектуальной автоматизации такие переходы исключаются, а выполнение становится непрерывным и происходит без постоянного вовлечения человека. Это сокращает время обработки и повышает пропускную способность без увеличения ресурсов.
Снижение нагрузки на персонал достигается за счет перераспределения функций между сотрудниками и цифровыми исполнителями. Рутинные операции, включая регистрацию, перенос данных и первичную обработку, выполняются автоматически. В результате сотрудники вовлекаются только в этапы, требующие принятия решений.
Повышение качества обработки обеспечивается за счет стандартизации выполнения операций и исключения ошибок ручного ввода. Дополнительный эффект формируется благодаря накоплению знаний: ранее принятые решения фиксируются и используются повторно, снижая вариативность результатов. По мере развития системы увеличивается доля автоматически обрабатываемых задач, поскольку новые сценарии формируются за счет накопленного опыта, а не разрабатываются с нуля.
В зрелых сценариях внедрения, по статистике SL Soft, подобная архитектура позволяет достигать значимого эффекта на уровне подразделений. В частности, для решений на базе платформы ROBIN заявляется потенциал повышения эффективности функциональных подразделений до 80%.
Следует учитывать, что такие результаты достигаются только при комплексном подходе. Использование отдельных инструментов без их интеграции не приводит к сопоставимому эффекту.
Снижение нагрузки на персонал достигается за счет перераспределения функций между сотрудниками и цифровыми исполнителями. Рутинные операции, включая регистрацию, перенос данных и первичную обработку, выполняются автоматически. В результате сотрудники вовлекаются только в этапы, требующие принятия решений.
Повышение качества обработки обеспечивается за счет стандартизации выполнения операций и исключения ошибок ручного ввода. Дополнительный эффект формируется благодаря накоплению знаний: ранее принятые решения фиксируются и используются повторно, снижая вариативность результатов. По мере развития системы увеличивается доля автоматически обрабатываемых задач, поскольку новые сценарии формируются за счет накопленного опыта, а не разрабатываются с нуля.
В зрелых сценариях внедрения, по статистике SL Soft, подобная архитектура позволяет достигать значимого эффекта на уровне подразделений. В частности, для решений на базе платформы ROBIN заявляется потенциал повышения эффективности функциональных подразделений до 80%.
Следует учитывать, что такие результаты достигаются только при комплексном подходе. Использование отдельных инструментов без их интеграции не приводит к сопоставимому эффекту.
От внедрения инструментов — к управлению исполнением процессов
Искусственный интеллект не заменяет существующие инструменты автоматизации, а дополняет их. Попытка использовать AI как универсальное решение приводит к росту затрат, усложнению поддержки и снижению управляемости.
Устойчивый подход основан на распределении ролей: RPA обеспечивает воспроизводимость результата выполнения задачи, AI-агенты — гибкость и простоту решения, а процессный слой объединяет их в единые сценарии. Это требует перехода от внедрения отдельных инструментов
к построению целостной системы исполнения процессов.
В этой логике практический интерес представляют платформенные решения, в которых такая модель уже реализована. Платформа ROBIN обеспечивает переход от автоматизации отдельных операций к управлению исполнением процессов, объединяя программную роботизацию, AI-агентов, инструменты обработки документов и процессное управление в рамках единого контура. Практика ее применения в крупнейших российских компаниях показывает масштабируемость подхода: общее количество автоматизированных процессов превышает 10 тыс., а в зрелых сценариях внедрения потенциал повышения эффективности функциональных подразделений может достигать 80%. Такой подход становится необходимым условием масштабируемой автоматизации: без перехода к процессной модели дальнейшее развитие цифровых инициатив неизбежно приводит к росту сложности, затрат и снижению управляемости.
Иван Мельников, директор по развитию продуктов ROBIN компании SL Soft.
Устойчивый подход основан на распределении ролей: RPA обеспечивает воспроизводимость результата выполнения задачи, AI-агенты — гибкость и простоту решения, а процессный слой объединяет их в единые сценарии. Это требует перехода от внедрения отдельных инструментов
к построению целостной системы исполнения процессов.
В этой логике практический интерес представляют платформенные решения, в которых такая модель уже реализована. Платформа ROBIN обеспечивает переход от автоматизации отдельных операций к управлению исполнением процессов, объединяя программную роботизацию, AI-агентов, инструменты обработки документов и процессное управление в рамках единого контура. Практика ее применения в крупнейших российских компаниях показывает масштабируемость подхода: общее количество автоматизированных процессов превышает 10 тыс., а в зрелых сценариях внедрения потенциал повышения эффективности функциональных подразделений может достигать 80%. Такой подход становится необходимым условием масштабируемой автоматизации: без перехода к процессной модели дальнейшее развитие цифровых инициатив неизбежно приводит к росту сложности, затрат и снижению управляемости.
Иван Мельников, директор по развитию продуктов ROBIN компании SL Soft.
