Исчезновение IDP и RPA: как агентные платформы трансформируют корпоративную автоматизацию

# Исчезновение IDP и RPA: как агентные платформы трансформируют корпоративную автоматизацию

Рынок корпоративной автоматизации на пороге фундаментального сдвига. Ветераны отрасли IDP (Intelligent Document Processing) и RPA (Robotic Process Automation) предупреждают о том, что устоявшаяся классификация технологий начнет терять актуальность в ближайшие пять лет. По мнению разработчиков платформы ContentCapture, мы движемся к эпохе, где распознавание документов и выполнение рутинных операций станут не отдельными продуктами, а просто набором навыков для искусственных агентов.

*«Для рынка это хорошая новость, даже если звучит как самоотрицание»* — отмечают аналитики, указывая на то, что изолированное распознавание данных перестало быть ценностью само по себе.

От распознавания к осмыслению

Двадцать лет назад успех системы IDP измерялся просто: смогла ли она извлечь текст из скана и выгрузить его в JSON или XML. Сегодня извлечение данных стало базовой гигиенической процедурой, за которую отдельной ценой не заплатят. Реальная ценность сместилась на пост-обработку: валидацию, сверку, маршрутизацию и принятие решений.

На примере обработки входящего счета можно увидеть новую логику:

* Сверка лимитов: Автоматическое сравнение суммы в счете с лимитами по договору и историей платежей. * Верификация контрагента: Использование баз данных и открытых источников для выявления рисков мошенничества. * Динамическая маршрутизация: Автоматическая постройка пути согласования в зависимости от выявленных рисков. * Генерация контента: Создание черновиков писем для уточнения расхождений с менеджером.

В такой цепочке распознавание занимает лишь малую долю процесса. Когда функция становится инструментом для решения более сложной задачи, логично, что она перестает продаватьсья как отдельный продукт.

Почему классическому OCR осталось не так много

Технология распознавания символов (OCR) находится под давлением развития больших языковых моделей (LLM) и визуальных языковых моделей (VLM). Экспериментальная проверка верификации первичных документов показала, что чистые VLM-модели достигают точности (Pass-Through Rate) 14% для счетов-фактур и около 41% для товарных накладных. Классический OCR также проседает на неструктурированных документах.

Однако, связка двух подходов позволяет выводить итоговый результат до 75–89%.

Техническое пояснение: Классический OCR работает по жестким шаблонам и матрицам символов. LLM обучены на огромных массивах данных и умеют понимать контекст. Гибридный подход использует точность шаблонов для четких данных и контекстное понимание ИИ для сложных структур.

Тем не менее, у классических решений есть преимущество в скорости и требованиях к оборудованию (GPU), но разрыв сокращается. Ограничения LLM, удерживающие классику на плаву, остаются: галлюцинации (искажение данных, например, замена «10» на «15») и запреты на облако для крупных корпораций, требующих соблюдения ФЗ-152 и коммерческой тайны.

Факт: Выручка российских разработчиков систем распознавания в 2024 году выросла на 52% и составила 3,7 млрд рублей. Однако аналитики TAdviser прогнозируют стагнацию рынка IDP в 2026–2027 годах, так как приоритеты сместятся с внедрения на доработку.

Слияние и появление агентов

Рынок движется к слиянию IDP и RPA. Исторически IDP-вендоры встраивали RPA, а RPA-вендоры — OCR. Например, UiPath разработала собственный движок распознавания. Российские игроки повторяют эту траекторию. Но эксперты считают это лишь промежуточным этапом.

Финалом эволюции видятся агентные платформы. В такой архитектуре распознавание и роботизация превращаются в отдельные «навыки», которые агент может комбинировать в зависимости от задачи. Агент не просто анализирует процесс, как делает это традиционный RPA, а самостоятельно исполняет его, учитывая смысл, контекст и доступные инструменты.

Управление кодом в таких системах также претерпевает изменения. Появляются агенты, способные генерировать исполняемый код на основе описания задачи на естественном языке, автоматически исправлять ошибки в коде и тестирование сценариев. Это снижает зависимость бизнеса от внешних подрядчиков.

Барьеры перехода к агентной автоматизации

Технологически переход к агентам уже возможен, но его тормозит экономика и инфраструктура.

1. Стоимость инфраструктуры: Агенты требуют мощных GPU-кластеров, что недоступно многим региональным банкам или заводам. 2. Регуляторная неопределенность: В России и мире еще не сформированы четкие правила применения ИИ в критичных бизнес-процессах. 3. Безопасность и галлюцинации: Обязательное участие человека в контуре (HITL) пока необходимо для критичных операций, где ошибка нейросети может стоить миллионов. 4. Наследие ИТ-ландшафта: Многие легаси-системы не имеют современных API, что требует создания сложных и ненадежных интеграций. 5. Сложность оценки ROI: Заказчикам трудно прогнозировать отдачу от внедрения, если метрики согласуются только постфактум.

Жизнь без IDP и RPA как классов

Исчезновение данных категорий воспринимается экспертами как признак взросления рынка, а не как смерть технологий. Вендоры, которые будут жестко привязаны к устаревшим моделям продаж, рискуют проиграть конкуренцию гибким платформам.

Компании вроде ContentCapture уже планируют переход: от отдельного IDP-движка к общей платформе оркестрации, которая умеет подключаться к 1С, CRM и СЭД через коннекторы или API. Такая система позволит выбирать способ исполнения каждого шага: детерминированную логику для надежности или ИИ-шаги для обработки неструктурированных данных.

Рынок движется к автоматизации когнитивных способностей человека: чтение, понимание смысла, направление по нужной ветке процесса. Типовой поток будет идти автономно, а человек останется только для разрешения исключений и подтверждения итога.