Типичный сценарий корпоративного ИИ-проекта выглядит так: объявляется инициатива по трансформации, создаётся комитет, выбирается вендор, отбираются пилоты — нередко по интуиции руководителя, а не по потенциальной ценности. Пилоты показывают обнадёживающие цифры в PowerPoint. Затем начинается внедрение, затраты растут, а где-то в операционном блоке сотрудники по-прежнему вручную копируют данные между двумя системами, потому что ИИ-агент не справился с пустым полем или создал запись, которой не должно было существовать.

Проблема не в качестве моделей. Проблема в том, что организации внедряют ИИ поверх отсутствия понимания собственных процессов. Команды строят агентные системы на фундаменте из предположений и интуиции — и удивляются, когда оркестрация начинает давать сбои.

Большинство компаний считают, что их процессы задокументированы. Есть BPMN-диаграмма, созданная консультантом в 2019 году и с тех пор не открывавшаяся. Есть SOP-документ в папке SharePoint, чей URL никто не помнит, последний раз обновлённый сотрудником, который уже не работает в компании. Есть эксперт по предметной области, который с полной уверенностью описывает процесс — но пропускает около сорока процентов шагов, все исключения и теневую систему в Excel, которую трое коллег из операционного блока построили сами, потому что официальная система не справлялась с нестандартными ситуациями. Это не патология плохо управляемых компаний — это универсальная черта организационной жизни, от производства до финансовых услуг.

Разрыв между задокументированным процессом и реальным — универсальная проблема, не зависящая от размера или зрелости компании.

Reальный процесс не живёт в документации. Он живёт в системных логах: сколько времени задача пролежала в очереди, где возникают циклы переделок, какие эскалации случаются из-за неоднозначных критериев принятия решений, какие обходные пути люди наработали за годы работы с системами, которые не умеют нормально взаимодействовать друг с другом.

Process mining — это класс программных инструментов, который читает именно эти логи. Технология появилась в академической среде в конце 1990-х годов и к 2010-м оформилась в самостоятельный рынок корпоративного ПО с такими игроками, как Celonis, UiPath Process Mining, IBM Process Mining и SAP Signavio. Принцип работы: из event log — журнала событий информационной системы — алгоритм восстанавливает граф реальных маршрутов выполнения процесса, выявляет отклонения от нормы, узкие места и частоту исключений. Результат часто шокирует участников процесса: они видят, что реальная картина лишь смутно напоминает то, что было нарисовано на диаграмме.

IBM в исследовании «Пять причин, почему инициативы по автоматизации бизнеса терпят неудачу, и как их избежать» зафиксировала системную проблему: организации регулярно автоматизируют сломанные или плохо исполняемые процессы. Иными словами, тратят значительные деньги на то, чтобы неправильные вещи происходили быстрее.

К process mining примыкает task mining — инструмент, фиксирующий поведение сотрудников на уровне экрана. Если process mining показывает, что зафиксировали корпоративные системы, то task mining захватывает то, что происходит, когда система перестаёт быть полезной: переключения между вкладками, промежуточные расчёты в Excel, ручной перенос данных, который никто не считал процессом, хотя он надёжно выполняется уже три года на втором мониторе конкретного сотрудника.

Этот уровень детализации критически важен для agentic ИИ — систем, где ИИ-агенты самостоятельно выполняют многошаговые задачи в корпоративных системах. В отличие от традиционной RPA, которая следует жёсткому скрипту и предсказуемо ломается при отклонении от него, агентные системы претендуют на гибкость — но именно поэтому требуют более глубокого понимания процесса. Агент, не знающий, что делать с пустым полем или нестандартным случаем, не просто остановится: он может создать некорректную запись или пойти по неверному маршруту, не подав никакого сигнала об ошибке.

Process mining и task mining позволяют провести эту работу до начала автоматизации: понять, где процесс стабилен и пригоден для делегирования агенту, а где скрыты исключения, которые сделают автоматизацию ненадёжной. Это не замедляет внедрение ИИ — это делает его результаты измеримыми.