Будущее корпоративной автоматизации: почему RPA уступает место агентным решениям

Хабр разбирает эволюцию корпоративной автоматизации на примере платформы Content AI: за почти три десятилетия стек прошёл путь от распознавания символов до агентных решений, а в 2026 году компания выводит отдельный продукт Capella для процессов, где классические RPA-боты уже не справляются. Для аудитории, выбирающей стек автоматизации, это повод заново оценить границы применимости каждого подхода.

Где RPA спотыкается

Детерминированный бот уверенно держит повторяемые сценарии: перенос данных между системами, массовая обработка типовых заявок, сверка полей, регламентные выгрузки и обновления карточек по расписанию. В компаниях с легаси-софтом и ограниченным числом API это часто единственный рабочий вариант — заменить его просто нечем.

Трещит флоу там, где процесс упирается в письма, вложения, свободный текст и неоднозначные документы. Поддерживать такое на жёстких скриптах становится заметно дороже: каждый новый формат входа требует ручной правки, сценарий разрастается, ретеншн автоматизации падает. Пользовательский опыт ломается первым — оператор начинает вручную разруливать то, что теоретически должна была делать машина.

Путь ContentCapture

Логика эволюции платформы по материалу Хабра:

• 1997 — OCR: перевод бумажных документов и сканов в машиночитаемый текст, основа для дальнейшей цифровой обработки.
• 2007 — IDP: классификация распознанных документов, извлечение значимых полей, подготовка данных для корпоративных процессов.
• 2018 — NLP-модуль: работа с текстовыми сущностями, языковыми признаками и более сложными типами документов, где одних шаблонов и правил уже недостаточно.
• 2025 — LLM-механики внутри IDP: вариативные формулировки, длинный контекст, смешанные типы входа.
• 2026 — Capella: отдельный продукт для агентных автоматизаций — связка понимания контента, workflow-логики, вызова инструментов, обращения к корпоративным системам и контроля исполнения в одном контуре.

NLP при этом не уходит. Для узко очерченных задач со стабильными формулировками он остаётся удобнее LLM. Большие языковые модели дают преимущество там, где результат зависит от широкого контекста письма, документа или цепочки сообщений, — там, где заранее нельзя перечислить все возможные языковые конструкции и исключения.

Что проверить при выборе стека

Сдвиг, который описывает Хабр, — не замена RPA, а расширение зоны ответственности. Бот закрывает детерминированные операции, агентный слой подключается на неструктурированном входе. Content AI, по данным материала, делает ставку на гибрид: LLM и NLP работают вместе, а RPA остаётся в контуре для рутинных шагов.

Практический фильтр для оценки любого подобного инструмента короткий: как продукт ведёт себя на письмах с вложениями, документах с вариативной структурой, цепочках согласований с большим числом исключений. Если поставщик не показывает поведение на таких edge-кейсах, пользовательский флоу упрётся в те же ограничения, что и классический RPA — только стоить будет дороже и потребует более квалифицированного сопровождения.