«Сэкономленный час — ещё не деньги»: AWS предложила считать ценность агентной автоматизации по четырём пулам

Почему старая ROI-модель перестала работать

Агентная автоматизация — ПО, которое рассуждает и адаптируется для выполнения задач, — всё чаще попадает в дорожные карты центров компетенций по ИИ (AI CoE). Но привычный способ обосновывать инвестиции в автоматизацию — сэкономленные часы, умноженные на стоимость труда, минус стоимость разработки — создавался для инструментов с жёсткими правилами вроде роботизированной автоматизации процессов (RPA) и упускает большую часть ценности, которую создают агенты.

Классическая ROI-модель предполагает стабильные процессы и потому игнорирует стоимость поддержки автоматизации по мере их изменения; предполагает задачи на правилах и потому не имеет строки для исключений; предполагает, что работа — это вся должность, и потому не считает стоимость человеческого надзора; а сэкономленный час трактует как «положенные в банк» деньги, тогда как освободившаяся ёмкость часто заполняется накопившимся долгом и до отчёта о прибылях и убытках (P&L) не доходит. По данным McKinsey, на которые ссылаются авторы, успешные AI-трансформации идут по схеме «1:3:5»: на каждый доллар, вложенный в агентную технологию, компании тратят три на перепроектирование процессов и пять на развитие компетенций и внедрение, — но большинство компаний переворачивают эту формулу наоборот. Авторы добавляют, что ценность автоматизации живёт не столько внутри задачи, сколько вокруг неё: в суждении, исключениях и координации между системами, а реальный выигрыш даёт перепроектирование процесса вокруг агентов, а не встраивание агента в неизменённый процесс.

Четыре измерения ценности и условие реализации

AWS предлагает измерять четыре измерения ценности плюс условие, определяющее, дойдут ли они до P&L; эту модель авторы называют Agentic Value Model. Экономия времени по-прежнему считается, но агенты распространяют её на работу, которая плохо поддаётся жёстким правилам RPA: мера та же, просто применяется к большему объёму задач. Обработка исключений несёт большую часть затрат: по ориентирам AWS, исправление ошибки может стоить в 1,5–4 раза дороже исходной транзакции, а человеческие ошибки — давать 2–15% операционных издержек.

Качество решений: агенты могут применять общую политику в масштабе с логируемым обоснованием, а «низкообъёмные, высокоценные решения могут оправдывать агентную поддержку ради лучшего качества решения, а не снижения затрат» — одно удачное решение в кредитовании, ценообразовании или рисках способно перевесить год сэкономленных минут. Наконец, устойчивость к изменениям и экономика поддержки: скрипты хрупки и ломаются при изменении интерфейса или вышестоящей системы, агенты поглощают часть вариаций без переписывания, но переносят поддержку в оценки, промпты, мониторинг и операции с моделями, а запуск несёт собственную стоимость, поэтому кейс сальдирует избегаемую поддержку хрупких скриптов против текущих операционных расходов агента. Условие, управляющее всеми четырьмя, — реализация ценности: у каждой выгоды должен быть определённый механизм превращения операционного улучшения в экономическую ценность и ответственный владелец.

Разбор примера: от $1,26 млн к защищаемому числу

Разберём иллюстративный пример с обработкой требований по страховым случаям. Процесс обрабатывает 200 000 требований в год примерно за 12 минут на требование (без учёта переделок) при полной стоимости часа $45, то есть базовая стоимость около $1,8 млн. Автоматизация рутинных 70% освобождает около 28 000 часов — примерно $1,26 млн ёмкости, ещё до времени надзора, которое этим требованиям всё равно нужно. Именно здесь большинство кейсов и ошибается: освободить часы не то же самое, что сэкономить деньги — компания тратит меньше только если держит меньше людей или сокращает расходы на подрядчиков, переработки или аутсорс, иначе те же люди остаются в штате, а P&L так и не видит $1,26 млн. Если текучесть и снижение переработок фиксируют половину, кейс должен нести около $630 000, а не полную сумму.

Затем добавляется то, чего модель «только труд» не видит: из 8% требований, требующих исправления (16 000 требований), стоимость исправления в 3,5 раза выше примерно $9 обработки (12 минут при $45 в час) даёт около $504 000 годовой подверженности исправлениям — это базовая линия, а не агентная ценность. Ценность — та доля, которую агент убирает: сокращение на 40% с поправкой на 75% реализации даёт моделируемую выгоду около $151 000, и это ещё до цены единственного улучшенного решения по флагу мошенничества. Поскольку база в 12 минут исключает переделки, этот пул не пересекается с освобождённой ёмкостью; если базовая линия включает время на переделки, экономию надо считать только в одном пуле.

Чтобы математика оставалась согласованной, AWS предлагает формулировать всё одной строкой, относя каждую выгоду ровно к одному пулу: чистая годовая ценность равна реализованной ценности ёмкости плюс избегаемые затраты на исправления и ошибки, плюс прирост от качества решений, плюс избегаемые поддержка и простои, минус годовые затраты на внедрение, минус расходы на рантайм агента, интеграцию, оценку, надзор, управление и управление изменениями, минус потери от новых ошибок, которые вносит агент. Для многолетней программы затраты на внедрение стоит относить к году фактического расхода, а не амортизировать, выгоды наращивать по мере adoption и дисконтировать годовые денежные потоки к чистой приведённой стоимости.

Матрица приоритизации: сложность против риска

Для приоритизации AWS предлагает оценивать каждый рабочий процесс по двум осям: сложность задачи (сколько рассуждений, контекста и адаптации она требует) и риск решения (цена ошибки, задающая допустимый уровень автономии). Низкая сложность и низкий риск — оставить на RPA, так как агенты добавят здесь стоимость без ценности; высокая сложность при низком риске — игра на ёмкость, автоматизировать ради пропускной способности и поглощения исключений; высокая сложность и высокий риск — игра на качество решений, с человеком в цикле; низкая сложность при высоком риске — игра на «ограждения», где надо укреплять контроль вокруг шага, а не добавлять ненужные рассуждения. Полезный ориентир: если человек переходит между системами и на каждом шаге интерпретирует неоднозначный контекст — стоит оценить агентный подход; если путь остаётся детерминированным, RPA может оказаться дешевле.

Три ранних развёртывания Amazon Quick Automate

Три ранних развёртывания Amazon Quick Automate, сервиса автоматизации внутри Amazon Quick, показывают эти измерения в действии. Kitsa, компания по подбору площадок для клинических исследований, автоматизировала извлечение более 50 точек данных с сотен тысяч сайтов: заявлено 91% экономии затрат и ускорение сбора данных на 96% при покрытии 96%, а случаи с низкой уверенностью направляются на проверку людям — это экономия времени и обработка исключений. dLocal, провайдер трансграничных платежей, автоматизировал до 75% проверок мерчантов на соответствие требованиям в контролируемых оценках, освободив специалистов для сложных и рискованных случаев и добавив непрерывные проверки на дрейф политики, которые периодический ручной аудит бы пропустил. А Genpact, автоматизируя управление рисками цепочек поставок через несколько систем SAP, заявляет сокращение анализа влияния сбоев с 2–3 дней до минут — это тот вид кросс-системной координации, которой не владеет ни одна отдельная система учёта. Ни одно из этих развёртываний не доказывает все четыре пула, поэтому кейс и должен оценивать каждый отдельно.

Как выстроить кейс для руководства

Для руководства AWS советует представлять инвестицию как портфель рабочих процессов, а не как один проект. По данным McKinsey, почти две трети предприятий экспериментировали с агентами, но менее 10% масштабировали их до ощутимой ценности; ценность возникает из определения результатов, глубокого встраивания агентов в ключевые процессы и перепроектирования операционных моделей вокруг них. Стоит принести руководству три–пять приоритетных доменов, каждый с кейсом по четырём измерениям, и — что убеждает скептичного финансового директора больше всего — стоп-правило: поэтапное инвестирование с явными целевыми точками безубыточности и заранее заданными моментами, когда финансирование отстающих агентов прекращается. Управление стоит трактовать как способ двигаться быстрее: ограниченная автономия, надзор там, где риск высок, и аудируемость по проекту позволяют расширять автономию агентов по мере накопления доказательств, а связать каждый домен лучше с KPI, который руководство и так отслеживает, — стоимостью обслуживания, временем цикла, NPS или подверженностью комплаенсу.

Amazon Quick объединяет исследование, бизнес-аналитику и автоматизацию в один агентный опыт, а Quick Automate оркеструет действия в интерфейсах, вызовы API и человеческую проверку в корпоративных процессах, давая на уровне случая данные исполнения, которые CoE может сопоставить с операционными и финансовыми KPI. Дисциплина, описанная в статье, — оценивать каждый пул, применять реалистичные коэффициенты реализации и ставить стоп-правила, — и делает доказательство ценности убедительным: команды, доказывающие ценность на одном процессе, финансируют следующий из измеренных результатов, а не из проекций.