Вокруг агентных автоматизаций разворачивается нешуточная битва. Евангелисты обещают, что ИИ-агенты вот-вот заменят все и всех, скептики интересуются реальными сценариями таких автоматизаций, ROI и прочей конкретикой (но обычно остаются без ответов). 

Мы сами получаем много вопросов о практическом применении агентной автоматизации в бизнесе, и в этой статье расскажем, как сейчас обстоят дела и куда все движется.

Как менялась автоматизация в продуктах Content AI

В продуктовой логике Content AI автоматизация прошла путь от распознавания данных к их интерпретации, а затем к управлению процессом целиком. Базовый технологический слой нашей платформы ContentCapture — OCR (Optical Character Recognition, оптическое распознавание символов). Отправная точка этой технологии в нашей продуктовой эволюции приходится на 1997 год, задача OCR заключалась в том, чтобы переводить бумажные документы и сканы в машиночитаемый текст и создавать основу для дальнейшей цифровой обработки.

В 2007 году к этому слою добавился IDP (Intelligent Document Processing, интеллектуальная обработка документов). На этом этапе система научилась классифицировать распознанные документы, извлекать значимые поля и подготавливать данные для использования в корпоративных процессах.

В 2018 году возможности IDP расширили за счет модуля NLP (Natural Language Processing, обработка естественного языка). Это позволило лучше работать с текстовыми сущностями, языковыми признаками и более сложными типами документов, где одних шаблонов и правил уже недостаточно.

В 2025 году в контур IDP добавили LLM-механики для обработки неструктурированного текста. По сравнению с классическим NLP такой подход лучше подходит для вариативных формулировок, длинного контекста, смешанных типов входа и задач, где нельзя заранее перечислить все возможные языковые конструкции и исключения.

При этом LLM не заменяет NLP во всех случаях. NLP остается удобным инструментом там, где языковая задача очерчена достаточно узко и важна стабильность обработки, а LLM дает преимущество в сценариях, где результат зависит от более широкого контекста письма, документа или цепочки сообщений.

Следующий шаг — появление в 2026 Content AI Capella, отдельного продукта для агентных автоматизаций. Здесь принципиально поменялась логика: если OCR, IDP, NLP и LLM были сосредоточены на том, чтобы понять входящие данные, то Capella берет на себя следующий уровень: связывает понимание контента, workflow-логику, вызов инструментов, обращение к корпоративным системам и контроль исполнения в одном контуре.

Что решает классическая роботизация

RPA здесь никуда не делся и продолжает хорошо работать там, где это оправдано. Бот работает по заранее заданным правилам, повторяет действия в интерфейсах и уверенно держит процессы, где важны повторяемость, детерминированность и понятная логика исполнения.

Типичные сценарии: перенос данных между системами, массовая обработка типовых заявок, обновление карточек, регламентные операции по расписанию, выгрузки, загрузки, сверка полей. Особенно это актуально в компаниях с большим количеством легаси-систем и ограниченным числом API — там RPA часто просто нечем заменить. Ограничение проявляется в другом: как только процесс начинает зависеть от писем, вложений, свободного текста, неоднозначных документов или большого количества исключений, поддерживать его только на уровне жестких сценариев становится заметно сложнее и дороже.

Что меняется с агентным подходом

Агентная автоматизация нужна там, где системе уже недостаточно просто выполнить инструкцию. В таких процессах сначала надо понять входящий контекст, потом выбрать маршрут, подключить нужные инструменты, и только после этого выполнить действие в корпоративной системе.

Если RPA отвечает на вопрос «как точно исполнить известную последовательность шагов», то ИИ-агент работает на уровне цели и контекста. Он может интерпретировать письмо или комплект документов, задействовать модели, RAG, API и workflow, а затем определить, что требуется сделать следующим. В энтерпрайз-среде это особенно востребовано в сценариях, которые начинаются с неструктурированного сигнала вроде входящего письма, сервисного обращения, загруженного пакета документов, алерта по комплаенс-кейсу или запроса сразу из нескольких систем. Агентный слой в таком случае берет на себя анализ входа и координацию, а транзакционное исполнение по-прежнему может оставаться за RPA, API или человеком.

Когда что выбрать

Разделение ролей важно не только для архитектуры, но и для экономики внедрения. Чем точнее распределены функции между IDP, RPA и AI-агентом, тем проще масштабировать автоматизацию и контролировать результат. RPA рационально использовать там, где маршрут стабилен, входные данные в основном структурированы, а действия должны воспроизводиться от запуска к запуску. Теоретически ряд таких задач можно закрыть и агентом, но это примерно как забивать гвозди микроскопом.

Агентный подход оправдан там, где процесс начинается с текста, документа или неоднозначного запроса и требует интерпретации: маршрутизация обращений, обработка сложных входящих кейсов, комплаенс-сценарии, работа с несколькими источниками знаний, цепочки действий, которые зависят от контекста.

На практике наиболее рабочей оказывается гибридная модель. Где OCR/IDP отвечает за извлечение и подготовку данных, агентный слой за выбор сценария и координацию, RPA или API-интеграции за исполнение в учетных и операционных системах.

Управляемость в агентной автоматизации

Чем выше автономность, тем жестче требования к управляемости. ИИ-агент должен работать внутри заранее заданного операционного контура, а не как универсальный интерфейс к модели без ограничений. Помните кейс с pocketOS, когда агент самовольно удалил данные пользователей из базы всего за 9 секунд? Вот именно так делать не надо.

Нормально выстроенная архитектура управления включает несколько обязательных уровней.

Первый: роли, права доступа и ограничение набора инструментов, с которыми агент может работать.

Второй: журналирование и трассировка. Компании нужно понимать, какой контекст был использован, какие вызовы сделаны и на каком шаге процесс отклонился от ожидаемого маршрута.

Третий: контроль критичных действий. В процессах с высокой ценой ошибки (комплаенс, комплексная оценка, операции с чувствительными данными и т.д.) нужны политики ограничений и участие человека в процессе на спорных шагах.

Четвертый: эксплуатация. Для промышленной среды важны наблюдаемость, интеграция в корпоративный ИТ-контур, on-premise варианты, хранение артефактов и метрики, по которым можно оценивать качество, стоимость и SLA автоматизации. В Content AI Capella эти элементы заложены как часть платформы.

Ограничения агентного подхода

Агентная автоматизация пока не может решить все задачи и не всегда оказывается лучшим выбором для старта. По сравнению со сценарным RPA она требует более сложной архитектуры: в контур исполнения добавляются LLM-вызовы, контекстная обработка, мониторинг, проектирование ограничений и контроль качества результатов. Есть и прикладные ограничения: агент может ошибиться в интерпретации письма, выбрать не тот инструмент, неверно понять приоритет кейса или сработать нестабильно в пограничных ситуациях, если не настроены правила верификации и контроль маршрута.

Поэтому агентный слой не стоит механически переносить на все процессы. Если задача полностью формализована, работает в стабильной среде и требует высокой предсказуемости каждого действия, классический RPA обычно оказывается проще, дешевле и прозрачнее в сопровождении.

С другой стороны, отказ от агентной модели там, где основной источник сложности не исполнение, а понимание входящего контекста, просто ограничивает возможности. В таких процессах гибридная архитектура дает более точный баланс между адаптивностью и контролем.

Где технологии сработают вместе

Совместное применение RPA, IDP и AI-агентов лучше всего себя показывает в документоцентричных и сервисных сценариях. Типовой пример — обработка входящей почты с вложениями: система получает письмо, извлекает данные из документов, определяет тип кейса, выбирает маршрут и только после этого выполняет действия в учетных системах.

Та же логика работает в комплаенсе, при проверке контрагентов, в клиентских обращениях и во внутренних операциях между подразделениями. Агентный слой берет на себя координацию, поиск контекста и обработку исключений, RPA и API-компоненты исполняют повторяемые действия в бизнес-системах.

Для продуктовой линейки Content AI это выглядит как естественное разделение задач. ContentCapture покрывает извлечение данных и сценарное исполнение в документообороте и операционных процессах, Content AI Capella добавляет уровень агентной оркестрации для более сложных и вариативных сценариев.

Матрица выбора

Чем это обернется для B2B-автоматизации

Сейчас, по сути, мы наблюдаем переупорядочивание прежних подходов. Раньше основное внимание было сосредоточено на автоматизации отдельных действий, теперь фокус смещается в сторону обработки контекста, маршрутизации и координации нескольких слоев исполнения.

RPA сохраняет свое место как исполнительный контур для стабильных процессов. IDP отвечает за извлечение и структурирование данных. Агентная платформа расширяет область автоматизации туда, где процесс зависит от текста, исключений и динамического выбора следующего шага. Такое разделение экономит и время, и бюджет. LLM-вызовы дороже и медленнее правил, поэтому в гибридной модели ИИ подключается точечно, для маршрутизации и сложных случаев. Документы распознает IDP, рутинные действия выполняют RPA и скрипты, а токены расходуются только там, где нужна интерпретация контекста.

Для Content AI такая модель выглядит последовательной на уровне всей линейки. Путь от OCR к IDP, затем к NLP и LLM, а после этого к отдельной платформе для агентных автоматизаций — это в каждом случае один и тот же переход: от обработки документа к управлению процессом вокруг него.

Мы не ожидаем, что в ближайшей перспективе RPA исчезнет, скорее, изменится его роль: RPA все чаще становится исполнительным слоем, а выбор маршрута и обработка неструктурированного входа выносятся в IDP- и агентный контур. Поразмышлять на эту тему приглашаем в комментариях.