Эволюция ИИ: от автоматизации через скрипты до виртуальных сотрудников

Кажется, что с ИИ мир вступил в новую эру потрясающих возможностей. Но это чувство эйфории нам не в новинку. Сегодня разберём, может ли ИИ повторить судьбу предыдущей волны автоматизации, пройдя классический цикл от завышенных ожиданий к разочарованию.

В 2013 году McKinsey оценила общий экономический эффект от внедрения Robotic Process Automation (RPA) — технологии автоматизации бизнес-процессов — в $6,7 трлн к 2025 году. В 2017 году компания подтвердила оценку и добавила, что внедрение RPA уже в первый год потенциально может принести от 30 до 200% возврата инвестиций.

Ожидания оказались далеки от реальности. По данным Ernst & Young, 30–50% проектов RPA завершились неудачей. Прогнозы о быстрой окупаемости не сбылись из-за значительных затрат на внедрение и поддержку.

RPA предполагает использование ботов для автоматизации повторяющихся задач. Бот следует определённому набору правил для операций с данными. Однако любое обновление ПО может сломать бота, следующего жёстким правилам.

Вдобавок ранние системы автоматизации обрабатывают только структурированные данные. Прежде чем инструмент RPA справится с задачей, необходимо стандартизировать каждый документ.

Искусственный интеллект во многом преодолел ключевые ограничения RPA — мы перешли от линейной автоматизации к агентам, способным рассуждать и адаптироваться. Они устойчивы к изменению данных, поскольку работают с контекстом, а не с шаблонами.

Более того, появились виртуальные сотрудники, автономно выполняющие бизнес-функции. В отличие от традиционных ботов, они понимают естественный язык, интерпретируют контекст, выполняют бизнес-задачу от начала до конца и могут общаться голосом.

Например, ИИ-агенты сокращают время обработки клиентского заказа до минут. Агент самостоятельно проверяет остатки, сверяется с логистикой и запускает отгрузку, тогда как сотрудник только оценивает результат, не участвуя в каждом шаге.

Однако процесс перехода к ИИ нельзя назвать гладким. В прошлом году исследование MIT Project NANDA показало, что только 5% ИИ-пилотов оказались эффективны. Во многом причина неудач кроется в качестве данных. Если корпоративные системы не интегрированы между собой, а данные фрагментированы по разным хранилищам и инструментам, ИИ только усилит имеющиеся проблемы — например, будет выдавать клиентам разную информацию на один и тот же вопрос.

Как результат, ИИ-агенты хорошо подходят только для бизнеса с отлаженными процессами.

И это ещё не все сложности.

Проблемы скорости

Чем действительно могли похвастаться RPA-боты, так это скоростью. Долгое время задержки при работе с LLM делали автоматизацию в реальном времени практически невозможной. Критическим параметром стала скорость инференса — то, как быстро LLM обрабатывает запрос и генерирует ответ.

По оценкам экспертов, обычный чат-бот может казаться «быстрым» со скоростью 15–20 токенов в секунду (ответа LLM на запрос) — чуть выше скорости чтения человека. ИИ-агентам для работы в реальном времени требуется гораздо более высокая скорость — 200+ токенов в секунду, поскольку они работают с цепочками рассуждений, разными инструментами и «рефлексируют» перед генерацией ответа.

К счастью, технологии не стояли на месте. Благодаря новым архитектурам и росту производительности GPU проблема медленного инференса в значительной степени решена, что открыло дорогу для сложных агентных систем. Скорость современных LLM (сотни миллисекунд на первый токен) позволяет им эффективно работать в связке с системами автоматизации. Теперь агенты могут «думать» (вызывать LLM) и «действовать» (выполнять команды в интерфейсах) с нужной для реальных бизнес-процессов скоростью.

Проблемы менеджмента

В 2020-х годах было широко распространено опасение, что RPA или ИИ заменят людей. В 2026 году мы наблюдаем обратное. Технологии выступают катализаторами организационных изменений. Человеку остаётся всё, что требует креативности, переговоров и принятия решений.

Проблема оказалась не в безработице, а в разочаровании, которое бизнес испытал при несовпадении ожиданий с реальностью. Так, McKinsey годами фиксировала, как компании запускали пилотные проекты, демонстрировали рабочую концепцию и застревали на этапе внедрения.

Руководители осознают значимость технологии, но не понимают, с чего начать и как перевести пилот в продакшн. Масштабирование сложнее внедрения и упирается в человеческий фактор: готовность пересмотреть привычные роли, научиться доверять агентам и принять ответственность за результат, который они не контролируют напрямую.

Распространение агентов постепенно меняет структуру работы. Если рутинные операции можно передать машине, специалисту приходится решать задачи более высокого уровня. Подробнее об этих процессах читайте в нашей статье «Как подготовить бизнес к работе виртуальных сотрудников».

Проблемы безопасности

Ввиду ряда архитектурных особенностей ИИ склонен генерировать то, чего не существует. Показательно, что ИИ-агент может не просто сообщить пользователю выдуманный факт, а попытаться задействовать несуществующий инструмент как часть рабочего процесса. То есть ошибка возникает не в содержании ответа, а в способе выполнения задачи.

Даже самая продвинутая модель не гарантирует надёжность всей цепочки работы. Агент взаимодействует с внешними сервисами, а те могут вести себя непредсказуемо. Запрос может завершиться ошибкой, данные могут прийти в неожиданном формате или результата может не хватить для продолжения работы. В такой ситуации недостаточно ограничиться указанием LLM проверять свои действия: если надёжность критична, такие проверки должны быть встроены в саму систему.

Поэтому при разработке агентных систем целесообразно предусмотреть дополнительные уровни контроля. Например, модель может самостоятельно найти информацию и подготовить предложение, но столкнётся с запретом на изменение данных в корпоративной системе — на этом этапе требуется человек.

Для отраслей с жёсткими требованиями к защите данных ИИ-агентов можно развернуть на собственной инфраструктуре (on-premises). Данные остаются внутри защищённого контура. Все операции фиксируются в журналах, а компании получают полный контроль над инфраструктурой.

Оборудование для локального развёртывания стало значительно доступнее. Отпала необходимость в крупных дата-центрах — существуют компактные устройства, способные работать с крупными LLM.

Однако ещё более эффективной выглядит гибридная модель использования ИИ, объединяющая публичное облако, частное облако, on-premises и edge-вычисления:

Быстрый переход от пилота к продакшну. Виртуальные сотрудники дают измеримый результат там, где компания готова пересмотреть роли, научиться доверять агентам и принять ответственность за результат.

Повышение производительности отделов. Виртуальный сотрудник берёт на себя весь маршрут задачи, за счёт чего сэкономленное рабочее время можно потратить на благо как компании, так и отдельного человека. Например, направить высвободившееся время на стратегическую переподготовку, повышение квалификации и развитие навыков работы с ИИ.

Масштабирование без пропорционального роста затрат на инфраструктуру. Современные агентные системы и компактное железо для локального развёртывания снимают барьер «ёмкости»: рост числа параллельных процессов больше не требует кратного роста парка машин.

Когда проходит «конфетно-букетный период», внимание неизбежно фиксируется на ограничениях каждой новой технологии. Так было с появлением персональных компьютеров, интернета, RPA и любых других значимых инструментов.

Но все описанные выше проблемы — разные проявления одной и той же особенности ИИ: виртуальный сотрудник плохо подходит на роль единственного инструмента, который одновременно принимает решения, выполняет действия, помнит правила, работает с данными и проверяет собственную корректность.

Чтобы не попасть в «яму разочарования», нужно точно выбрать ту часть работы, где ИИ по-настоящему необходим, научиться быстро отсеивать неудачные идеи и, самое главное, выстроить модель взаимодействия «ИИ + человек». Эффективность виртуальных сотрудников в бизнесе сегодня связана не с технологическими возможностями как таковыми, а со способностью компании организовать среду, чтобы раскрыть их потенциал.