Корпоративный AI съедает бюджеты быстро. Пилот показывает красивые цифры, комитет одобряет, начинается внедрение — и где-то посередине операционный сотрудник всё ещё вручную копирует данные между двумя системами, потому что агент не разобрался с пустым полем. ROI на дашборде выглядит нормально. Операционная команда тонет в ручных правках. Это не редкий сценарий — это паттерн.
Контекст
Инициативы AI-трансформации в крупных компаниях следуют одной схеме: объявление, комитет, вендор, пилот, PowerPoint с «многообещающими цифрами», затем внедрение. Цифры в презентации технически правдивы — как трейлер фильма. К реальной эксплуатации отношения почти не имеют, потому что пилот проверяли на 30% простых случаев. Оставшиеся 70% — исключения, edge cases, обходные пути, которые никто не задокументировал.
Разрыв между тем, как компания описывает свои процессы, и тем, как они работают на самом деле — один из самых стабильных и недооценённых фактов корпоративной жизни. Диаграмма BPMN, созданная консультантом в 2019 году и распечатанная для воркшопа, не отражает реальность. Реальность живёт в системных логах: сколько времени задача пролежала в очереди, где возникают переделки, какие Excel-таблицы на втором мониторе уже три года закрывают дыры официальной системы.
Process mining читает эти логи. Платформы вроде Celonis, UiPath Process Mining и SAP Signavio восстанавливают то, что реально происходит — во времени, с вариантами, с узкими местами. Процесс, спроектированный с тремя вариантами, на практике часто имеет сорок. Каждый из этих сорока — набор ситуаций, с которыми AI-агенту придётся разбираться без инструкции.
Аналитика
Традиционный RPA был ригидным — и это было достоинством. Он ломался сразу и громко, когда реальность не совпадала с инструкцией. AI-агент принципиально другой: он принимает решения на основе контекста, справляется с неоднозначностью, может продолжать работу несколько дней через несколько систем. Но именно поэтому без чёткого понимания процесса он опасен. Агент, столкнувшийся с незнакомым кейсом, не останавливается — он продолжает пробовать, потребляя токены, делая API-вызовы, иногда создавая побочные эффекты в смежных системах. Каждый такой заход стоит денег. Каждый неправильный результат порождает ручную работу по исправлению, которая невидима в отчётах комитету.
Исследования показывают четыре зоны процессов по уровню готовности к агентной автоматизации. Зона I (высокоструктурированные, повторяющиеся) — 71% успеха, но трансформационного эффекта мало. Зона II — 52% успеха, остальные 48% генерируют невидимую работу по правкам. Зона III (структурированные, но насыщенные исключениями) — 31% успеха. Именно здесь живут реальные приросты производительности, и именно здесь без process mining агент работает по карте 2019 года. Зона IV — 8% успеха. Компании, развернувшие агентов в зоне IV, как правило, убедили себя, что работают в зоне II.
По прогнозу Gartner, более 40% agentic AI проектов будут отменены к концу 2027 года — из-за растущих затрат, неясной бизнес-ценности и слабого управления. Все три причины сводятся к одной: организации внедряют агентов в процессные среды, которых не понимают.
Кейсы применения в бизнесе
B2B-SaaS стартап с растущим операционным отделом. Команда хочет автоматизировать онбординг клиентов через AI-агента. До внедрения стоит запустить process mining на логах CRM и тикет-системы: выявить реальные варианты онбординга (скорее всего, их не 3, а 15–20), найти шаги с наибольшим временем ожидания, определить исключения, которые менеджеры закрывают вручную. Результат: агент обучается на реальной карте, а не на предположениях — уровень успешной автоматизации вырастает с условных 30% до 60%+.
Корпорация с legacy ERP и сложной цепочкой согласований. Finance-процессы кажутся формализованными, но на практике — десятки обходных путей. Process mining по журналам SAP покажет, где согласования добавляют задержку без ценности, какие шаги реально выполняются не в том порядке, что задокументирован. Это даёт аргументированный список кандидатов для автоматизации с доказательствами, а не интуицией руководителя.
SMB или локальный бизнес в КР/СНГ. Крупные платформы вроде Celonis избыточны по стоимости. Но логика применима и с открытыми инструментами: выгрузить журналы из 1С или amoCRM, проанализировать в pm4py (open-source Python-библиотека для process mining), визуализировать реальные пути. Даже простой анализ покажет, где теряется время и где AI-автоматизация реалистична, а где — преждевременна.
Кейсы в личной жизни
Разработчик или технический менеджер. Если ты проектируешь AI-агента для внутреннего процесса — сначала добудь реальные логи. Посмотри на pm4py или Apache Kafka + process analytics прежде, чем писать первый промпт. Это сэкономит недели отладки edge cases на проде.
Операционный менеджер или продакт. Перед следующим питчем AI-автоматизации попроси команду показать журналы событий за последние 3 месяца. Сколько уникальных вариантов у «стандартного» процесса? Если никто не знает — это красный флаг, который стоит назвать прямо.
Фрилансер, консультант, внедренец. Process mining как услуга — это пробел на рынке КР/СНГ. Умение предложить клиенту «сначала разберёмся, как на самом деле работает ваш процесс» до старта автоматизации — дифференциатор, который отделяет от тех, кто просто продаёт агентов.
Как применить сегодня
- Установи pm4py (
pip install pm4py) — открытая Python-библиотека для process mining. Возьми любой журнал событий из CRM, ERP или тикет-системы и построй первую карту реальных вариантов процесса. - Перед следующим AI-пилотом ответь на три вопроса: сколько уникальных путей у процесса реально (не по документации)? Какой процент кейсов — исключения? Кто и как обрабатывает их вручную сейчас?
- Классифицируй целевой процесс по четырём зонам: если он попадает в Зону III или IV — это не значит «не автоматизировать», это значит «сначала понять детально».
- Изучи бесплатный tier Celonis или демо-версию UiPath Process Mining — для первого знакомства с инструментарием достаточно.
- Добавь в чеклист AI-проекта обязательный пункт: «Карта реальных вариантов процесса подтверждена данными» — до старта разработки агента.