Привет, Хабр! Меня зовут Сергей, я руковожу управлением операционных технологий в РГС. Недавно мы с командой обсуждали вопрос: «А что эффективнее сегодня: робот или AI-агент?».
В последние годы RPA стал массовым инструментом автоматизации рутинных бизнес-процессов. При этом RPA, действующий по строго заданным сценариям, отлично справляется с многократной обработкой хорошо структурированных задач, а ИИ-агенты на основе LLM — с неструктурированными данными и рассуждениями.
В enterprise-ландшафте это не конкурирующие подходы, а два слоя одной системы, и получается, что если выбирать что-то одно, то это своего рода «выбор без выбора», и мы только потеряем в эффективности, если примем сторону одного из подходов.
Поэтому в этой статье я хочу рассмотреть актуальность RPA сегодня, плюсы и ограничения каждой технологии, взаимодополняющие архитектурные паттерны и разобрать реальный кейс РГС (как и зачем мы объединили роботов и ИИ).
Актуальность RPA сегодня
RPA–платформы уже прошли этап начального «бума» роботизации и сегодня служат «рабочей лошадкой» для многих компаний. Они позволяют быстро автоматизировать операции с UI без доработки серверных систем. По некоторымоценкам, к концу 2024 г. 71% крупнейших финансовых организаций используют RPA и ИИ совместно: решение совмещать RPA и ИИ стало своего рода трендом.
RPA особенно актуально там, где много однотипных структурированных действий: ввод данных, сверка отчётов, интеграция с устаревшими приложениями. Однако с внедрением ИИ-систем вырос спрос на автоматизацию нестандартных задач (классификация документов, поиск инсайтов, ответы на запросы клиентов), что расширяет требования к средствам автоматизации. Можно сказать, что в современных реалиях RPA остаётся базовым слоем исполнения задач, а ИИ-решения постепенно берут на себя интеллектуальную часть.
Преимущества и ограничения RPA
Преимущества RPA:
- RPA-роботы следуют детально заданным алгоритмам и надёжно исполняют рутинные задачи с высокой скоростью и стабильностью.
- Хорошо работают с формализованными процессами: вводом/выгрузкой данных, сводными операциями, начислениями, отчетами.
- RPA-автоматизация часто даёт кратное сокращение времени выполнения задач.
Ограничения RPA:
Ключевое ограничение — жёсткая привязка к правилам. RPA не умеет «понимать» контент и логически решать нестандартные ситуации без перепрограммирования. Задачи, описанные плохо формализуемым бизнес-языком или требующие «человеческой» логики, выходят за рамки компетенций робота. Кроме того, RPA-автоматика бывает хрупкой при изменениях UI: даже малое обновление интерфейса может нарушить работу.
Преимущества и ограничения ИИ-агентов
Преимущества ИИ-агентов:
- ИИ-агенты на основе крупных языковых моделей могут анализировать неструктурированные данные (текст, изображения), обучаться на примерах и «думать» более гибко.
- Они способны понимать контекст запросов, генерировать ответы по правилам, обращаться к базе знаний и корректировать собственную работу («саморефлексия»).
Ограничения ИИ-агентов:
ИИ-агенты не умеют сами взаимодействовать с «физическими» корпоративными системами: они не вводят данные в интерфейс SAP и не проводят электронную транзакцию без дополнительного инструмента.
Кроме того, ИИ может ошибаться, а процесс его развертывания требует новых компетенций (prompt-инжиниринг, поддержка модели). На ранней стадии внедрения требуется тщательное управление ожиданиями: агентам важно задать чёткие правила и вручную покрыть сценарии «эскалации» к человеку.
В итоге ИИ-агент хорошо решает сложные интеллектуальные задачи (выявление паттернов, ответы по неформальным данным), но остаётся зависим от инфраструктуры RPA или API для фактического исполнения задач.
Выгоды совместного использования RPA+ИИ
При совместном использовании ИИ-агент берт на себя «интеллектуальную функцию», а RPA становится исполнителем и «рабочей силой». Архитектурно это выглядит так: агент инициирует вызов через Orchestrator, который подбирает нужный tool (скрипт-робот) из Tool Registry, передаёт ему контекст и параметры, а RPA-бот через UI выполняет операции в системах. После завершения робота Orchestrator возвращает агенту результаты для продолжения цепочки. Таким образом получается защищённый пайплайн: агентов и «роботов разделяет оркестратор с логированием.
Это даёт множество преимуществ:
Широкое покрытие.Существующие RPA-сценарии автоматически становятся инструментами (tools) в агентной архитектуре без переработки. Новая логика не пишется «с нуля», ИИ-агент как бы наследует всю автоматизацию корпоративных систем.
Независимость от AI-платформы. За счёт слоя Tool Registry и Orchestrator выбор конкретной модели, и агента абстрагирован: меняется только навык агента, но доступ ко всем инструментам (RPA) остаётся тем же.
Безопасность и аудит.Оркестратор обеспечивает изоляцию (роботы работают под сервисными аккаунтами, не передавая агентам учетные данные). А управление ошибками (таймауты, эскалация в ручной режим) и подробный аудит логируются с привязкой к агенту, что обеспечивает прозрачность операций и соответствие требованиям безопасности.
В итоге мы получает возможность автоматизировать сквозные процессы: ИИ «понимает» и предварительно обрабатывает входящие данные (документы, запросы), а RPA-роботы «выполняют» структурированные действия в бэк-офисе.
Что важно учесть при внедрении в enterprise-архитектуру
Enterprise-архитектура накладывает ряд сложностей при работе с искусственным интеллектом. Большая часть корпоративных систем в такой структуре:
- исторически развивалась десятилетиями,
- интеграции между ними ограничены,
- многие операции доступны только через пользовательский интерфейс.
Каждая учётная система — это отдельный интерфейс со своей логикой, своими версиями, своими edge cases. Интеграция с 1С, SAP или корпоративной АИС не упрощается оттого, что языковые модели становятся умнее. Это инженерная задача, которую решает RPA — и будет решать независимо от того, что происходит в мире AI.
Что здесь важно учесть:
Безопасность.Для соответствия корпоративным стандартам необходимо учесть несколько аспектов:
- Управление доступом: роботы работают под выделенными сервисными аккаунтами с минимальными правами, а ИИ-агент обращается только к согласованным источникам.
- Аудит и логирование: каждый вызов RPA (tool_call) фиксируется с параметрами, пользователем-инициатором, временем и результатом (как это делают ведущие RPA-платформы). Это даёт сквозную трассировку от пользовательского запроса через агента до конкретных изменений в системе.
- Соответствие стандартам: применяйте принятую политику обработки персональных данных, шифруйте конфиденциальную информацию в каналах обмена. Системы RPA/AI часто интегрируются с SIEM/IDM для единого контроля. Важно удостовериться, что политикой безопасности организации одобрены сценарии автоматизации и модели ИИ.
Data lineage.Архитектурно стоит предусмотреть отображение связей между данными и операциями. Используйте возможности RPA и BI-инструментов для построения «дерева», показывающего, какие данные были получены от ИИ-агента и какие поля изменены роботами. Если ИИ работает через API или мессенджер, логируйте входящие запросы (например, текстовые промты) и ответы моделей. При необходимости можно встраивать уникальные идентификаторы транзакций, чтобы связать запрос агента с конкретным RPA-сценарием и результатом в системе.
Дальнейшее масштабирование.Возьмите один из ваших роботизированных процессов (лучше тот, где больше всего исключений, уходящих на ручную обработку) и пройдитесь по каждому шагу с одним вопросом: здесь есть заранее известный правильный ответ? Шаги, где ответ «нет» — это точки, где сейчас стоит человек. Именно здесь есть место для интеграции агентного слоя. Дальнейшее масштабирование — вопрос последовательности: зафиксировать карту, определить приоритетную точку для пилота, настроить метрики.
Один из кейсов РГС
ИИ (модели РГС Лаб):
- анализирует параметры договора;
- определяет отклонения коэффициента;
- классифицирует кейс;
- помогает формировать решение.
RPA-робот (Primo):
- получает данные из различных систем;
- открывает карточки договоров;
- запускает проверки;
- переносит информацию между системами;
- фиксирует результат проверки.
Если описать логику максимально просто, цепочка выглядит так:
- Агент запускает робота и согласно расписанию и параметрам окружения (понимает нагрузку, текущую очередь, сколько роботов запустить).
- Робот получает список договоров на проверку.
- Загружает данные из корпоративных систем.
- Передаёт параметры в модель ИИ.
- Модель анализирует коэффициент Ка и другие признаки.
- Возвращает классификацию (стандартный / нестандартный случай).
- Робот выполняет необходимые действия в системах:
- фиксирует решение;
- запускает дополнительные проверки;
- передаёт кейс андеррайтеру, если требуется.
Как измерить эффективность
Каждый из трёх слоёв, которые лежат в основе нашего подхода, решает разную задачу и оценивается по своей шкале.
Роботы работают с детерминированными операциями, поэтому для них считают: время цикла, процент исключений, уходящих на ручную обработку, высвобожденные FTE-часы.
Слой работы с документами или ИИ модель оценки риска оценивается через качество распознавания или точность оценки (уверенность): доля документов, прошедших автоматически без ручной проверки, точность извлечения полей относительно размеченного эталона, процент случаев с низкой уверенностью модели.
Агент оценивается через качество решений: точность относительно того, что решил бы эксперт вручную, процент случаев с вынужденной эскалацией к человеку, время обработки нестандартной ситуации от поступления до результата.
Когда три слоя работают вместе, появляется одна сквозная метрика: сколько процентов процесса проходит без участия человека (от входящего документа до записи в учётной системе). Именно здесь видно, где каждый слой добавляет измеримый эффект. Чистая роботизация обычно закрывает 60–70% процесса, дальше стоят исключения. Добавление агентного слоя поднимает этот показатель до 90–97% в зрелых внедрениях: агент берёт решение в точках неопределённости, робот по-прежнему исполняет.
В целом можно продолжать оптимизировать роботов. Можно экспериментировать с ИИ. Все это имеет место быть и хорошо работает в умелых руках. Но сейчас, на мой взгляд, сотрудничество RPA и ИИ по-настоящему эффективно. А вы что думаете? Были ли у вас удачные кейсы?
