ИНТЕГРАЦИЯ AI-АГЕНТОВ В BPMN-НОТАЦИЮ КАК ИНСТРУМЕНТ УПРАВЛЕНИЯ БИЗНЕС-ПРОЦЕССАМИ

INTEGRATION OF AI AGENTS INTO BPMN NOTATION AS A BUSINESS PROCESS MANAGEMENT TOOL

Sichev Andrey Sergeevich

student, Department of Computer Science, Plehanov Russian Univercity of Economics,

Russia, c. Moscow

Polyakova Marta Alexandrovna

student, Department of Computer Science, Plehanov Russian Univercity of Economics,

Russia, c. Moscow

Guselnikov Maksim Konstantinovich

student, Department of Computer Science, Plehanov Russian Univercity of Economics,

Russia, c. Moscow

АННОТАЦИЯ

В настоящей статье рассматривается концептуальная архитектура интеграции автономных AI-агентов в бизнес-процессы, смоделированные посредством нотации BPMN 2.0. Авторы обосновывают принцип адресной привязки специализированного интеллектуального агента к каждой задаче бизнес-процесса, исследуют типологию таких привязок, предлагают расширенную модель элементов BPMN для аннотации агентного поведения, а также анализируют архитектурные шаблоны оркестрации. Работа опирается на актуальные исследования в области агентского BPM, результаты индустриальных внедрений, а также публикации в научных изданиях. Предложенная модель ориентирована на применение в управлении IT-продуктами и корпоративной автоматизации.

ABSTRACT

This article examines a conceptual architecture for integrating autonomous AI agents into business processes modeled using BPMN 2.0 notation. The authors substantiate the principle of specifically assigning a specialized intelligent agent to each business process task, explore the typology of such assignments, propose an extended model of BPMN elements for annotating agent behavior, and analyze orchestration architectural patterns. The work draws on current research in the field of agent-based BPM, the results of industrial implementations, and publications in scientific journals. The proposed model is targeted at IT product management and corporate automation.

Ключевые слова: AI-агент, BPMN, управление бизнес-процессами, интеллектуальная автоматизация, агентский BPM, LLM, оркестрация, IT-продукты, роботизированная автоматизация процессов.

Keywords: AI agent, BPMN, business process management, intelligent automation, agent-based BPM, LLM, orchestration, IT products, robotic process automation.

Современная среда управления бизнес-процессами переживает глубокую трансформацию под воздействием стремительно развивающихся технологий генеративного и агентного искусственного интеллекта. На протяжении последних десятилетий нотация BPMN (Business Process Model and Notation) являлась международным стандартом описания, анализа и автоматизации процессов на предприятии. Вместе с тем классический подход к моделированию предполагал четко детерминированные исполнители - человек или интегрированная система, тогда как логика работы и принятия решений задавалась жёстко фиксированным алгоритмом.

Появление больших языковых моделей (LLM) и автономных AI-агентов, способных к планированию, рассуждению, вызову внешних инструментов и самостоятельному достижению поставленных целей, кардинально меняет этот ландшафт. Агентный искусственный интеллект привносит в исполнение задач качества, которые ранее не могли быть достигнуты при традиционной автоматизации: адаптивность, контекстное понимание, проактивная обработка исключений, динамическое переключение между стратегиями. По прогнозам аналитического агентства Gartner, к 2028 году 33% корпоративных приложений будут включать агентный ИИ в той или иной форме - против менее 1% в 2024 году. В данном контексте особую актуальность приобретает вопрос: каким образом существующий стандарт BPMN может быть расширен или переосмыслен для поддержки нового класса исполнителей?

Настоящая статья предлагает систематизированный ответ на этот вопрос, формулируя принцип адресной агентной декомпозиции и представляя концептуальную модель привязки AI-агентов к задачам BPMN-процессов.

Стандарт BPMN 2.0 определяет набор типов элементов для построения моделей бизнес-процессов: события, шлюзы, потоки управления, пулы, дорожки, артефакты и т.д. Центральным элементом исполнения служат задачи, которые стандарт типизирует в зависимости от природы исполнителя и механизма взаимодействия: пользовательская задача (User Task), сервисная задача (Service Task), задача на основе бизнес-правил (Business Rule Task), задача-скрипт (Script Task), задача отправки и получения сообщений (Send/Receive Task), а также ручная задача (Manual Task). Исторически эволюция исполнителей задач в BPMN отражает последовательные волны автоматизации. На начальном этапе задачи исполнялись исключительно людьми. Последующая интеграция систем автоматизации рабочих процессов позволила сервисным задачам взаимодействовать с внешними API и приложениями. Волна роботизированной автоматизации процессов (RPA) добавила программных роботов, эмулирующих действия человека в пользовательских интерфейсах. Каждый из этих сдвигов потребовал концептуального расширения понятия «исполнитель задачи».

Принципиальное отличие AI-агента от предыдущих классов исполнителей состоит в переходе от детерминированного исполнения к стохастическому, контекстно-зависимому рассуждению. Агент не выполняет заранее запрограммированную последовательность действий - он получает цель и инструментарий, самостоятельно планирует шаги, реагирует на неожиданные состояния среды и адаптирует стратегию на основе промежуточных результатов. Это требует нового осмысления того, что подразумевается под назначением исполнителя на задачу.

Авторы предлагают принцип агентной декомпозиции, который можно сформулировать следующим образом: каждая атомарная задача в BPMN-модели процесса может и должна быть снабжена явной аннотацией агентного исполнителя, определяющей тип агента, его цель, доступный инструментарий, границы автономии и триггеры передачи управления человеку или следующей задаче. Данная концепция опирается на несколько ключевых тезисов. Во-первых, специализация повышает качество: агент, оптимизированный под конкретную задачу - например, классификацию входящих обращений или формирование аналитического резюме по контракту, - демонстрирует значительно более высокую точность по сравнению с универсальным агентом. Во-вторых, разграничение ответственности: привязка агента к отдельной задаче обеспечивает чёткое разделение области компетенции, упрощает тестирование, отладку и замену компонентов без перестройки всего процесса. В-третьих, наблюдаемость: агент, встроенный в задачу BPMN, наследует весь механизм мониторинга и аудита, предусмотренный движком исполнения процессов.

Исследования в области агентского BPM подтверждают, что управление процессами становится главным слоем управления и контроля для автономных агентов в организации. BPMN выступает не просто языком описания, но полноценным инструментом: он задаёт детерминированные граничные условия, внутри которых агент действует динамически.

На основе анализа существующих платформ и научной литературы предлагается использование трехуровневой архитектурной модели привязки AI-агента к задаче в BPMN-нотации.

Уровень 1 - Дескриптор агентной задачи. Каждая задача, назначенная AI-агенту, снабжается структурированным дескриптором, содержащим следующие атрибуты:

• Цель агента (AgentGoal) - краткое описание целевого результата в форме, понятной LLM;
• Доступный инструментарий (ToolSet) - перечень API, баз данных, внешних сервисов, к которым у агента есть доступ и права для обращения;
• Граница автономии (AutonomyScope) - уровень доверия к решениям агента: полная автономия, автономия с логированием, обязательное подтверждение человека;
• Условия эскалации (EscalationConditions) - триггеры передачи управления на пользовательскую задачу или задачу обработки исключений;
• Профиль модели (ModelProfile) - ссылка на конкретную LLM или агентный фреймворк (LangChain, CrewAI, AutoGen и т.д.).

Уровень 2 - Оркестрационный слой. BPMN-движок исполнения процессов выступает центральным оркестратором, который:

• Активирует задачу агента при достижении соответствующего токена управления;
• Передает агенту контекстные данные процесса в качестве входных параметров;
• Принимает результат исполнения, фиксирует его в журнале аудита и обновляет переменные процесса;
• При необходимости инициирует граничные события - таймауты, ошибки, сигналы эскалации.

Уровень 3 - Слой наблюдаемости. Критически важным компонентом является сквозное логирование действий агента: каждый вызов инструмента, каждый шаг цепочки рассуждений фиксируется в структурированном журнале, привязанном к идентификатору экземпляра процесса. Это обеспечивает:

• Полную воспроизводимость и аудируемость агентных решений;
• Возможность ретроспективного анализа и оптимизации prompt-стратегий;
• Соответствие требованиям регулятора в чувствительных отраслях.

Практика внедрения выявляет несколько устойчивых паттернов привязки AI-агентов к задачам BPMN-модели, различающихся по характеру взаимодействия с процессом.

Агент-исполнитель (Execution Agent). Наиболее прямолинейный паттерн: агент полностью замещает исполнителя задачи. Примеры использования - автоматическая классификация входящих документов, извлечение структурированных данных из неструктурированных источников, генерация стандартизированных отчетов. Агент получает входные данные из контекста процесса и возвращает результат, не требуя участия человека.

Агент-ассистент (Augmentation Agent). Агент выполняет вспомогательную интеллектуальную работу, которую затем верифицирует человек. Паттерн реализуется через связку «агентная задача → результат деятельности агента → пользовательская задача → подтверждение». Характерен для юридической экспертизы, медицинской диагностики и областей с высокими требованиями к точности и ответственности.

Агент-монитор (Monitoring Agent). Агент непрерывно отслеживает события внешней среды или промежуточные состояния процесса и инициирует граничные события при выявлении аномалий или выполнении условий. Данный паттерн расширяет традиционную концепцию промежуточных событий BPMN, наделяя их интеллектуальной семантикой.

Агент-оркестратор (Orchestrator Agent). Наиболее сложный паттерн: специализированный агент верхнего уровня принимает решения о декомпозиции задачи, выборе подходящих специализированных агентов и координации их совместной работы. Данный подход соответствует концепции мультиагентных систем (MAS) и активно применяется в платформах, например, CrewAI.

Для иллюстрации предложенного подхода рассмотрим процесс обработки входящих клиентских обращений в финансовой организации, смоделированный в BPMN 2.0 с применением агентной декомпозиции.

Задача 1: «Прием и первичная обработка обращения». Привязывается агент-исполнитель на базе LLM, задача которого - классифицировать тип обращения (претензия, информационный запрос, мошенничество и т.п.), извлечь ключевые атрибуты (счёт, сумма, дата) и определить приоритет. Инструментарий: доступ к базе продуктов банка, шаблоны категорий обращений. Граница автономии: полная, без верификации человеком.

Задача 2: «Анализ транзакционной истории». Агент-исполнитель с доступом к API транзакционной системы формирует аналитическое резюме по счету клиента за релевантный период, выявляет аномалии и готовит структурированный вывод для последующих задач. Граница автономии: автономия с полным логированием.

Задача 3: «Оценка риска и подготовка решения». Агент-ассистент формирует обоснованное предложение по решению с указанием уровня уверенности. При уровне уверенности ниже порогового значения задача автоматически эскалируется на пользовательскую задачу «Экспертная оценка» через граничное событие. Граница автономии: адаптивная, зависящая от уровня уверенности.

Задача 4: «Подготовка и отправка ответа клиенту». Агент-исполнитель генерирует персонализированный ответ в соответствии с корпоративным стилем, опираясь на принятое решение и профиль клиента. Инструментарий: шаблонная база, API отправки уведомлений, CRM.

Данный пример демонстрирует, как агентная декомпозиция позволяет реализовать end-to-end автоматизацию сложного интеллектуального процесса с сохранением прозрачности, контролируемостью и соблюдением требований регулятора.

По сравнению с классической автоматизацией на основе правил, AI-агенты обеспечивают принципиально иное качество обработки неструктурированной информации и нестандартных сценариев. Жесткие правила требуют явного задания всех возможных случаев, тогда как агент способен обобщать на новые ситуации на основе понимания контекста. Обратной стороной является меньшая предсказуемость и необходимость более сложного тестирования. Если сравнивать AI-агентов с RPA (Robotic Process Automation), агентный подход значительно устойчивее к изменениям в интерфейсах и логике внешних систем. RPA-роботы хрупки: изменение положения элемента на экране приводит к отказу. Агент, взаимодействующий с системами через API и семантическое понимание, адаптируется к таким изменениям с минимальными доработками. Если же мы говорим о использовании нативных агентных фреймворков без BPMN, то следует учесть, что интеграция с BPMN обеспечивает решающее преимущество в части наблюдаемости и управляемости. Изолированный агентный фреймворк представляет собой «чёрный ящик» с точки зрения бизнес-процесса: его действия не интегрированы в единую модель процесса, не логируются в стандартизированном формате и не поддаются визуальному мониторингу в привычных BPM-инструментах.

Интеграция AI-агентов в BPMN-нотацию представляет собой не просто технологическое усовершенствование, но концептуальный сдвиг в парадигме управления бизнес-процессами. BPMN эволюционирует от языка описания детерминированных рабочих потоков к управляющей архитектуре для гибридных систем, в которых люди, традиционные сервисы и интеллектуальные агенты сотрудничают в рамках единой, визуально прозрачной и аудируемой модели. Предложенный принцип агентной декомпозиции - адресная привязка специализированного AI-агента к каждой задаче процесса, формирует операционную основу для практического внедрения агентского BPM в организациях. Трехуровневая архитектурная модель (дескриптор агентной задачи, оркестрационный слой, слой наблюдаемости) обеспечивает методологический каркас, позволяющий балансировать между гибкостью агентного поведения и строгостью процессного контроля.

Внедрение агентского BPM позволит организациям сочетать адаптивность и автономность AI-агентов с предсказуемостью и контролем традиционных практик. Ожидается, что в ближайшие годы концепция агентского BPM займет центральное место в повестке управления IT-продуктами и превратится из экспериментальной концепции в практический стандарт цифровой трансформации.

Список литературы:

1. Rosemann, M., Brocke, J. von, Van Looy, A., Santoro, F. Business process management in the age of AI - three essential drifts // Information Systems and e-Business Management. - 2024. - Vol. 22. - P. 1–15.
2. Agentic Business Process Management: The Past 30 Years and Practitioners' Future Perspectives / arXiv:2504.03693v2 [cs.SE]. - 2025. - URL: https://arxiv.org/abs/2504.03693
3. Camunda. Agentic Orchestration: AI Agents in BPMN. - 2025. - URL: https://camunda.com/solutions/agentic-orchestration/
4. Dumas, M., Fournier, F., Limonad, L. et al. AI-Enhanced Business Process Management // Information Systems (Special Issue). - 2024. - URL: https://www.sciencedirect.com/journal/information-systems/special-issue/10WGJ3LTZZL
5. Towards Modeling Human-Agentic Collaborative Workflows: A BPMN Extension / Proceedings of the 51st Euromicro Conference on Software Engineering and Advanced Applications (SEAA'25). - 2025.
6. BPMN-Based Design of Multi-Agent Systems: Personalized Language Learning Workflow Automation with RAG-Enhanced Knowledge Access // Information. - 2025. - Vol. 16(9). - P. 809. DOI: 10.3390/info16090809
7. OMG. Business Process Model and Notation (BPMN), Version 2.0. - Object Management Group, 2011. - URL: https://www.omg.org/spec/BPMN/2.0
8. Camunda. The Benefits of BPMN AI Agents. - 2025. - URL: https://camunda.com/blog/2025/05/benefits-bpmn-ai-agents/
9. Apptigent. How Agentic AI is Redefining Business Process Management. - 2025. - URL: https://www.apptigent.com/syndication/how-agentic-ai-is-redefining-business-process-management/
10. Russell, S.J., Norvig, P. Artificial Intelligence: A Modern Approach. 4th Edition. - Pearson, 2020.
11. Объектное управление бизнес-процессами (BPM) : учебное пособие / под ред. В. В. Репина. - М. : Инфра-М, 2022. - 336 с.
12. Вендров, А. М. Проектирование программного обеспечения экономических информационных систем. - М. : Финансы и статистика, 2021. - 352 с.
13. Гаврилов, А. В., Хорошевский, В. Ф. Искусственный интеллект: учебник для вузов. - М. : Юрайт, 2023. - 428 с.