Роботы и AI-агенты в автоматизации процессов: как они работают вместе

Возьмём выпуск страхового полиса. Этот процесс включает два типа задач для разных специалистов в компании.

Сначала нужно принять решение и оценить риск. Андеррайтер анализирует данные клиента, учитывает историю страховых случаев и дополнительные факторы, после чего определяет условия страхования.

Затем это решение нужно реализовать в системах: оформить полис, занести данные клиента, сформировать документы и отправить их. Этим занимается специалист по оформлению страховых полисов.

Обе задачи относятся к одному процессу, но их редко поручают одному человеку, потому что это разная работа. Оценка риска требует экспертизы и анализа. Оформление полиса — точного выполнения регламентных операций в системах. Кроме того, решение о риске принимается один раз, а операционных действий может быть десятки: создать запись, оформить документы, отправить уведомления. Если один специалист будет делать всё, процесс станет медленнее и его сложнее будет масштабировать.

В автоматизации действует похожая логика, потому что AI-агенты и программные роботы работают с разными задачами.

Во многих операциях есть однозначные правила, последовательность действий фиксирована, а результат предсказуем. Например, загрузка входящих документов в учетную систему по стандартному маршруту, проверка реквизитов полиса по формальным правилам, сверка реестров выплат с проводками.

В таких задачах RPA работает быстрее и надёжнее любого агента. Робот выполняет действия по заданному сценарию, работает с одинаковой скоростью и сохраняет полный аудит операций.
Подключать AI-агента к таким шагам нет необходимости: это усложняет процесс там, где всё можно описать правилами.

Есть и другой тип задач. Здесь заранее нет известного правильного ответа. Например, клиент пишет письмо в страховую компанию. По тексту нужно понять, что это: жалоба на урегулирование, запрос статуса выплаты или вопрос по условиям договора. AI-агент может анализировать такие обращения, классифицировать их и направлять по нужному маршруту. Он работает на основе языковой модели и понимает смысл текста.

Ошибки агента отличаются от ошибок робота. Робот останавливается при сбое. Агент может принять решение, которое выглядит правдоподобно, но оказывается неверным. Поэтому его решения важно контролировать и на старте проверять выборку результатов.

При этом агент не заменяет роботизацию. Он может принять решение, но не выполняет действия в корпоративных системах. Обновление записей, работа с интерфейсами и выполнение операций остаются задачей RPA.

В реальных процессах между роботом и агентом есть ещё один участник так же, как и в обычной команде сотрудников. Прежде чем андеррайтер получит дело, кто-то должен собрать все документы, проверить их комплектность и привести к читаемому виду. В автоматизации эту работу выполняет система интеллектуальной обработки документов (IDP): она извлекает данные из сканов, PDF и изображений и переводит их в структурированный формат. После этого данные можно использовать в автоматизации.

Хороший пример — процесс урегулирования страхового убытка. Документы по страховому случаю приходят постепенно: сначала заявление, затем акт о ДТП, позже справка из ГИБДД. Робот загружает каждый документ по мере поступления. Система обработки документов извлекает данные из файлов. Если качество скана низкое и уверенность распознавания ниже порога, документ отправляется на ручную проверку. 

После этого AI-агент анализирует ситуацию и определяет, стандартный это случай или нестандартный. Стандартный случай обрабатывается по регламенту — робот вносит решение в учетную систему. Если возникает спорная ситуация, то агент формирует запрос на дополнительные документы и передает задачу специалисту. После принятия решения робот выполняет необходимые действия в системе.

Чтобы такие процессы работали стабильно, важно объединить все элементы автоматизации в одной платформе. При этом граница между ними проходит не по продуктам, а по типу задач.

Если в процессе есть операции с чётко заданным сценарием, то их выполняет робот. Если на входе неструктурированные данные — это задача IDP. Если на шаге нет заранее известного правильного решения, то подключается AI-агент. Смысл такой архитектурной концепции состоит в том, чтобы каждый компонент отвечал за то, что он делает наиболее качественно, а не пытался делать всё. 

В экосистеме Primo RPA эта задача распределена между несколькими компонентами:

Все эти компоненты взаимодействуют в одном процессе. Робот может вызвать AI-агента внутри своего сценария, получить решение и продолжить выполнение процесса.

Когда все три компонента работают вместе, появляется ещё одна сквозная метрика. Она показывает, какая доля процесса проходит полностью автоматически: от входящего документа до записи результата в учётной системе.

Именно здесь становится виден общий эффект автоматизации. Если чистая роботизация обычно закрывает около 60—70% процесса, то добавление IDP и агентов может поднять эту долю до 90% и выше при условии, что входные данные и логика исключений проработаны на старте.

Проще всего начать не с новых процессов, а с тех, которые уже автоматизированы роботами. Возьмите один из роботизированных процессов, где больше всего исключений уходит на ручную обработку. Пройдитесь по каждому шагу и задайте один вопрос: есть ли здесь заранее известный правильный ответ?

Если ответ «да», такой шаг хорошо подходит для роботизации. Если ответ «нет», то именно здесь сегодня обычно подключается человек. Ему нужно проанализировать ситуацию, принять решение или определить дальнейшее действие. Такие точки и являются кандидатами для добавления AI-агента.

Дальше задача становится практической: зафиксировать карту процесса, выбрать одну приоритетную точку для пилота и настроить метрики. После этого можно постепенно расширять область автоматизации.

Такой подход позволяет развивать уже существующие роботизированные процессы и постепенно сокращать долю ручной обработки там, где раньше она считалась неизбежной.