Матрица выбора: когда нужна автоматизация, ML, генеративный ИИ или ИИ-агент

Один из самых частых источников бюджетных ошибок при автоматизации — не сама технология, а неверно подобранная под задачу. Компания покупает лицензию на генеративный ИИ там, где хватило бы простого робота, или пытается «зароботизировать» процесс, где решение по определению не формализуется в жёсткий алгоритм. Вместо того чтобы выбирать технологию по моде или по тому, о чём чаще пишут в новостях, полезнее сначала классифицировать сам процесс — и у этой классификации есть всего два вопроса.

Два вопроса, которые определяют технологию

Первый вопрос — в каком виде процесс получает данные на входе и должен отдавать их на выходе: это чёткий, стандартизированный, читаемый формат (структурированные данные) или нет? Второй вопрос — как принимается решение внутри процесса: по явному алгоритму (данные формализованы) или на основе опыта, истории, интуиции — то есть закономерностей, которые сложно расписать пошагово?

Эти два вопроса образуют матрицу на четыре квадранта, и для каждого из них подходит своя технология.

Квадрант 1: простые операции — здесь искусственный интеллект не нужен

Структурированный вход и выход плюс чёткий алгоритм — это территория классической автоматизации и RPA. Примеры такого рода задач: расчёт налоговых отчислений сотрудника, поиск кратчайшего пути в графе, проверка корректности скобок в математическом выражении, сортировка списка чисел по возрастанию — везде есть однозначный алгоритм «если да — действие один, если нет — действие два».

Плюсы такого подхода — прозрачность, быстродействие и стабильность результата. Минусы — он плохо масштабируется при усложнении задачи и не обучается новым данным: как только процесс перестаёт укладываться в жёсткий алгоритм, эта технология перестаёт быть эффективной.

Квадрант 2: экспертные функции — территория обычного машинного обучения

Вход и выход всё ещё структурированы, но чёткого алгоритма нет — решение основано на опыте и истории. Пример из практики «Первого Бита» — продукт БИТ.VBM, где сценарное планирование денежных потоков строится на основе накопленного опыта, а не жёсткой формулы. Похожие по типу задачи — классификация электронных писем как спам, прогнозирование спроса на товары на следующую неделю, распознавание объектов на изображениях, оценка вероятности невозврата кредита по характеристикам заёмщика.

Машинное обучение решает сложные задачи с неявными закономерностями и дообучается на новых данных, хорошо работает с большими объёмами информации. Но требует немало данных для обучения, а результат не всегда прозрачен и объясним — возможны ошибки и переобучение.

Показательный кейс синергии технологий из этого же квадранта — распознавание конструкторских чертежей. Задача заключалась в том, чтобы вместо бумажного архива, в котором сложно искать нужный документ, создать электронный: чертежи и спецификации в PDF-формате (разных размеров, оформленные по ГОСТу) обрабатываются модулем на связке OCR и компьютерного зрения, который определяет тип документа и вычленяет из него текст и структуру изделия. Дальше уже программный робот переносит эти данные в систему учёта — то есть ML отвечает за понимание документа, а RPA доводит процесс до конца.

Квадрант 3: творческие и когнитивные задачи — генеративный ИИ

Здесь есть алгоритм действия, но данные на входе и выходе не структурированы — например, письмо от контрагента в свободной форме, которое нужно быстро превратить в техническое задание. Типичные примеры: перевод текста с одного языка на другой, генерация текстов статей по заданной теме, автоматическое написание кода по краткому описанию задачи, составление писем и резюме по шаблону, ответы на вопросы на естественном языке с пояснениями.

Плюсы генеративного ИИ — он решает не только рутинные, но и творческие задачи, понимает и обрабатывает естественный язык, гибко работает с неструктурированной информацией. Минусы — непредсказуемость и возможные ошибки (включая галлюцинации), а также потребность в больших объёмах данных и вычислительных ресурсов.

Квадрант 4: стратегия и предпринимательство — здесь нужен человек в контуре

Самый сложный случай: данные не структурированы ни на входе, ни на выходе, и чёткого алгоритма решения тоже нет — только цель, к которой нужно прийти. Это территория проектной работы, предпринимательских решений и стратегии — задачи уровня топ-менеджмента, где применяется агентный ИИ. Именно здесь действует правило human-in-the-loop: технологии в этом квадранте нельзя делегировать полностью без контроля человека — риски слишком велики, чтобы принимать решение без проверки.

Как использовать эту матрицу на практике

Прежде чем выбирать конкретный продукт или платформу, полезно прогнать свой процесс через оба вопроса матрицы: насколько формализован вход и выход и есть ли явный алгоритм решения. Ответ сразу сужает выбор технологии — а часто показывает, что оптимальное решение не одно, а связка из двух (как в кейсе с распознаванием чертежей, где ML и RPA работают в одной цепочке). Обсудить, в какой квадрант попадают конкретные процессы вашей компании, можно с командой направления по внедрению ИИ «Первого Бита» — там же, если задача окажется ближе к первому квадранту, подскажут, где достаточно классической роботизации (RPA). Записи вебинаров по теме — на странице вебинаров по искусственному интеллекту.