От механизации до ИИ-агентов: как эволюционировала автоматизация

Двести лет автоматизация занималась физическим трудом: сначала станки взяли на себя отдельные операции, потом конвейеры собрали их в процессы. Сегодня то же самое повторяется на уровне мышления. В этом материале — этапы эволюции автоматизации, четыре её уровня и признак выбора между ними, а также арифметика, из-за которой ускорение шага в сорок раз меняет цикл меньше чем на процент.

Двести лет автоматизации

Двести лет машины автоматизировали физический труд. Теперь автоматизация добралась и до интеллектуального.

Чтобы понять масштаб происходящего, стоит посмотреть на историю. Сначала станки взяли на себя отдельные механические операции и резко увеличили производительность труда. Затем станки объединили в конвейеры — так появились первые автоматизированные процессы. Позже автоматизация пришла в информационную среду: появился электронный документооборот, компании начали хранить, анализировать и передавать данные. Но ключевые решения по-прежнему в основном принимал человек.

У этой лестницы есть закономерность, которую видно только целиком: на каждом этапе машина забирала тот слой работы, который на предыдущем считался неотъемлемо человеческим. Наладчик станка не считал наладку «ручным трудом». Ровно так же сегодня выглядит подготовка документа или разбор входящего письма.

Сегодня меняется и этот уровень. ИИ умеет работать с неструктурированной информацией и частью когнитивных задач: понимать информацию, учитывать контекст, генерировать варианты и поддерживать принятие решений.

Один и тот же подход — на новом уровне

Новый этап эволюции устроен ровно так же, как первый: сначала автоматизируются отдельные интеллектуальные операции, а затем они объединяются в сквозные когнитивные процессы. Разница только в том, из чего сделана работа.

Четыре уровня автоматизации

Не каждой задаче нужен умный ИИ-агент. Иногда лучше обойтись простыми правилами. Поэтому сегодня полезно различать четыре уровня автоматизации: они решают задачи разной природы и дополняют друг друга.

Первый — классические правила. Если произошло событие X, значит, надо выполнить команду Y. Например: если поле не заполнено, вернуть заявку. Скучно. Зато предсказуемо. Второй — RPA, роботизация действий: программный робот буквально повторяет действия человека в интерфейсе — открывает систему, переносит данные, нажимает кнопки. Третий — процессная автоматизация: несколько операций и систем объединяются в единый заранее спроектированный воркфлоу — это BPM-системы и API-интеграции, — и работа движется по цепочке автоматически. И четвёртый — интеллектуальная автоматизация: здесь система работает уже с вероятностью, контекстом и смыслом. Именно здесь появляются ИИ-агенты.

В реальном процессе эти уровни почти никогда не встречаются поодиночке. Типичный маршрут заявки выглядит так: правило проверяет формат, агент читает свободный текст и вытаскивает из него смысл, воркфлоу ведёт результат по согласованиям, а робот доносит данные в ту старую систему, к которой так и не появилось API. Вопрос «какой уровень выбрать» решается не для процесса целиком, а для каждой отдельной операции.

Но четвёртый уровень не означает, что ИИ нужно использовать везде. За рост возможностей приходится платить, и платить приходится тем, что в промышленной эксплуатации ценится выше всего, — предсказуемостью.

Когда правило лучше агента

Если задачу можно надёжно решить одним правилом, ИИ сделает систему только дороже и менее предсказуемой. Простой условный оператор дешевле и предсказуемее модели. Поэтому нужно выбирать технологию под задачу, а не наоборот.

Пилот, который ничего не изменил

Документ готов за тридцать секунд вместо двадцати минут — но три дня лежит у руководителя на согласовании.

Одна из главных ловушек — начинать с технологии. Компания видит новый ИИ-инструмент или агента и проводит пилот. На демке всё выглядит классно. Это и есть незрелый подход: фокус стоит на инструменте, а бизнес-результат остаётся непонятным. А теперь неудобный вопрос: изменилась ли экономика процесса?

Технология стала быстрее, а процесс почти не изменился. И на демонстрации этого не видно: там показывают шаг, а не цикл.

Демонстрация вообще устроена так, чтобы этого не показывать. На ней берут один сценарий, чистые данные и замеряют секунды на экране. Всё, что стоит вокруг шага, — очередь, согласование, возвраты, ожидание ответа от смежников — в кадр не попадает, потому что не помещается в пятиминутный показ. Поэтому демо честно отвечает на вопрос «работает ли технология» и не отвечает ни на один вопрос об экономике.

Правильный вопрос

Начинать нужно не с вопроса «куда бы нам внедрить ИИ», а с другого: какую метрику мы хотим изменить и где находится реальное ограничение? Сначала разбираем работу. Находим узкое горлышко. Фиксируем базовый замер. Определяем целевой результат. И только потом выбираем технологию.

Ограничение — это не самый долгий шаг и не самый неприятный. Это шаг, который задаёт темп всей цепочке: пока он не пропустит работу дальше, ускорение соседей ничего не даёт, а результат просто копится перед ним в очереди. Найти его обычно легко: там, где работа стоит дольше всего, а не там, где её дольше всего делают.

ИИ не исправляет хаос

И последнее, самое неприятное. ИИ не исправляет хаос — иногда он позволяет хаосу работать быстрее. Если в процессе нет границ, ролей и метрики, добавление модели не создаёт порядок: оно просто увеличивает скорость, с которой беспорядок производит результат.

Это хорошо видно по тому, что происходит после удачного пилота. В процессе с границами ускорение сразу отражается в цикле, потому что есть чем его измерить и кому за него отвечать. В процессе без границ то же ускорение выдаёт больше результатов на входе следующего шага — и первым делом растёт очередь перед ним, а вместе с ней число спорных случаев, которые кто-то должен разбирать вручную.

Что считать успехом пилота

Отсюда простое следствие для любого пилота: у него есть три разных уровня доказательства, и их постоянно путают. Демонстрация доказывает, что технология работает. Замер на выборке доказывает, что метрика изменилась. И только удержание в проде доказывает, что изменилась экономика процесса.

Поэтому порядок один и тот же в любой компании и на любом уровне автоматизации: сначала метрика и ограничение процесса, и только потом технология.

Что важно запомнить