Повышение эффективности с агентной автоматизацией

С момента зарождения история автоматизации была линейным прогрессом. От роботизированной процессной автоматизации (RPA) к интеллектуальной обработке документов (IDP), каждое новшество делало предприятия более продуктивными, прибыльными и гибкими.

Но теперь происходит нечто большее. Новая технология — агентная автоматизация — разрушает этот цикл инкрементального улучшения, разблокируя реинвенцию воркфлоу такого рода, которого мы никогда не видели.

Вместо фокуса на отдельных задачах, агентная автоматизация использует роботов, ИИ и оркестрацию для решения целых воркфлоу от начала до конца. В сердце агентной автоматизации — ИИ-агенты — автономные программные сущности, способные воспринимать среду, навигировать в незнакомой территории и принимать решения на лету.

Чертеж для захвата ценности агентной автоматизации был темой нашего недавнего квартального вебкаста, UiPath Live: The Path to Agentic Automation. У нас была привилегия поработать с all-star панелью — ИИ-учеными, экспертами автоматизации и предприятийным лидером — о том, что эта трансформация значит для бизнесов сейчас и в будущем.

Большинство лидеров еще не ухватили масштаб потенциала агентной автоматизации. Но избранные немногие, которые это сделали, готовы и подготовлены собрать أعظم награды от этой игруменяющей технологии.

Три области, где агентная автоматизация переопределяет то, как выполняется работа

Пока традиционная автоматизация остается жизненной для структурированных, rule-based задач, агентная автоматизация процветает там, где царствует непредсказуемость. Вот как она преодолевает разрывы, которые когда-то казались непролазными.

1. От правил к рассуждению

Сколько из ваших бизнес-процессов полагаются на входы в разном формате? А как насчет несовершенных данных?

Для большинства организаций ответ — слишком много.

Исторически автоматизация боролась с несовместимостью данных. Если информация не приходила в структурированном, стандартизированном пакете, сотрудники должны были вмешиваться — переводить данные между системами, чистить расхождения, вручную переформатировать файлы. Пока их время могло быть лучше потрачено в другом месте, эти неправильности не оставляли им другого выбора. До появления ИИ-агентов.

ИИ-агенты процветают в неопределенности. Им не нужны идеальные данные для функционирования. Dr. Edward Challis, Head of AI Strategy в UiPath, объяснил хостам UiPath Live Mary Tetlow и Geoff Anderson, что «агенты предлагают действительно мощный способ адресовать задачи, где данные постоянно меняются». Вместо требования от сотрудников вручную структурировать каждый вход, ИИ-агенты могут взять высокоуровневую цель и определить лучший способ обработки грязных, неполных или несовместимых данных.

Этот навык особенно ценен в отраслях, где форматы данных сильно варьируют. Возьмем WEX, глобального провайдера финансовых технологий, обрабатывающего огромный объем медицинских претензий каждый день. Структурированные претензии — чистые цифровые подачи со стандартизированными полями — легко обрабатываются RPA. Но много других приходят в более грязных форматах: рукописные заметки врачей, размытые формы. В прошлом сотрудники должны были вручную разбирать этот хаос перед обработкой претензий, ведучи к фрустрирующим задержкам для клиентов и более высоким затратам для WEX.

Теперь ИИ-агенты обрабатывают эту вариативность автоматически. Они извлекают ключевые детали, перепроверяют их против требований комплаенса и эскалируют только самые сложные кейсы к человеческим командам.

2. От автоматизации задач к реинвенции воркфлоу

Разнообразные входы не единственный барьер к широкой предприятийной автоматизации. Есть также überwältляющая сложность процессов. Слишком много условных операторов «если», слишком много вариаций, слишком много исключений… в определенный момент попытка автоматизировать такие воркфлоу традиционными методами становится громоздкой. «Просто слишком много времени уходит на определение процесса, который автоматизация должна была бы запускать для каждого сценария», заметил Dr. Challis.

Агентная автоматизация принимает принципиально другой подход. Вместо следования скрипту, агенты рассуждают через проблемы — определяя, что важно, что требует внимания, и что может быть обработано автономно.

Но они не работают в изоляции. ИИ-агенты в лучшей форме, когда часть экосистемы, смешивающей человеческую интуицию, роботизированную точность и агентную адаптивность. Например, агент может разбить сложный воркфлоу на подзадачи: RPA боты делают ввод данных, API тянут реально-временные рыночные цены, люди решают граничные кейсы.

Dr. Challis сравнил этот процесс с выпечкой торта. «Когда вы исполняете этот рецепт, у вас много выбора вокруг того, какое масло использовать, как получить масло, какую миску использовать», сказал он. «Так что есть та гибкость между автономией и определенной рутиной того, как процесс будет выполняться».

Этот баланс между структурой и адаптивностью хорошо подходит для ряда стойких предприятийных вызовов. Анти-отмывочные (AML) системы, например, — важная часть рамок безопасности финансовых учреждений. Но они далеко от идеала — традиционные инструменты склонны тонуть команды комплаенса в ложных тревогах. В некоторых случаях это может быть до 90%, заставляя команды просеивать кучу шума для идентификации реальных рисков.

ИИ-агенты отличаются в фильтрации ложных срабатываний для идентификации реальных угроз. Они делают это, анализируя как структурированные, так и неструктурированные данные — замечая паттерны вроде маленьких повторяющихся переводов, сигнализирующих реальные риски. Как гость Live Craig Le Clair, VP и Principal Analyst в Forrester, указал, агенты показано снижают ложные срабатывания в этом процессе на 60%. Это освободило команды комплаенса для фокуса на высокоприоритетных расследованиях вместо тонутия в ненужных ревью.

3. От кодинга к сотрудничеству

Чтобы реализовать их полную ценность как коллаборативных партнеров, сотрудникам нужно уметь общаться с ИИ-агентами на естественном языке. Большие языковые модели (LLM) вроде ChatGPT должны были разблокировать такой партнерство, но для не-программистов реальность была сложнее.

Даже если LLM отвечают на промпты на простом языке, заставить их доставлять правильные результаты требует некоторых знаний программирования — а именно, глубокого понимания декомпозиции проблемы и валидации кода. Просто знать, что спросить — только половина битвы. Нужно также знать, если то, что вы получаете обратно, действительно правильно.

Я программист, так что если LLM дает мне 100 строк кода, я могу прочитать и понять, делает ли это то, что я хочу. С другой стороны, если моя не-программист подруга пытается сделать то же, действительно сложно понять, если выход действительно то, чего она хотела. Нужно много экспертизы даже для проверки.

Dr. Sarah E. Chasins, Principal Applied Scientist at UiPath

Агентная автоматизация растворяет этот барьер. Сотрудники могут описывать свои цели — даже если они расплывчатые — и позволять агентам переводить эти директивы в действие. Это было трансформационно для WEX, так как командам больше не нужно переводить бизнес-требования в жесткую логику.

Вместо необходимости тратить недели на прохождение через каждый детерминированный сценарий, я могу коммуницировать моим разработчикам цель, которую я хочу. Какой это бизнес-выход, который я ищу? И затем я могу фактически увидеть эти вещи работающими вместе. Так что это создало эту открытость между продуктом и техническими командами, которой у нас не было в традиционном кодинге в прошлом.

Emily Krohne, Enterprise Automation Principal at WEX

Эти возможности впечатляют… но как я могу быть уверен, что ИИ-агенты не сойдут с ума?

Давайте адресуем слона в комнате: с возможностью функционировать через системы и процессы, как я могу быть уверен, что агенты делают то, что я хочу?

Это валидная забота. Агенты недетерминированы, и их внутренняя непредсказуемость — часть того, что делает их мощными. Внедрение агентной автоматизации безопасно требует правильных рельсов для обеспечения того, что агенты работают надежно, безопасно и прозрачно.

Держание людей в цикле

Агенты работают с определенным уровнем автономии, но это не значит, что они должны бегать непроверенными. В большинстве предприятийных кейсов они будут служить инструментами поддержки решений, а не полностью автономными актерами. Dr. Challis сделал это четким: «На следующие несколько лет агенты будут делать некоторые исследования и делать предложения, но человеку нужно будет ревьюить. Перед любыми большими изменениями у нас будет человеческая контрольная точка».

Непрерывный мониторинг

Видимость — всё. Чтобы гарантировать, что ИИ-агенты работают как задумано, организациям нужны реально-временный мониторинг и в дизайне, и в рантайме.

Zach Eslami, Senior Manager of Product Management в UiPath, укрепил этот пункт: «[прозрачность —] ключевой аспект обеспечения того, что ваш агент работает хорошо в изолированной среде, так и во внешнем мире». Организациям нужна видимость в то, как агенты принимают решения, чтобы они могли уточнять их производительность со временем и гарантировать, что они остаются выровненными с бизнес-целями.

Парное использование ИИ-агентов с детерминированными RPA ботами — один из лучших способов сохранить контроль. Пока агенты адаптируют и принимают контекст-драйвенные решения, RPA боты следуют строгой, rule-based логике — создавая баланс между гибкостью и предсказуемостью. «Мы верим, что наши агенты демонстрируют новый уровень контролируемой автономии, потому что они не просто взаимодействуют с инструментами и приложениями», объяснил Eslami. «Они не придумывают планы сами. Они могут использовать людей и роботов для создания нового уровня детерминизма в своем выходе и убедиться, что они работают в манере, которую ожидают наши пользователи и клиенты».

Партнерство с доверенными вендорами

Доверие — фундамент эффективной предприятийной автоматизации. Не просто доверие в технологии, но в партнерства, приносящие её к жизни. Krohne упомянула, что «история WEX с UiPath RPA инструментами позволила нам масштабировать агентов быстрее».

Когда ИИ-агенты вводятся поверх существующей инфраструктуры автоматизации, они не чувствуют себя disruptive. Вместо этого они становятся естественным расширением того, что бизнесы уже делают — усиляя воркфлоу без их перестройки. Eslami укрепил этот пункт: «в конечном счете, мы видим агентов способными строить на вершине существующей UiPath Platform™. Это значит, что они могут использовать все удивительные инструменты автоматизации, которые у нас доступны».

Но закладка фундамента — только первый шаг. Чтобы разблокировать полный потенциал агентной автоматизации, предприятиям нужен способ строить, развертывать и управлять ИИ-агентами в масштабе.

UiPath Agent Builder дает командам инструменты для проектирования агентов, обслуживающих их бизнес-потребности. С встроенным мониторингом и управлением предприятия могут развертывать ИИ-агентов с уверенностью — зная, что они будут работать как задумано с первого дня. Присоединяйтесь к waitlist Agent Builder сегодня, чтобы быть среди первых, исследующих следующую эру автоматизации.

И для еще более глубокого погружения в настоящее и будущее агентной автоматизации, посмотрите полный эпизод UiPath Live: The Path to Agentic Automation, теперь доступный on demand.