От RPA к AI-агентам: как роботы для рутины выросли в исполнителей

RPA — роботизированная автоматизация процессов — существует на корпоративном рынке дольше, чем нынешняя волна больших языковых моделей. UiPath, крупнейший игрок этого сегмента, вышел на IPO в 2021 году с оценкой около 30 млрд долларов. Automation Anywhere и Microsoft Power Automate закрывали ту же нишу: программный робот повторяет действия человека в интерфейсе — открывает почту, копирует данные из таблицы, вносит их в учётную систему. Никакого интеллекта, только заранее записанный сценарий. С распространением LLM-агентов RPA внезапно стал выглядеть как их прямой, но негибкий предок. Разберём, что именно роднит эти технологии и в чём принципиальная разница.

Что такое классический RPA и почему он хрупкий

RPA-робот работает поверх пользовательского интерфейса. Он не лезет в API и базы данных напрямую — он имитирует человека: находит поле по координатам или по идентификатору элемента, кликает, вводит текст, переключает окна. Логика жёстко прописана в визуальном редакторе: если пришло письмо с темой X, извлечь вложение, открыть 1С, создать документ.

Плюс очевиден — робот не устаёт, не ошибается в монотонных операциях и работает круглосуточно. Минус тоже: любое изменение ломает сценарий. Поставщик обновил вёрстку веб-кабинета, сдвинулась кнопка, поменялось название поля — робот встаёт. По этой причине команды RPA тратят значительную долю времени не на разработку новых сценариев, а на поддержку существующих.

Классический RPA автоматизирует движения рук, но не понимает, что делает. Agentic AI пытается автоматизировать намерение — и в этом вся разница.

Что изменил agentic AI

AI-агент¹ строится вокруг языковой модели, которая получает цель, а не пошаговый скрипт. Модель сама рассуждает, разбивает задачу на шаги и вызывает инструменты — те же клики по интерфейсу, обращения к API, чтение файлов. Когда OpenAI показала Operator (январь 2025), а Anthropic ещё в октябре 2024 добавила Claude режим Computer Use, речь шла ровно об этом: модель смотрит на скриншот экрана и решает, куда нажать, без заранее записанного маршрута.

Разница на практике: если кнопка «Отправить» переехала, RPA-робот теряется, а агент видит её на новом месте и нажимает, потому что понимает, что ищет кнопку отправки, а не пиксель с координатами 340×580. Плата за эту гибкость — непредсказуемость: агент может ошибиться в рассуждении, зациклиться или выполнить действие не так, как ожидалось.

Где технологии уже смешиваются

Границы стираются быстрее, чем спорят о терминах. UiPath, Microsoft и Automation Anywhere встраивают LLM в свои платформы: агент разбирает нестандартный документ или письмо, а детерминированный RPA-скрипт исполняет финальные шаги там, где ошибка недопустима. Такой гибрид — не маркетинг, а прагматичный компромисс между гибкостью и надёжностью.

Сравнение подходов

Кому это пригодится, а кому нет

Выбор зависит не от моды, а от характера процесса.

• Стабильный массовый процесс — берите RPA. Перенос данных между двумя системами, которые не меняются годами, выгрузка отчётов по расписанию. Здесь предсказуемость и цена шага важнее гибкости, а модель только добавит лишних затрат и риска.
• Много вариативности и неструктурированных данных — смотрите на агента. Разбор входящих писем от разных контрагентов, где формат каждый раз новый; сортировка обращений; работа с интерфейсами, которые часто обновляются.
• Критичные к ошибке операции с деньгами и юридическими последствиями — гибрид или человек в контуре. Платёжки, отправка отчётности, изменение договоров. Агент может подготовить, но финальное действие лучше оставить под детерминированным скриптом или ручным подтверждением.
• Разовая или редкая задача — часто дешевле не автоматизировать вовсе. И RPA, и агент требуют настройки; если процесс запускается раз в квартал, окупаемость под вопросом.

Сколько это стоит и о чём предупредить

Классический RPA тарифицируется за робота-исполнителя и лицензию платформы — цена фиксированная и предсказуемая на этапе бюджета. Agentic-подход добавляет плату за токены модели: каждый скриншот, каждое рассуждение — это расход, который растёт с числом шагов. На длинных сценариях счёт за модель может неприятно удивить, поэтому оценивать стоимость нужно на реальном объёме, а не на демо. Актуальные тарифы платформ и API уточняйте на официальных страницах вендоров — они меняются.

Второй момент — контроль. Детерминированный робот оставляет чистый лог: что нажал, когда, с каким результатом. Агент принимает решения внутри модели, и объяснить, почему он поступил именно так, сложнее. Для процессов, где важен аудит, это отдельная статья затрат на мониторинг и проверку.

¹ AI-агент — программа на основе языковой модели, которая получает цель, самостоятельно планирует шаги и вызывает внешние инструменты (клики по экрану, запросы к API, чтение файлов) для её достижения, а не следует заранее записанному сценарию.