Редизайн процессов под ИИ-агентов

Компании часто начинают внедрение GenAI с понятного вопроса: какой шаг процесса можно ускорить моделью? Это нормальный старт, но слабая конечная цель. Если в процессе остаются прежние очереди, скрытые правила, ручные согласования и разрозненные источники данных, ускорение одного действия редко меняет бизнес-результат. Оно просто делает один фрагмент старой системы быстрее.

BCG, 2026 формулирует эту мысль следующим образом: при масштабировании AI-агентов компаниям нужно перепроектировать процессы целиком, если они хотят получить заметный прирост продуктивности и ценности. Похожую рамку дает Deloitte Tech Trends, 2026: ценность возникает, когда организация переосмысляет операции, а не просто накладывает агентов на старые цепочки.

Поэтому редизайн процесса под ИИ-агентов лучше начинать не с выбора инструмента, а с системной карты: какой бизнес-результат нужен, где теряется информация, какие решения повторяются, какие исключения опасны, где человек обязан оставаться владельцем суждения и как обратная связь улучшает следующий проход. В этой логике агентный рабочий контур становится не чат-ботом на краю процесса, а новой операционной архитектурой. Именно такой подход мы используем на своих корпоративных программах, когда требуется проработать проект для внедрения ИИ в своей компании.

Ключевая идея — выбрать один процесс с повторяемой нагрузкой, измеримым качеством, доступными данными и приемлемым риском. Затем описать его как систему, разложить правила решений и только после этого решать, где агент действует сам, где помогает человеку, а где обязан остановиться.

Классическая автоматизация хорошо работает там, где процесс уже стабилен: вход понятен, правила формализованы, исключений немного, а качество результата легко проверить. В таких условиях можно заменить ручное действие скриптом, интеграцией или RPA-роботом и получить предсказуемую экономию. Но GenAI и ИИ-агенты обычно приходят в более рыхлую среду: письма, документы, переписки, заявки, знания экспертов и решения, которые до этого жили в привычках команды.

Если такую среду просто ускорить, компания получает быстрый локальный эффект и почти не трогает главную проблему. Сотрудник быстрее пишет ответ, но согласование все равно ждет в очереди. Модель быстрее суммаризирует документ, но источник правды по-прежнему разъезжается между системой клиентских данных, таблицами и почтой. Агент быстрее подбирает справку, но правила эскалации остаются устными. В результате KPI одного шага улучшается, а пропускная способность всего процесса почти не меняется.

BCG Enterprise as Code, 2025 описывает близкую проблему как переход от скрытой операционной логики к явным правилам, которые могут понимать, тестировать и улучшать люди и системы. Для агентного процесса это критично: если правила работы не записаны, агенту нечего исполнять надежно. Он будет угадывать по фрагментам контекста, а команда будет тратить время на ручную коррекцию.

Поэтому главный вопрос звучит иначе: не “какое действие автоматизировать?”, а “какой поток работы нужно перепроектировать?”. Руководителю важно увидеть цепочку целиком: вход, классификацию, поиск контекста, принятие решения, проверку, эскалацию, запись результата и обучение процесса на обратной связи. Только тогда GenAI начинает влиять на управленческий результат, а не только на скорость отдельной операции.

Объект редизайна — процесс как система. У него есть цель, владелец, границы, входы, выходы, участники, задержки, источники риска и критерии качества. Если смотреть только на пользовательскую задачу или экран системы, легко пропустить места, где реально теряется ценность: неправильная маршрутизация, повторный ввод данных, неявные исключения, слишком поздний контроль, слабая база знаний.

В агентном контуре особенно важен поток информации. Агент должен понимать, откуда брать контекст, какие источники считать надежными, как ссылаться на них, что делать при конфликте данных и где фиксировать результат. Например, в поддержке это может быть история обращения, база знаний, данные клиента, статус продукта и правила компенсации. В финансовом анализе — документы, транскрипты встреч, CRM-записи, ограничения комплаенса и шаблон итоговой заметки.

Вторая часть — правила решений. Часть решений можно делегировать агенту полностью, если они низкорисковые, повторяемые и хорошо проверяемые. Часть решений агент может подготовить, но человек должен подтвердить. А сложные исключения нужно заранее вывести в эскалацию. BCG о платформах агентного AI, 2025 отдельно подчеркивает необходимость явного владельца агента, порогов автономии, доступа по принципу минимально необходимых прав, журналирования и возможности отката изменений.

Третья часть — feedback loop, то есть петля обратной связи. Хороший агентный процесс не только исполняет текущий проход, но и показывает, где документация неполная, где правила конфликтуют, где база знаний устарела, какие запросы чаще уходят в ручную эскалацию. Это превращает процесс из статичной инструкции в обучающуюся операционную систему: каждый сбой должен оставлять след, который помогает улучшить следующий проход.

Практичный подход начинается с формулировки результата. Команда должна договориться о том, что она улучшает: время решения обращения, долю корректно обработанных запросов, качество коммерческого follow-up, скорость подготовки управленческого отчета, полноту due diligence или снижение ручной нагрузки на экспертов. Без этого агент быстро превращается в интересный интерфейс без ясной ответственности за бизнес-результат.

Затем нужно разложить текущий процесс по потоку информации и правилам решений. Где возникает вход? Кто его классифицирует? Какие данные нужны для решения? Где человек перепроверяет факты? Какие ошибки дороги? Какие артефакты остаются после завершения работы? Этот шаг часто оказывается ценнее самой AI-интеграции, потому что вскрывает старые организационные долги: неактуальные шаблоны, лишние согласования, неявные исключения, дублирующиеся системы.

Третий шаг — разделить роли человека, агента и существующих систем. Агент может собирать контекст, извлекать факты, предлагать черновик решения, запускать инструмент, обновлять запись, готовить контрольный список. Человек должен оставаться в тех местах, где нужны доверие, ответственность, переговоры, этическое суждение, юридический риск или нестандартный выбор. Система должна хранить источник правды, права доступа, логи и финальные статусы.

Четвертый шаг — превратить правила в исполняемые артефакты. Это не обязательно код в узком смысле. Это могут быть брифы, decision tables, политики, шаблоны, чек-листы, критерии качества, журналы исключений и QA-гейты. Важно, чтобы агент опирался на поддерживаемые документы и проверяемые состояния.

Пятый шаг — запускать пилот как управляемый эксперимент. Нужны бейзлайны, метрики, контрольная выборка, журнал ошибок и stop/go-решение. BCG, 2026 в примере промышленной компании описывает редизайн контура от запроса цены до заказа: четыре агента распределяют входящие запросы, помогают с записью заказа, статусами и сроками поставки, а сложность запроса определяет, какая доля работы остается человеку. Это хороший паттерн: автономия проектируется по риску и сложности, а не назначается всем задачам одинаково.

Первый хороший пример — контур quote-to-order в промышленной компании из BCG, 2026. До редизайна запрос цены проходил через разрозненные системы и локальные ручные практики: входящие заявки нужно было классифицировать, проверить конфигурацию, подобрать продукт, записать заказ, уточнить статус и оценить срок поставки. Это не один шаг, а длинный коммерческо-операционный поток, где задержки и потери контекста напрямую влияют на выручку.

После редизайна процесс стал мультиагентным контуром из четырех ролей: оценка и классификация входа, запись заказа, коммуникация по статусу и расчет срока поставки. Важно, что автономия распределена по риску: около 70% простых запросов цены компания проектирует к обработке без человека, около 20% — с частичным участием человека, а сложные 10% остаются зоной интенсивной экспертной работы. В этом и заключается переосмысление: агент перестраивает маршрутизацию, запись заказа, коммуникацию со статусом и расчет сроков на уровне всего процесса.

В продажах похожий паттерн виден у Equipter / Salesforce. До внедрения Agentforce Sales шесть продавцов Equipter обрабатывали 150-200 входящих лидов в неделю, а цель ответить каждому в течение двух часов фактически срывалась: Salesforce описывает, что время первого контакта растягивалось до 8 часов и иногда дольше. Лиды копились в очереди, продавцы переключались между сортировкой, первичной коммуникацией и закрытием сделок, а часть спроса просто остывала.

Новый контур начинается с переразделения входящего спроса. Агент берет на себя лиды из соцсетей и “остывшие” контакты, запускает первую коммуникацию в течение минут, ведет последовательность писем несколько дней, документирует историю разговора и передает продавцу контекст, когда нужно человеческое продолжение. Salesforce сообщает о росте доли ответов с 4% почти до 10% по лидам из соцсетей и о 2% переходе в реальные коммерческие возможности среди лидов, с которыми контактировал агент. Смысл редизайна здесь в том, что человек перестает быть узким местом первичного контакта и концентрируется на консультационных разговорах, спецификации оборудования, расчетах окупаемости и кастомных решениях.

В поддержке налоговых клиентов другой пример дает 1-800Accountant / Salesforce, 2025. До редизайна рост клиентской базы и пики налогового сезона закрывались классическим способом: телефон, электронная почта, чат-бот, встречи с налоговыми консультантами и сезонные сотрудники. В расширенном кейсе Salesforce описывает, что часть простых вопросов приводила к лишним 30-минутным встречам с консультантом, а ежегодное обучение временных работников оставалось дорогим и хрупким способом масштабировать поддержку.

После внедрения Agentforce клиент получает круглосуточный ответ на часть налоговых вопросов без ожидания звонка или записи на встречу. Агент работает по клиентским данным, журналам аудита, истории обращений, внутренним статьям базы знаний и доверенным публичным источникам вроде налоговой службы США; Salesforce в пресс-релизе от 4 марта 2025 сообщает, что Agentforce помогает закрывать до 50% входящих запросов, а за первые 24 часа обработал более 1 000 клиентских взаимодействий. Редизайн процесса здесь не в “умном справочнике”, а в смене операционной модели пикового сезона: часть повторяемых обращений уходит в цифровой слой, налоговые консультанты остаются на сложных случаях, а агент получает доступ к единому контексту вместо ответа из общего справочника.

В промышленности агентный контур становится частью цепочки создания ценности. Siemens, 2025 описывает переход от ассистентов, отвечающих на запросы, к агентной архитектуре, где специализированные агенты работают через оркестратор и могут выполнять промышленные рабочие процессы. До такого подхода AI-помощник чаще был интерфейсом к знаниям или генерации кода; после редизайна Siemens разделяет пользовательские помощники и агентов “за сценой”, которые покрывают проектирование, планирование, инженерию, операции и сервис.

Для обслуживания оборудования это означает совсем другой процесс. Вместо отдельного сигнала прогнозного обслуживания команда получает контур, который поддерживает весь жизненный цикл обслуживания: от реактивного ремонта до прогнозной и превентивной стратегии. Siemens сообщает, что Maintenance Copilot Senseye в пилотах показал в среднем 25% снижения времени реактивного обслуживания. Важно не превращать это в обещание “50% продуктивности” как достигнутый факт: в источнике это видение будущего. Фактологически аккуратный вывод уже достаточен: редизайн касается не одного ответа на вопрос техника, а связки диагностики, инструкций, данных оборудования и маршрутизации действий.

В управленческой аналитике хороший пример дает Deloitte Tech Trends, 2026, где описан HPE Alfred для внутренних обзоров операционной эффективности. По описанию Deloitte, пользовательский слой агента работает с четырьмя нижележащими агентами: они разбивают запрос, анализируют SQL-данные, строят графики и переводят инсайты в структурированные отчеты. Это уже не просто “сделай презентацию”, а пересборка процесса отчетности: от вопроса руководителя до проверяемого отчета с данными из корпоративных систем.

Здесь “было” — трудоемкий обзор, который собирается из больших наборов данных и требует ручного перехода от вопроса к данным, графикам и отчету. “Стало” — агентный пользовательский слой, который оркестрирует разложение запроса, SQL-анализ, визуализацию и подготовку отчета. Управленческий вывод не в том, что агент рисует график. Редизайн переносит точку входа в процесс: руководитель задает операционный вопрос, а система сама раскладывает его на аналитические подзадачи и возвращает проверяемый управленческий артефакт.

Начинать лучше с процесса, где есть повторяемый объем работы, понятная цена ошибки и достаточно данных. Хорошие кандидаты: первичная обработка обращений, подготовка коммерческого ответа, анализ договоров, сбор управленческого отчета, сверка закупочных документов, подготовка meeting notes, triage внутренних запросов. Плохие кандидаты для первого пилота — процессы с высокой юридической чувствительностью, слабой документацией и отсутствием владельца результата.

Первый артефакт пилота — карта процесса. В ней должны быть входы, выходы, решения, источники данных, роли участников, точки человеческого контроля, метрики и исключения. На этом этапе полезно прямо пометить три зоны: что агент может делать сам, что он только готовит для человека, что всегда уходит в эскалацию. Такая карта быстро снижает конфликт между бизнесом, IT, безопасностью и владельцами процесса.

Второй артефакт — набор гейтов качества. Для текстовых и экспертных задач это могут быть проверка источников, контроль обязательных полей, сравнение с политикой, выборочная ручная проверка, регрессионный набор типовых кейсов. Для операционных задач — лимиты автономии, подтверждение перед внешним действием, журнал решений, откат и мониторинг метрик. McKinsey, 2025 в контексте закупок показывает похожий сдвиг: транзакционная работа может уходить в agentic AI, а люди получают больше времени на стратегические задачи.

Третий артефакт — правило масштабирования. После пилота команда должна понять, какие элементы можно переиспользовать: источники правды, доступы, шаблоны, данные для оценки качества, контуры наблюдаемости, роли владельцев, правила эскалации. Если этого не сделать, каждый следующий агент будет строиться как отдельный эксперимент. Если сделать, компания постепенно получает не набор разрозненных ассистентов, а управляемую платформу изменений.

GenAI и ИИ-агенты дают наибольший эффект там, где компания готова перепроектировать работу вокруг информации, решений, контроля и обратной связи. Локальная автоматизация полезна, но она редко снимает системные ограничения процесса. Редизайн требует больше дисциплины на входе: описать результат, явные правила, роли человека и агента, источники правды, гейты оценки качества и метрики. Зато именно этот путь превращает AI из набора точечных улучшений в управляемый операционный контур.

Если вам хочется глубже погрузиться в тему редизайна процессов под GenAI и ИИ-агентов, мы можем организовать для вас обучение. Достаточно позвонить нам или заполнить форму на нашей главной странице, и мы с вами свяжемся.

Также приходите знакомиться лично на наши бесплатные мероприятия.