AI-агенты промышленного уровня: зачем диалоговым потокам нужна BPMN-оркестрация

Ключевая проблема современных AI-агентов — как совместить гибкость языковых моделей с надёжностью и управляемостью, которые требуются в реальном бизнесе. CrewAI недавно представила экспериментальные Conversational Flows, но промышленная практика уже дала более зрелый ответ: BPMN-оркестрация с ad-hoc подпроцессами.

Когда заказчик говорит «сделайте нам AI-агента», он обычно представляет себе умный чат-бот, который сам разберётся с любым запросом. Но за этим фасадом скрывается сложная архитектурная задача. Разговорный агент должен обрабатывать открытый пользовательский ввод, где одно сообщение может означать десяток разных вещей, требовать доступа к нескольким системам и даже инициировать юридически значимые действия. Заранее описать все возможные сценарии невозможно. Но и отдавать LLM полную автономию в процессах, влияющих на одобрение кредита или оформление страховки, — риск, который мало кто готов принять.

Где проходит граница между ИИ и процессом

Camunda, компания с более чем десятилетним опытом в оркестрации бизнес-процессов, предлагает неочевидное на первый взгляд решение. Вместо того чтобы встраивать процессные концепции в агентный фреймворк, они пошли от обратного: агентный слой работает поверх зрелой BPMN-инфраструктуры.

Ключевой элемент — ad-hoc subprocess (произвольный подпроцесс). Это своего рода «песочница» для LLM, встроенная в строгий BPMN-процесс. Внутри этой песочницы модель может свободно выбирать инструменты и последовательность их вызова. За её пределами — детерминированная логика, которую агент не в силах обойти.

Как это выглядит на практике? Агент представлен фиолетовой звездой на диаграмме — это и есть пространство рассуждений LLM. Внутри него расположены доступные инструменты: задать вопрос клиенту, поискать в базе знаний, обратиться к специалисту, рассчитать платёж или запустить процесс оформления. Системный промпт полностью виден в Modeler — никакой скрытой магии «под капотом».

Но самый важный нюанс в другом. Каждый инструмент — это самостоятельная BPMN-активность. LLM выбирает, какой инструмент вызвать, а вот исполнением управляет процессный движок. Проверки на комплаенс, этапы согласования и аудит реализованы как структурные ограничения процессной модели, а не как инструкции в промпте.

Что происходит, когда агент выходит в промышленную эксплуатацию

Лабораторные демо и продакшн — две большие разницы. При переходе к реальной нагрузке всплывают проблемы, которые в прототипах просто незаметны.

Хранение состояния. Обращение в банк может ждать ответа кредитного бюро несколько дней. Агент не может держать такой контекст в оперативной памяти. BPMN-движок сохраняет состояние после каждого шага. Когда внешний ответ приходит, выполнение продолжается ровно с той точки, где остановилось. Это позволяет одновременно обрабатывать миллионы экземпляров процессов без простоев.

Восстановление после сбоев. Если вызов инструмента упал с ошибкой, движок автоматически повторяет попытку. Если не помогло — запускается механизм компенсации: уже выполненные действия корректно откатываются, а не оставляют процесс в «подвешенном» состоянии. Большинство современных агентных фреймворков такого не умеют.

Наблюдаемость и аудит. Каждый шаг — это процессная активность, которая автоматически попадает в журнал исполнения: какие инструменты вызывались, в каком порядке, какой контекст передавался LLM, где вмешивался человек. Когда регулятор спрашивает, что произошло в конкретном случае, ответ уже есть в централизованном аудит-логе.

Реальные результаты: цифры, а не слайды

Хорошо, когда архитектура красивая. Но бизнесу важны цифры. И здесь есть чем похвастаться.

NatWest использует такую архитектуру для расследования мошенничества. Агенты самостоятельно обрабатывают обращения: получают данные клиентов, анализируют транзакции, при необходимости передают дело специалистам. Результат — экономия 21 минуты на каждом кейсе при полном сохранении аудиторского следа.

Halkbank обрабатывает свободно сформулированные клиентские заявки с помощью документных агентов. Процесс включает OCR, оценку достоверности распознавания, направление на ручную проверку при низкой уверенности и полностью автоматическое выполнение при высокой. Система обрабатывает 50 000 транзакций ежедневно, а среднее время обработки сократилось с 54 до 9 секунд.

EY применяет агентов для обработки исключительных ситуаций во внешнеторговых операциях — случаев, которые невозможно описать фиксированным набором правил. Скорость обработки выросла в семь раз.

Все перечисленные системы работают в промышленной эксплуатации в регулируемых отраслях уже более года.

Что это значит для вашего бизнеса

Если вы сейчас оцениваете агентные решения для своей компании — присмотритесь к архитектуре, а не только к демо. Conversational Flows от CrewAI и аналогичные подходы — это шаг в правильном направлении. Но BPMN-оркестрация с ad-hoc подпроцессами даёт то, что жизненно необходимо для реального бизнеса: управляемость, аудит, восстановление после сбоев и масштабирование до миллионов процессов.

Хорошая новость: вам не придётся выбирать что-то одно. Благодаря протоколам MCP и A2A агенты CrewAI могут работать внутри Camunda как подчинённые. Уже созданные агенты можно обернуть в слой процессной оркестрации, не переписывая их с нуля.

Промышленные AI-агенты — это не про магию LLM. Это про инженерную дисциплину, которая позволяет этой магии работать надёжно и предсказуемо.