AI-агенты против RPA: новая технология или ребрендинг ботов

За 2024–2025 годы слово «агент» стало главным продуктовым обещанием в корпоративном софте. Salesforce выпустила Agentforce, Microsoft переименовала линейку в Copilot Studio с автономными агентами, OpenAI показала Operator и режим агентов внутри ChatGPT, Anthropic добавила Claude функцию Computer Use — модель управляет курсором и кликает по интерфейсу. Продавцы описывают это как принципиальный скачок: не помощник, который подсказывает, а исполнитель, который делает. Скептики из мира автоматизации отвечают проще: то, что «делает клики за человека по правилам», называется RPA и продаётся уже пятнадцать лет. Вопрос не праздный, потому что от ответа зависит, платить ли за агента как за новую категорию или как за старого робота с новым лейблом.

Что такое RPA и что называют агентом

RPA¹ — это программный робот, который повторяет действия человека в интерфейсе: открыть письмо, скопировать номер заказа, вставить в 1С, нажать «сохранить». Робот работает по жёстко записанному сценарию. Меняется вёрстка страницы или порядок полей — сценарий ломается, и его переписывают вручную. Лидеры рынка здесь UiPath, Automation Anywhere, Blue Prism, а также Power Automate от Microsoft.

AI-агент² в трактовке вендоров — это система, где решение о следующем шаге принимает языковая модель, а не заранее записанный скрипт. Агенту дают цель («оформи возврат по этому обращению»), набор инструментов (доступ к CRM, почте, базе) и он сам решает, в каком порядке их применять. В теории это снимает главную боль RPA: агент не ломается от смены интерфейса, потому что «понимает» задачу, а не заучивает координаты кнопок.

Разница не в том, что агент кликает, а в том, кто решает, куда кликнуть. В RPA решает разработчик заранее. В агенте — модель в момент выполнения. Это и сила, и главный риск.

Где обещание расходится с практикой

Проблема в том, что «сам решает» на бизнес-задачах означает «иногда решает неправильно, и вы не всегда узнаете». RPA-робот при поломке падает с ошибкой — это заметно. Агент при неверном рассуждении уверенно оформит возврат не тому клиенту и отчитается об успехе. Для процессов, где цена ошибки — деньги или юридические последствия, это не мелкая деталь.

Отсюда компромисс, к которому пришли почти все вендоры: агент планирует и рассуждает, но реальные действия выполняет через строго описанные инструменты и с проверками. То есть под капотом «агента» часто оказывается тот же набор жёстких интеграций, что и в RPA, плюс языковая модель как диспетчер. Насколько это революция, а насколько дорогая надстройка — зависит от конкретной задачи.

Сравнение подходов

Ключевая экономическая разница — модель оплаты. RPA обычно тарифицируется за робота или за запуск. Агент тратит токены на каждое рассуждение, и на объёмных однотипных операциях счёт за LLM может превысить экономию от автоматизации. Конкретные тарифы у Salesforce, Microsoft и OpenAI меняются и зависят от объёма — сверяйте их на официальных страницах продуктов на момент внедрения, а не по цифрам из презентаций полугодовой давности.

Так это RPA или нет

Честный ответ: агент — это не переименованный RPA, но и не отдельная планета. Это RPA, у которого координатора шагов заменили на языковую модель. Для задач с жёстким, стабильным процессом эта замена не даёт выигрыша, а добавляет непредсказуемости и расходов на токены. Для задач, где вход каждый раз разный и требует «понимания» текста, модель делает то, чего классический робот не умел в принципе — например, разобрать письмо клиента, написанное человеческим языком, без заранее заданного шаблона.

Поэтому маркетинговое противопоставление «тупой робот против умного агента» вводит в заблуждение. Правильная рамка — не «что современнее», а «насколько задача вариативна». Чем стабильнее процесс, тем ближе оптимальное решение к обычному RPA. Чем больше в задаче неструктурированного текста и исключений, тем оправданнее агент.

Кому это пригодится и кому нет

Пригодится:

• Поддержка, где входящие обращения написаны свободным текстом и требуют классификации перед действием — агент разбирает суть, RPA бы застрял на шаблонах.
• Обработка документов разного формата: счета от десятков поставщиков в разной вёрстке, где жёсткий парсер постоянно ломается.
• Процессы с частыми исключениями, где сценарий пришлось бы бесконечно дописывать под каждый новый случай.

Не пригодится (дешевле и надёжнее классический RPA или обычный скрипт):

• Стабильные высокочастотные операции «скопировал из А, вставил в Б» без вариаций — платить за токены на каждый прогон невыгодно.
• Процессы с нулевой терпимостью к ошибке и без сильного контроля на выходе: банковские проводки, юридически значимые действия.
• Задачи, где вход всегда строго структурирован (выгрузка из одной системы в другую по фиксированному API) — здесь агент лишняя прослойка.

Что проверить перед внедрением

1. Посчитайте стоимость на реальном объёме операций в месяц, включая оплату токенов, а не только лицензию.
2. Оцените вариативность входных данных: если она низкая, честно сравните с обычным RPA или скриптом.
3. Заложите контроль на выходе — человека или правило, которое ловит «уверенные ошибки» агента.
4. Проверьте, как продукт логирует не только действия, но и рассуждения, — без этого разбор инцидента превращается в гадание.
5. Начните с пилота на одном процессе с измеримым результатом, прежде чем масштабировать.

¹ RPA (Robotic Process Automation) — программные роботы, которые повторяют действия человека в интерфейсах приложений по заранее записанному сценарию.

² AI-агент — система, где языковая модель самостоятельно выбирает последовательность действий для достижения заданной цели, используя доступные ей инструменты (доступ к API, файлам, интерфейсам).