RPA ووكلاء الذكاء الاصطناعي في البنية المؤسسية: ليس بدلاً من ذلك، بل معاً

Руководитель управления операционных технологий страховой компании РГС (Росгосстрах) по имени Сергей опубликовал на Habr материал о том, конкурируют ли между собой роботизированная автоматизация процессов (RPA) и ИИ-агенты на основе больших языковых моделей (LLM), или же дополняют друг друга в архитектуре корпоративных систем. Основной вывод автора: в enterprise-ландшафте это не конкурирующие, а взаимодополняющие технологии, образующие два слоя одной системы.

Чем RPA отличается от ИИ-агентов

RPA (Robotic Process Automation) — технология, которая в последние годы стала массовым инструментом автоматизации рутинных бизнес-процессов: программные «роботы» действуют по строго заданным сценариям, повторяя одни и те же шаги на структурированных данных — например, перенос данных между системами, заполнение форм по шаблону, формирование отчётов по фиксированному алгоритму. ИИ-агенты на базе LLM устроены принципиально иначе: они рассуждают над неструктурированными данными — текстами, изображениями, произвольными запросами пользователей — и способны принимать решения в ситуациях, для которых заранее не прописан жёсткий сценарий.

Почему выбор одной технологии — это выбор без выбора

Автор формулирует ключевой тезис материала так: если организация вынуждена выбирать только один из двух подходов, она неизбежно теряет в эффективности — потому что RPA и ИИ-агенты решают разные классы задач, и заменить одно другим означает либо переплачивать за LLM там, где хватило бы простого скрипта по шаблону, либо упираться в жёсткие ограничения RPA там, где требуется интерпретация неструктурированной информации.

Ключевые тезисы статьи:

• Автор — Сергей, руководитель управления операционных технологий компании РГС (Росгосстрах).
• Платформа публикации — Habr, раздел AI.
• RPA — эффективен для многократной обработки хорошо структурированных, повторяющихся задач.
• ИИ-агенты на LLM — эффективны для работы с неструктурированными данными и задачами, требующими рассуждения.
• Вывод — в enterprise-архитектуре это два взаимодополняющих слоя, а не конкурирующие альтернативы.

Как RPA и агенты работают вместе на практике

По мысли автора, наиболее продуктивная архитектура для крупной организации — это не замена одной технологии другой, а построение системы, где каждый слой решает задачи, для которых он лучше всего подходит. RPA-роботы продолжают выполнять массовые, предсказуемые, легко верифицируемые операции — там, где важны скорость, дешевизна и стопроцентная повторяемость результата. ИИ-агенты подключаются там, где процесс требует интерпретации контекста: разбора обращения клиента, написанного свободным текстом, принятия решения в нетиповой ситуации, синтеза информации из разрозненных источников перед тем, как передать структурированный результат дальше по цепочке — в том числе тому же RPA-роботу для финального исполнения.

Для страховой отрасли, где работает автор, подобная гибридная архитектура особенно актуальна: обработка заявлений на выплаты, оценка страховых случаев и работа с клиентскими обращениями сочетают в себе как строго регламентированные, документально формализованные шаги, идеальные для RPA, так и элементы, требующие понимания естественного языка и контекста конкретной ситуации — область ИИ-агентов. Материал на Habr, судя по всему, разбирает и конкретный кейс применения такой комбинированной архитектуры в РГС, демонстрируя, зачем именно две технологии, которые часто противопоставляют друг другу в публичных дискуссиях, на практике оказываются частями одной производственной цепочки, а не взаимоисключающими альтернативами.

RPA как категория корпоративного софта начала массово распространяться ещё в середине 2010-х годов, когда компании по всему миру столкнулись с необходимостью быстро автоматизировать унаследованные (legacy) процессы, не имея возможности или бюджета на полную перестройку внутренних информационных систем. Роботы просто имитировали действия человека в существующих интерфейсах — кликали, копировали, вставляли данные, — что делало внедрение быстрым, но негибким к любым изменениям в самих системах. Появление ИИ-агентов на основе LLM спустя десятилетие не отменяет эту накопленную инфраструктуру автоматизации, а даёт компаниям вроде РГС возможность надстроить над ней более гибкий слой, способный работать с исключениями и нестандартными случаями, которые классический RPA-сценарий просто не мог обработать и передавал человеку-оператору.