Цифровые сотрудники в банке: управление через BPM — правила, контроль, аудит

Денис Ермилов Заместитель директора по работе со стратегическими клиентами компании «Синимекс» В предыдущем материале мы показали, как BPM связывает людей, роботов и AI-агентов в единый процесс; теперь — о том, как этим контуром управлять. "Цифровые сотрудники" — RPA-роботы и агенты на базе больших языковых моделей (LLM и AI-агенты) — уже стали реальным ресурсом банка: они снимают рутину, ускоряют обработку и помогают выдерживать пики нагрузки. Но чем больше таких исполнителей, тем важнее управление: кто отвечает за действия робота, по каким правилам он работает, где фиксируется результат и как доказать корректность решения при проверке или инциденте. Поэтому следующий шаг после внедрения — не "ещё больше автоматизации", а управляемость: правила, измеримость, контроль и аудит.

Представьте промышленную фабрику: можно поставить роботов и ускорить линию, но без технологической карты, диспетчеризации, контроля качества и журналов производства вы получите не рост выпуска, а рост брака и простоев. В операциях банка всё так же: роботы и AI-агенты — это «станки», люди — «мастера», а управляющий контур (оркестрация процессов + контроль) — это линия, которая задаёт порядок работ, контрольные точки и ответственность. Именно он превращает разрозненные автоматизации в предсказуемый результат.

Самая опасная ошибка — относиться к цифровым сотрудникам как к «утилитам»: каждая команда запускает своих роботов, пишет свои сценарии, подключает данные «по ситуации». На пилотах это выглядит эффективно, но в масштабе банка появляется неуправляемый слой исполнения: разные версии логики, неединые правила, нет сквозного журнала действий, сложнее комплаенс и аудит, а риски растут быстрее эффекта. В итоге автоматизаций много, а управляемой производительности — мало.

В одном из крупнейших российских банков этот поворот уже пройден: до трансформации рост объёмов опережал возможности операционной функции, значимая доля операций выполнялась вручную, а управление очередями и сроками держалось на «ручной диспетчеризации». Решение было не в точечных роботах, а в построении промышленной модели — цифровой «конвейер» бэк-офиса: единый поток задач, алгоритмическая маршрутизация по приоритетам, срокам и компетенциям, онлайн-контроль качества и обязательств по срокам обслуживания, а исполнители (люди и цифровые сотрудники) — как единый пул ресурсов. Такой подход дал измеримый эффект: производительность выросла в 2,5 раза, стоимость операционной функции снизилась более чем на 20%, а рост бизнеса перестал требовать пропорционального увеличения затрат.

Управление цифровыми сотрудниками в банке должно выглядеть так же строго, как управление людьми и критическими системами — и опираться на измеримость. Практически это означает три уровня дисциплины. Первый — регламент и ответственность: «паспорт» каждого робота/ AI-агента (назначение, владелец, границы полномочий, источники данных, сценарии отказа). Второй — контроль и доказуемость: встраивание в процесс как управляемого исполнителя (вызов в строго определённой точке, формализованный контекст, фиксируемый результат и обязательная проверка там, где решение влияет на риск или клиента), полная трассируемость и аудит (кто/что/когда сделал, с какой версией логики/настроек, какие входные данные и какой выход), управление изменениями (версии, регресс-проверки, согласования). Третий — качество и безопасность: доступы по принципу минимально необходимых прав, риск-контроли в процессе (например, «четыре глаза», выборочная проверка, процедуры исправлений и повторной обработки), а также регламентированный механизм остановки и возврата к ручному режиму при инцидентах. Показатели должны отражать бизнес-эффект, а не «количество роботов»: доля сквозной обработки без ручного участия (STP), доля ручных операций, время обработки (TAT), соблюдение обязательств по срокам сервиса (SLA), повторные обработки и ошибки, загрузка и утилизация ресурсов, длина очередей и юнит-стоимость операции. Например, в «нестандартной» операции AI-агент может подготовить резюме кейса и черновики пояснений, робот — собрать данные из разрозненных систем, а процесс — зафиксировать входные данные, версию настроек и результат, после чего отправить на обязательное подтверждение ответственному сотруднику. В описанном кейсе именно такой подход позволил довести сквозную автоматизацию до 96% по ключевым потокам (5,4 млрд транзакций/год), сократить ручной труд на 90% и развернуть «цифровую рабочую силу» (200+ роботов) как управляемый производственный ресурс — с панелью показателей и деревом KPI в реальном времени.

Подобная модель управления обычно строится вокруг BPM-оркестрации; один из примеров — платформа КомандаПРО (на базе Camunda), которая позволяет закрепить правила исполнения, контроль и аудит в одном контуре.

В следующем материале разложим это на практический «управленческий конструктор»: какие артефакты нужны (реестр цифровых сотрудников, паспорт, матрица компетенций, правила контроля, журнал аудита), как устроить ежедневное управление по данным (панель показателей, дерево KPI, разбор отклонений), и как правильно распределять работу между людьми, роботами и AI-агентами в сложном банковском сценарии с фронтом, бэк-офисом, комплаенсом и юристами — чтобы получался не набор пилотов, а управляемый поток с ответственностью и доказуемым результатом.