RPA умирает? Не говорите это страховщикам из РГС
Еще вчера все кричали, что Large Language Models съедят роботизированную автоматизацию процессов. Зачем нужен бот, который тыкает в кнопки, если агент на GPT-4.5 может понять задачу и выполнить ее? Практика в Росгосстрахе показала обратное. Вместо войны технологий они построили гибрид, где RPA и ИИ-агенты не конкурируют, а покрывают слабые места друг друга. И это не теория — с начала 2026 года система обрабатывает более 15 тысяч страховых случаев в месяц без единого full-time оператора.
Ключевой парадокс 2025-2026 годов: чем умнее становятся ИИ-агенты, тем больше компании возвращаются к проверенному RPA для интеграции с legacy-системами. Не потому что модно, а потому что работает.
Проблема, которая всех бесила: документы, формы и человеческий фактор
До 2025 года в РГС обработка страхового случая выглядела как квест на выживание. Сотрудник получал пакет документов: заявление, справку из ГИБДД, медицинское заключение, фотографии. Данные нужно было вручную перенести в пять разных систем — от старой AS/400 до современного CRM. Ошибки ввода, усталость, очереди. RPA-боты частично помогли, но спотыкались о неструктурированные документы. ИИ-агенты, в свою очередь, отлично анализировали текст, но не умели работать с графическим интерфейсом SAP. Тупик.
Архитектурный паттерн, который все искали: BPMN как дирижер
Решение пришло не от поставщиков софта, а от архитекторов внутри компании. Они отказались от идеи «или-или» и приняли паттерн «Оркестрация через BPMN с гибридными задачами». Если коротко: бизнес-процесс описывается в нотации BPMN (да, том самом старом стандарте), где каждая задача — это либо RPA-действие, либо вызов ИИ-агента. Оркестратор (использовали Camunda 8.5 с плагином для AI-тасков) решает, кого и когда запускать.
| Задача в процессе | Исполнитель | Почему не наоборот? |
|---|---|---|
| Взять заявление из почты и прикрепить к делу | RPA-бот (UiPath 2025) | Работа с Outlook и файловой системой — чистая автоматизация интерфейсов. Агент здесь избыточен. |
| Извлечь данные из скана справки ГИБДД | ИИ-агент на GPT-4.5 Vision | Документ неструктурированный, есть рукописные поля. RPA с OCR справлялся на 70%, агент — на 98%. |
| Ввести данные в поле «Причина» системы SAP | RPA-бот | SAP не имеет нормального API, только GUI. Бот эмулирует действия пользователя. |
| Проверить согласованность данных и рассчитать выплату | ИИ-агент с RAG поверх внутренних баз знаний | Требуется анализ правил, прецедентов и контекста. RPA здесь беспомощен. |
Звучит просто? На практике пришлось решать адские проблемы. Например, как передать контекст от RPA-бота агенту и обратно. Ранняя версия пыталась использовать общую базу данных, что создавало race conditions и потерю данных. В текущей архитектуре (актуальной на апрель 2026) оркестратор Camunda выступает единым источником truth, храня контекст процесса в переменных. RPA-бот, завершив задачу, пишет результат в переменную процесса. ИИ-агент, когда его вызывают, читает эти переменные и дополняет их.
Инструменты 2026 года: что реально работает в production
Когда читаешь аналитические отчеты, кажется, что все уже перешли на автономных агентов пятого уровня. В реальных корпоративных проектах — стек более консервативный, но с точными вкраплениями новинок.
- Оркестратор: Camunda 8.5. Выбор объяснили просто: поддержка BPMN 2.0, возможность описывать человеческие задачи (на случай эскалации) и новый AI Task Plugin, который появился в конце 2025. Этот плагин умеет вызывать агентов через OpenAI-совместимый API, передавать контекст и парсить ответы в JSON для следующих шагов.
- RPA: UiPath 2025 Enterprise Edition. Ключевое — интеграция с Camunda через официальный connector. Бот не живет в вакууме, он получает задания из очереди оркестратора.
- ИИ-агенты: Здесь интереснее. Для разных задач используют разных агентов. Для анализа документов — кастомный агент на базе GPT-4.5 Turbo с fine-tuning на 50 тыс. размеченных страховых документов. Для проверки логики — более легкий агент на основе открытой модели Claude 3.5 Sonnet (выбор 2026 года для баланса стоимости и качества), развернутый в приватном кластере. Агенты построены по принципам Production-ready AI-агента, с четкими инструментами и обработкой ошибок.
- Векторная база и RAG: Pinecone для хранения эмбеддингов внутренних регламентов и прецедентов. Агент, проверяющий расчет выплаты, сначала ищет похожие случаи, потом делает вывод. Это классический Advanced RAG, но работающий не в чате, а внутри бизнес-процесса.
Важный нюанс, о котором мало говорят: latency. Вызов GPT-4.5 для анализа документа занимает 2-3 секунды. Если бы процесс был синхронным и ждал ответа агента на каждом шаге, производительность рухнула бы. В архитектуре РГС оркестратор запускает такие задачи асинхронно, а процесс продолжает работать над другими шагами, которые не зависят от результата. Это требует тщательного проектирования процесса в BPMN, но спасает время.
Что получили? Цифры, а не гипотезы
Внедрение гибридной автоматизации началось в третьем квартале 2025 и вышло на полную мощность к февралю 2026. Результаты, которые озвучили внутри компании (и разрешили привести):
- Время обработки типового страхового случая сократилось с 45 минут до 7 минут. 80% этого времени — работа ИИ-агента по анализу документов. Человек вмешивается только в 5% процессов, когда агент флагует высокий риск или не может принять решение.
- Точность заполнения полей в системах выросла до 99,8%. Раньше человеческая ошибка давала около 3% брака, который потом приходилось исправлять.
- Стоимость обработки одного случая упала на 65%. Это не только экономия на операторах, но и сокращение штрафов за просрочки.
Но главное — система масштабируется. Добавить новый тип документа или новое правило — это не переписывание монолита, а добавление новой задачи в BPMN-диаграмму и обучение или настройка соответствующего агента. Подход, описанный в практическом руководстве по внедрению ИИ-агентов, оказался верным, но с обязательным учетом legacy-контекста через RPA.
Где этот паттерн сломается? Честные ограничения
Не все так розово. Архитектура РГС — не серебряная пуля. Она идеально работает для процессов, которые можно четко описать в BPMN и где есть смесь структурированных и неструктурированных данных. В других сценариях она дает сбой.
Например, для полностью креативных задач (написание маркетинговых текстов) оркестрация через BPMN будет избыточной. Там лучше подойдет чистая агентская архитектура, как в архитектуре автономных агентов без роутинга. Также паттерн не сработает, если legacy-системы настолько древние, что даже RPA-боты не могут с ними стабильно взаимодействовать (да, бывает и такое).
Еще одна точка напряжения — мониторинг. Отслеживать выполнение BPMN-процесса и метрики RPA-ботов можно. Но как понять, почему ИИ-агент принял странное решение? Пришлось внедрять сложную систему логирования всех шагов агента, включая его chain-of-thought. Без этого аудит невозможен.
Что делать дальше? Неожиданный вектор от практиков
Команда РГС не остановилась. Их следующий шаг, запланированный на конец 2026, — передача самим ИИ-агентам права модифицировать BPMN-процессы. Звучит как научная фантастика, но у них уже есть прототип. Агент, анализируя статистику выполнения процессов и выявляя узкие места, предлагает оптимизацию диаграммы: объединить два последовательных RPA-действия, заменить вызов одного агента на другой, добавить параллельное выполнение.
Если это сработает, мы увидим принципиально новую вещь: самооптимизирующуюся enterprise-автоматизацию, где ИИ не просто выполняет задачи, но и улучшает конвейер, в котором работает. Это уже не гибрид RPA и агентов, а их симбиоз на следующем уровне. И главный урок от РГС прост: не выбрасывайте старые технологии. Заставьте их работать с новыми. Даже если для этого придется заново выучить BPMN и забыть про хайп.
