Контекст и координация: недостающий слой в автоматизации предприятий

Большинство предприятий имеют множество автоматизации и мало трансформации. Пилотные проекты сработали. Боты работают. Кривая производительности всё равно выровнялась. Это самая часто повторяющаяся история в бизнесе, и следующая волна — Agentic AI — может наконец разорвать эту схему, для предприятий, готовых построить контекст, на котором работают эти системы.

Почти никто не рассматривает это как стратегию. Это так.

Крупная сеть поставщиков медицинских услуг в США обнаружила, что реальным ограничением была не клиническая ёмкость, а планирование приёмов, которое велось на основе реактивных догадок, без видимости того, какие пациенты, вероятно, пропустят визит, пока слот уже оказался пустым. Создание прогностических моделей на основе истории приёмов позволило сети действовать до появления пробелов, а не спешить после них. Количество пропусков визитов снизилось, чистая выручка выросла, а время триажа планирования сократилось. Контекст уже существовал в годах данных о приёмах. Его просто нужно было собрать и использовать.

Во всех этих проектах одни и те же три дисциплины — ядро, контекст и координация — отделяют Agentic AI, приносящий результаты, от Agentic AI, который застревает.

Автоматизация простой части

Самая глубокая пропасть — между автоматизацией задач и автоматизацией результатов. Компании автоматизируют отдельные шаги: сверку счетов, ввод данных, обновление статуса, и обнаруживают, что затраты всё ещё находятся в работе между этими шагами. Процесс, который в основном автоматизирован, не решён в большинстве случаев. Человек всё ещё соединяет части вместе и несёт ответственность за результат, выполняя координационную работу, для которой никогда не была построена автоматизация.

Причина проста. Старая автоматизация следует правилам. Она не может принимать решения, потому что ей не хватает контекста для разрешения исключений и координации для их передачи. Боты безупречны в предсказуемой середине и беспомощны на границах, а в реальной работе границы — это работа. Требование с отсутствующим документом или странным пунктом останавливает бота и привлекает человека. Руководители считают, что было автоматизировано. P&L считает, что не было.

Почему сложная часть сопротивляется? Потому что именно там находится контекст. Чистая часть работает с аккуратными строками и колонками. Сложная часть прячется в PDF‑политике, цепочке электронных писем, отсканированной форме, стенограмме звонка, пункте в приложении. McKinsey оценивает, что около 90 % данных предприятий неструктурированы. Автоматизация, видящая только структурированную часть, слепа к большинству решений. Решение этой задачи требует предоставить автоматизации две вещи, которых у неё никогда не было: контекст для принятия решений и координацию для их реализации в разных системах.

Почему контекст меняет всё

Agentic AI закрывает эту пропасть, потому что может рассуждать с учётом контекста, чего предыдущие поколения автоматизации никогда не могли. В отличие от традиционной автоматизации, агент может рассуждать через системы, работать с неоднозначностью и адаптироваться, когда реальность нарушает сценарий. Он автоматизирует стыки между процессами, а также сами процессы.

Это делает контекст реальной инженерной задачей. Инжиниринг контекста — это дисциплина, определяющая, что агенту необходимо знать, извлекающая эту информацию из правильных источников и представляющая её в нужный момент. Агент может рассуждать только над тем, что ему известно.

Глобальная полупроводниковая компания с более чем 30 000 сотрудников усвоила этот урок напрямую. Более тысячи её контрактов были разбросаны по SharePoint, общим дискам и локальным папкам в виде неструктурированных PDF, без возможности отслеживать сроки уведомления или условия продления до наступления дедлайнов. Автоматическое извлечение и интерпретация этого скрытого контекста сократили время обзора контрактов, сэкономили более 200 часов ручной работы в год и уменьшили риск пропуска обязательств. Enterprise AI масштабируется не за счёт автоматизации большего количества изолированных задач, а за счёт объединения контекста, находящегося между ними.

Автоматизация всё ещё застревает без координации

Автоматизация может иметь идеальный контекст и всё равно застревать, если это знание не может перемещаться между системами, командами и часовыми поясами, которые затрагивает реальный процесс, и этот разрыв не гипотетический. Глобальная компания в сфере наук о жизни, обрабатывающая примерно 50 000 жалоб в год в четырёх регионах, столкнулась с этим напрямую. Жалобы поступали через разрозненные электронные письма, порталы и документы, и похожие случаи обрабатывались по‑разному в зависимости от того, какая команда их рассматривала, именно тот тип несоответствия, который отмечают регуляторы. Стандартизация их в один согласованный рабочий процесс сэкономила более 4 200 часов в год и сократила время решения на 70 %. Предприятия, пропускающие этот слой, получают автоматизацию, которая хорошо рассуждает, но всё равно застревает на тех же передачах, которые тормозили старые системы.

Ловушка управления

Раньше автоматизацию регулировали как программное обеспечение: лицензировали, предоставляли и отслеживали её время безотказной работы. Agentic AI ломает эту модель, потому что в тот момент, когда она начинает принимать решения вместо их выполнения, управление тем, к чему она имеет доступ, уже недостаточно. Агент, который читает CRM, пишет в ERP, инициирует платёж и отправляет сообщения клиенту, уже не инструмент, а актёр с охватом. Вопрос смещается с того, безопасна ли интеграция, на то, какие решения может принимать этот агент, на чьей он основе, какой след оставляет и кто отвечает, когда он ошибается. Решение — не в уменьшении автономии, а в чётких границах, определённом полномочии, полном журнале действий и назначенном владельце для каждого результата, который создаёт агент.

Это управление должно включать надзор, не как тормоз, а как механизм, позволяющий безопасно расширять сферу действия агента со временем. Каждая коррекция показывает, имел ли агент правильный контекст, подпитывая цикл, который постепенно дарует ему большую ответственность.

Она также должна охватывать слой контекста, часть, которую большинство команд упускает. Обработка неструктурированных источников означает наследование содержащегося в них: персональных данных, привилегированных материалов, противоречивых версий правды. Агент надёжен лишь настолько, насколько достоверно происхождение используемого им контекста. Рассматривайте контекст как управляемый актив с встроенными правилами происхождения, доступа и актуальности, и автоматизация превратится в проверяемую систему, а не в риск. Создавайте это до разрастания, а не после инцидента.

Первый год, сделанный иначе

Большинство организаций проведут этот год в поиске задач для автоматизации. Небольшая часть потратит его на картирование того, где информация, ответственность и решения действительно переходят из рук в руки, и на создание решений для того, что происходит в этих точках передачи.

Через два года никого не будет интересовать, сколько агентов компания развернула. Настоящий вопрос будет: кто построил инфраструктуру под ними и кто всё ещё «крутит» ботов к сломанным точкам передачи.