Классические OCR-конвейеры умеют одно – вытащить текст и поля из скана. Дальше человек читает результат, сверяет с регламентом, заносит данные в учётную систему и решает, что делать с документом. Агентный ИИ забирает на себя именно эту вторую половину работы: не просто извлекает данные, а планирует и выполняет действия над ними. Для потоков из тысяч счетов, договоров, актов и обращений граждан это меняет экономику процесса, а не косметику интерфейса.

Чем агент отличается от извлечения полей

Извлечение данных – статичная функция: вход скан, выход JSON. Агент работает циклом: получает документ, формирует план, вызывает инструменты, проверяет результат и при ошибке повторяет шаг иначе. Практически это значит, что система сама сопоставит реквизиты счёта с записью в ERP, найдёт расхождение в сумме, дёрнет API контрагента для уточнения и отправит спорный случай человеку с уже собранным контекстом.

Ключевое слово здесь – инструменты. Языковая модель не считает суммы и не пишет в базу напрямую; она оркестрирует вызовы детерминированного кода: валидаторы форматов, обращения к справочникам, проводки в учётной системе. Это разделение критично для аудируемости. Каждое действие агента – отдельная запись в журнале: какой документ, какой инструмент, какие аргументы, какой ответ. Без такого следа агентный контур в корпоративной среде нежизнеспособен.

Где это даёт эффект, а где пока рано

Высокую отдачу мы видим там, где документы однотипны, а правил много: кредиторская задолженность, обработка первичных бухгалтерских документов, входящая корреспонденция с маршрутизацией по компетенциям. Агент закрывает 70–85% потока без участия человека, а спорные 15–30% отдаёт оператору с готовым разбором – это и есть та самая экономия, ради которой проект затевают.

Рано отдавать агенту юридически значимые решения без явного подтверждения человеком: расторжение договора, отказ в услуге, начисление штрафа. Здесь агент готовит проект решения и обоснование, а ответственность остаётся на сотруднике. В госсекторе это требование не обсуждается, и при проектировании контура мы закладываем точки обязательного human-in-the-loop с самого начала.

Что нужно, чтобы это работало в продакшене

Агентный конвейер – это ML-система в промышленной эксплуатации, со всеми вытекающими. Нужны версионирование промптов и моделей, регрессионные тесты на эталонных документах, мониторинг дрейфа качества извлечения и откат на предыдущую версию за минуты. Без зрелого процесса LLMOps агент деградирует тихо: точность падает на новых форматах документов, а заметят это уже по жалобам.

Второй слой – наблюдаемость на уровне бизнеса. Доля автоматических решений, частота эскалаций, среднее время обработки по типам документов должны лежать в оперативной аналитике в реальном времени, а не собираться раз в месяц вручную. Если агент пишет в учётные системы и принимает решения, он становится частью значимой инфраструктуры – а значит, попадает в периметр требований по безопасности, вплоть до сюжетов, разобранных в материале про аудит КИИ.

Вывод

Агентный ИИ для документов – не магия, а инженерия: детерминированные инструменты под управлением модели, жёсткий журнал действий, обязательные точки контроля человеком и полноценный LLMOps. В таком виде он снимает рутину с десятков сотрудников и проходит проверку аудита. Путь к этому лежит через обработку и оцифровку документов – от пилота на одном типе документа до промышленного потока.