Кто имеет право менять процесс, когда в нём работает AI-агент

Собирают агента для подготовки работы. В Slate руководитель маркетинга Эндрю Хардинг задал критерии поиска и собрал агента на Zapier Agents. Тот ищет компании и контакты в открытых источниках, структурирует найденное и пишет строки в Google Sheets. По словам Хардинга, за месяц агент собрал более 2 000 лидов. Это объём найденного, а не качество: для оценки пригодились бы доля подходящих контактов и число состоявшихся разговоров. Дальнейшую отправку лидов в Salesforce кейс описывает как возможность. Zapier о Slate

В Motive собственный агент для подготовки самооценки сделала HR-команда. Агент использует прошлые оценки, документы о проектах и другие рабочие материалы, доступные в Glean. Он предлагает сотруднику темы для рефлексии и вопросы к собственной работе. Glean сообщает о 1 100 запусках за первый цикл самооценки. Число уникальных пользователей и определение запуска в публикации не раскрыты. Другой пример у того же поставщика — команда внедрения Storable сама собрала подготовку к первому звонку с клиентом по данным Salesforce, расшифровкам Gong и письмам. Glean о Motive · Glean о Storable

Поручают агенту менять рабочие данные. Основатель Rush Home Маркус Раш сам собрал Russ из Claude, Zapier MCP и CRM Follow Up Boss. Для связи с CRM он настроил собственный слой вызовов API. При новом взаимодействии агент пересчитывает балл клиента, возвращает оценку в карточку и готовит команде утренний список приоритетов. Здесь известны автор, инструмент и поле, которое реально обновляется. Это небольшая брокерская компания. Ответ на вопрос, кто настраивает доступ к CRM в крупной компании, из этого примера вывести нельзя. Zapier о Rush Home

В Storable тоже есть агент, который пишет в Salesforce. В описании отдельно фигурируют специальные действия и доступ по ролям. Автора подготовительного агента Glean называет, а кто настраивал действия для записи в CRM, из публикации неясно. Даже внутри одной компании эти два агента подтверждают разные вещи. Glean о Storable

Меняют правила агента после запуска. Служба поддержки Perplexity работает с Sage на платформе Decagon. Когда команда видит, что агент неверно обработал обращение, она может поправить инструкцию, тон ответа или условие передачи человеку и сама прогнать тесты. Для каждой такой правки ей не нужен инженерный тикет. Сам факт, что команда меняет и тестирует правила, подтверждён. При этом Decagon продолжает помогать с пограничными случаями и освоением платформы. Как утверждается выпуск правок в рабочую среду, публикация не уточняет. Decagon о Perplexity

Крупные внедрения показывают, как такие возможности разводят по уровням. Microsoft описывает у производителя сельхозтехники AGCO сотни агентов, созданных сотрудниками или используемых командами, и отдельно — более крупные решения, которые AGCO строит вместе с Microsoft. AGCO развивает сообщество пользователей Copilot Studio и обучает сотрудников. GE Appliances сообщает о более чем 800 развёрнутых агентах в производстве, логистике и цепочке поставок. В её описании отдельно названы приложение Gemini Enterprise для самостоятельной сборки сотрудниками и Gemini Enterprise Agent Platform для разработки и эксплуатации. Сколько из этих 800 сотрудники собрали сами, из публикации неизвестно. Microsoft об AGCO · GE Appliances о Gemini Enterprise

Я бы разделил самообслуживание на три права. Первое определяет, кто может изменить сценарий. Второе — кому будет доступна новая версия. Третье — что агент сможет делать в рабочих системах. Они могут принадлежать разным людям.

Это разделение уже видно в продуктах. В Glean право редактировать агента само по себе не даёт права его опубликовать. Администратор задаёт максимальную аудиторию, которой обычный участник может открыть агента. В Copilot Studio действие может выполняться с учётными данными пользователя или с отдельно настроенным подключением. От этого выбора зависит, увидят ли два сотрудника разные записи и под чьим именем появится изменение в журнале целевой системы. Для запуска по расписанию этот вопрос особенно заметен: в момент запуска рядом может не быть пользователя. Разрешения Glean · Аутентификация инструментов Copilot Studio

Представим, что команда качества уже может искать записи о партиях и выпускать новые версии агента для своей смены. Следующая просьба — автоматически заводить карточку несоответствия. Если платформа уже даёт действие «создать черновик», команда может включить его в сценарий и проверить поведение на примерах. Если доступна только универсальная запись через API, сначала понадобится ограниченное действие. В нём можно потребовать идентификатор партии, принять только статус «черновик» и проверять повторный запрос. После этого следующие команды смогут воспользоваться тем же действием без отдельного проекта интеграции.

BCG предлагает брать поток целиком. В опубликованном примере промышленная компания пересмотрела обработку запросов на коммерческое предложение от входящего письма до заказа. Простые запросы по продуктам с известными спецификациями планировалось отдать агентам. Для сложных сохранили участие людей. Изменение здесь в маршруте заявки и времени, когда нужен специалист. В статье BCG компания не названа, а распределение запросов описано как проект процесса. BCG о перепроектировании процессов

В управлении качеством тоже есть из чего исходить. GE Appliances использует Gemini Enterprise для более быстрого поиска визуальных признаков в обратной связи от клиентов. Компания описывает AI-анализ для раннего выявления дефектов. Как её инструмент связан с решениями по конкретным партиям, публикация не уточняет. GE Appliances о Quality Insights

Возьмём условный завод. На сборке замечают трещину детали. Оператор оставляет фото и номер изделия. Инженер качества ищет партию, смотрит последние операции и похожие дефекты, запрашивает уточнения у смены. После этого он решает, пора ли ограничить использование партии. Часть времени уходит на ожидание, пока нужный человек соберёт картину по трём системам.

Первая задача агента — довести входящий сигнал до состояния «инженер может принять решение». Один инженер в прошлый раз начинал с фото, другой — с истории партии. Агент тоже может выбирать порядок. При однозначном номере изделия он поднимает историю из производственной системы. При расхождении номера и фото задаёт вопрос оператору. Если видит похожий дефект, прикладывает ссылку и объясняет сходство. Итог — черновик карточки с партией, источниками и открытыми вопросами. Если связь с партией установить не удалось, случай попадает к инженеру с тем, что уже собрано.

Изменение процесса стоит проверить отдельно от качества ответов. В этом примере агент принимает сигнал из общей очереди и сам ведёт сбор данных до готовности карточки или передачи инженеру. Сотруднику больше не нужно последовательно заказывать поиск в каждой системе. Поэтому в пилоте я бы считал ещё и передачи между людьми, повторный ввод и время ожидания. Это первый участок перепроектирования. Для всего потока нужно измерять и время до решения по партии, и возвраты за недостающими данными: более быстрая подготовка может увеличить очередь инженера.

Здесь полезна обычная программная логика. Проверка прав, защита от дублей и запись решения должны одинаково работать при любом маршруте агента. Их можно обеспечить в API, сервисе управления качеством и журнале. Если процесс ждёт ответ смены до завтра, системе понадобится сохранить состояние и продолжить с нужного места. Эту часть может выполнять очередь задач, механизм самой платформы или уже используемый движок процессов. Инструкцию агенту команда меняет там, где нужно работать с фото, неполной информацией и исключениями.

При собственной разработке LangGraph может сохранить состояние агента и возобновить его работу после паузы. Temporal поддерживает длительное выполнение кода, в том числе восстановление после сбоев. Если компания сама собирает этот слой, ей ещё предстоит решить, где специалист качества увидит обращение, как он выпустит правку и кто выдаст доступ на запись. Нужен ли отдельный BPMN-движок, проще решить, когда понятно, где живёт карточка, кто ждёт ответа и что должно пережить перезапуск. Хранение состояния в LangGraph · Документация Temporal

В исследовании работающих агентных систем из 20 подробно разобранных внедрений 16 использовали заранее заданную структуру работы, а 17 — собственную реализацию с прямыми вызовами API. В отдельном опросе 61 % участников сообщили об использовании фреймворков. Среди 60 ответов о самостоятельной работе 41 указывал не более десяти шагов до вмешательства человека. Данные собраны с апреля по ноябрь 2025 года; статья вышла в 2026-м. Это наблюдения участников исследования, не репрезентативный срез рынка. Они показывают сосуществование ограниченных сценариев, готовых фреймворков и собственной разработки. Pan и соавторы, ограничения выборки и разделы 5.4–5.5

Платформы проще сравнивать от действия. Чтобы создать черновик несоответствия, системе нужны надёжные сведения о партиях и карточках и доступ к проверяемой операции записи. Среда исполнения решает, когда вызвать эту операцию, сохраняет ход работы и даёт команде менять правила. Если поставщик показывает только редактор, попросите пройти один рабочий случай до записи в целевой системе и показать, кто может отменить следующий запуск.

Источники к таблице. Glean о Motive · GE Appliances · Microsoft об AGCO · Kinaxis о Maestro Agent Studio и кейс Castrol · Архитектура Palantir и сообщение Eaton · Frontier Alliance и OpenAI Deployment Company · PwC Outcomes Hub · Кейс Mercado Libre

У Genpact видна ещё одна сторона покупки — готовый процесс для расчётов с поставщиками. Финансовый директор Wesco сообщил, что на базе Genpact AP Suite 40 % из более чем 3 млн счетов в год обрабатываются без участия человека. В описании есть извлечение данных, поиск дублей и работа с исключениями. Кто в Wesco может изменить правила обработки счёта, из кейса не следует. Текущая платформа Genpact Onyx описана поставщиком отдельно. Genpact о Wesco · Genpact об Onyx

У компании, которая нанимает внешних инженеров, может быть свой продукт, в который надо встроить новую операцию. Tribe AI вместе с Galley выпустила импорт рецептов из файлов в структуры Galley с Claude Sonnet через Amazon Bedrock. Импорт работает в рабочей версии продукта с проверкой результата человеком, а массовую загрузку используют внутренние команды Galley. Кто может менять его правила после выпуска, в кейсе не указано. В другой отрасли Ode with Anthropic и PointClickCare объявили, что встраивают модели в платформу PointClickCare для административных операций. В августовском сообщении описана разработка. Покупателю услуги внедрения стоит уточнить, кто получит доступ к правилам, тестам и журналам после запуска. Tribe AI о Galley · Ode о работе с PointClickCare

Предложения можно сочетать. Крупному заводу может понадобиться внешняя команда, чтобы связать данные качества с планированием, и конструктор для инженеров качества, чтобы те сами добавляли известные признаки дефекта. На демонстрации я бы попросил провести один случай, затем внести правку силами будущего владельца процесса. По ходу демонстрации станет видно, при каких изменениях нужна другая команда. Проверьте это для правки правила, выпуска на новую аудиторию и добавления действия.

Откроем тот же процесс через три месяца. У завода новая линия, у детали сменился поставщик, а в журнале появились похожие фото с другой причиной дефекта. Кто заметит, что агент уверенно связывает их с прошлогодним случаем? Кто внесёт новые примеры в тесты и выкатит версию? В этот момент становится видно, кому компания на деле отдала процесс.

Для такого процесса я бы закрепил три функции. Их распределение по должностям зависит от компании: в небольшой команде один человек может совмещать несколько функций. Ниже — проектное предложение для нашего примера.

Владелец процесса знает, когда работа сделана. В примере это руководитель качества участка. Его команда размечает реальные случаи, определяет, что считать ошибочной эскалацией, и решает, какие правила менять. Если правка касается порядка запросов или критериев эскалации на участке, команда может выпускать её в пределах своих полномочий.

Владелец системы решает, какие операции вообще доступны. В заводской системе это может быть создание черновика, изменение его статуса или ограничение партии. Одобренная операция проверяет параметры при каждом вызове. Расширение доступа на другой завод, добавление нового поля для записи или расширение списка разрешённых операций проходят как изменение прав в самой системе.

Платформенная команда отвечает за то, чтобы один и тот же способ подключения можно было использовать повторно. Она ведёт каталог проверенных действий, хранит версии, поддерживает испытательную среду и журнал аудита. Из журнала видно, кто или что запустило агента, какая версия работала, чем она пользовалась и что действительно записалось. При инциденте владелец процесса должен уметь выключить автозапуск, а платформенная команда — отозвать доступ к проблемному действию.

У компаний встречаются разные способы оформить такую работу. BBVA в октябре 2026 года представил The Frame — общий стандарт создания, развёртывания и управления агентами. Публикация описывает введение стандарта; насколько широко подразделения уже могут сами выпускать изменения, из неё не следует. BBVA о The Frame

Более конкретную границу публикует Microsoft Digital. Внутри Microsoft для агентов поиска знаний в SharePoint и Microsoft 365 Copilot нет предварительной проверки IT. Агентов Copilot Studio с действиями только на чтение в личной среде разработки можно открыть по ссылке максимум десяти людям. Широкая публикация требует проверки; для собственных агентов корпоративного каталога названы безопасность, приватность, доступность и ответственное применение AI. Это внутренняя политика Microsoft, а не ограничение продукта для всех заказчиков. Матрица Microsoft Digital

Обратный случай показывает MIT CISR. В анонимизированной FinCo малорисковый прототип без чувствительных данных ждал согласования шесть месяцев. Кейс основан на интервью с 17 руководителями в 2025 году. Авторы предлагают заранее разрешённые категории работ и пересмотр требований при росте риска. Для нашего завода это означает договориться, какие правки команда качества выпускает сама, ещё до появления первой очереди на согласование. MIT CISR о минимально достаточном управлении

Самостоятельность также требует обучения. Motive сначала подключила основные источники, привлекла представителей отделов и открывала доступ постепенно. На внутренних встречах AI Labs сотрудники получали помощь экспертов и обсуждали свои задачи. Это описанный механизм внедрения; измерения того, как он повлиял на качество агентов, в кейсе нет. Glean о внедрении в Motive

Как выглядит обычная правка. В Glean автор работает с черновиком, пока коллеги используют опубликованную версию. Если для выбранной аудитории требуется согласование, версия с описанием изменения уходит модератору; иначе обладатель нужного права публикует её сам. Старую версию можно восстановить как новый черновик. При этом права доступа и настройки распространения не входят в историю версий. Черновики и версии Glean

После выпуска автору нужны сведения об использовании и ошибках. Glean предоставляет статистику запусков и обратную связь; доступность подробной диагностики зависит от настроек организации. Но даже возвращение старых правил не исправляет уже созданные карточки. В нашем пилоте по журналу нужно найти затронутые записи и отдельно решить, какие из них поправить. Проверка новой версии, наблюдение за её работой и исправление последствий должны быть доступны команде, которой поручен процесс. Диагностика для авторов Glean

Чтобы понять, разгружает ли такая схема IT, я бы измерял, сколько типовых правок команда выпустила своими силами и сколько времени прошло от обнаружения ошибки до выпуска. Отдельно стоит смотреть время на подключение нового действия. Если сменить правило можно за день, а любой новый тип записи ждёт квартал, узкое место находится в доступах и интеграциях.

Выбрать одно решение. Например, на одном участке и для одной группы деталей доводить сообщение до проверенного черновика несоответствия. По журналу за предыдущие недели установить базовую линию. Зафиксировать время от регистрации сигнала до готовности карточки, активное время инженера и долю карточек, где исправляли партию или тип дефекта. Договориться, какие исключения считать наиболее опасными, и включить их в тестовый набор отдельно от обычного потока.

Прогнать прошлые случаи и поработать в тени. Дать агенту данные, доступные на момент регистрации, иначе итоговое заключение инженера попадёт в подсказку. Часть случаев оставить для итоговой проверки и не использовать при настройке. Затем запустить на свежих обращениях в режиме чтения. Сверять партию, источники, пропущенные эскалации и ошибки на незнакомых дефектах. Повторить прогоны: одна удачная попытка не показывает устойчивость. Anthropic разделяет ответ модели, ход работы и результат в системе. В нашем примере итог проверяют по карточке, созданной в испытательной среде. Anthropic об оценке агентов

Дать право на одну запись. До старта владелец качества и платформенная команда договариваются, какие поля и источники делают карточку пригодной, какие ошибки недопустимы и какой выигрыш оправдывает запуск. Когда эти условия подтверждены, выдать действие «создать черновик» для этого участка. Инженер видит данные и ссылки перед принятием карточки, привычный путь разбора остаётся доступен в сложном случае. Проверить повторную доставку события, устаревшие данные о партии и недоступность одного из источников. Так команда увидит, когда агент делает безопасный повтор, когда ждёт и кому передаёт работу.

Сравнить с ручным потоком. Для части сопоставимых обращений сохранить обычный разбор в тот же период. Если поток позволяет, распределять случаи случайно внутри групп по сложности до начала обработки; отдельно считать новые типы дефектов. При редких критических дефектах отсутствие ошибок на небольшой выборке не доказывает безопасность. Если наблюдений недостаточно, полномочия не расширяют. Время пилота определяется числом пригодных наблюдений и разнообразием случаев, а не только календарём.

Посчитать стоимость принятой карточки. В условном месяце инженеры вручную разбирали 100 сигналов по 12 минут активной работы — 20 часов. В пилоте на таком же объёме 80 черновиков агента приняли после проверки по четыре минуты. Ещё 20 карточек инженеры довели до принятия сами. Каждая заняла 14 минут с учётом разбора черновика. На сопровождение сценария команда потратила ещё два часа. Итого 12 часов человеческой работы: 7,2 минуты на принятую карточку вместо 12, или восемь сэкономленных часов на 100 карточек. В реальном пилоте я бы добавил цену платформы и вычислений, время на последующие исправления и показал разовые затраты на интеграцию отдельно. Сопоставимость потоков надо проверить по сложности дефектов. Лонгрид о стоимости принятой задачи

Если час труда условно стоит 3 000 ₽, ручная обработка стоит 60 000 ₽ в месяц, а время людей при работе с агентом — 36 000 ₽. При прежнем качестве и объёме остаётся до 24 000 ₽ в месяц на платформу, вызовы моделей и прочие регулярные затраты. Сумма показывает предел в этом примере. Если штат и оплата те же, эффект будет виден по тому, какую ещё работу команда успела сделать за высвободившиеся часы.

Среднее может скрыть главный риск. Десять быстро заполненных карточек мало что стоят, если один опасный дефект тихо уехал в обычную очередь. Поэтому перед стартом я бы зафиксировал, какое событие останавливает автоматическую запись. В этом пилоте автоматическую запись можно остановить при первом подтверждённом критическом дефекте, который агент оставил в обычной очереди. Команда возвращает этот поток на ручной разбор, воспроизводит случай и проверяет правку на соседних примерах. Пока причина не устранена и критерии допуска не проверены повторно, агент работает только на чтение, а карточки создаёт инженер. При недостаточном числе наблюдений этот режим сохраняется.

Последнюю неделю пилота я бы отвёл тесту, которого обычно нет в демонстрации. Пусть команда качества сама внесёт одно изменение, например добавит новый признак для ускоренной эскалации. Она должна суметь проверить его на прошлых случаях, выпустить для своего участка, увидеть, что изменилось в рабочих карточках, и при необходимости вернуть предыдущую версию. Тогда за один цикл станет видно, сколько работы взял на себя агент и получила ли команда право менять свой процесс.