ПРИМЕНЕНИЕ ИИ-АГЕНТОВ ДЛЯ АВТОМАТИЗАЦИИ РУТИННЫХ ПРОЦЕССОВ НА ПРОИЗВОДСТВЕ В IT-КОМПАНИЯХ

APPLICATION OF AI AGENTS FOR AUTOMATION OF ROUTINE PRODUCTION PROCESSES IN IT COMPANIES

Sutyagin Dmitry Sergeevich

Master's student, Department of Telecommunication Systems and Information, Russian New University

Russia, Moscow

Romanov Nikita Dmitrievich

Master's student, Department of Telecommunication Systems and Information, Russian New University

Russia, Moscow

АННОТАЦИЯ

Цель исследования - определить возможности и ограничения применения ИИ-агентов для автоматизации рутинных производственных процессов в IT-компаниях. Метод основан на сравнении RPA, классической автоматизации и агентских решений, а также на анализе публикаций об агентском ИИ в ITSM, DevOps и промышленной автоматизации. Показано, что ИИ-агент отличается от скрипта и чат-бота способностью учитывать контекст, планировать действия и обращаться к внешним инструментам. Выводом работы стало то, что ИИ-агенты повышают эффективность повторяющихся операций, но требуют регламентов, журналирования, разграничения полномочий и контроля человека.

ABSTRACT

The purpose of the study is to identify the capabilities and limitations of AI agents for automating routine production processes in IT companies. The method is based on a comparison of RPA, classical automation, and agentic solutions, as well as on publications about agentic AI in ITSM, DevOps, and industrial automation. The paper shows that an AI agent differs from a script or chatbot by processing context, planning actions, and using external tools. The conclusion is that AI agents improve repetitive operations but require regulations, logging, access control, and human oversight.

Ключевые слова: ИИ-агенты, агентский ИИ, интеллектуальная автоматизация, RPA, ITSM, DevOps.

Keywords: AI agents, agentic AI, intelligent automation, RPA, ITSM, DevOps.

Введение

IT-компании выполняют большой объем повторяющихся операций: обработку обращений, поддержку пользователей, мониторинг инфраструктуры, тестирование, отчетность, сопровождение DevOps-процессов и анализ инцидентов. Эти действия распределены между ITSM-платформами, CI/CD, мониторингом, базами знаний, репозиториями и коммуникациями, поэтому даже типовая операция часто требует поиска контекста в нескольких системах.

Классическая автоматизация и RPA эффективны в стабильных сценариях с заранее заданными правилами, но хуже работают там, где нужно учитывать содержание обращения, историю изменений, состояние сервиса, права пользователя и внутренние регламенты. Агентский ИИ рассматривается как следующий уровень автоматизации, соединяющий анализ неструктурированных данных, выбор действия и обращение к корпоративным инструментам [1; 4]. Ограничения сохраняются: нестабильность вывода, зависимость от качества данных и риск ошибочных решений [3].

Понятие ИИ-агентов и их отличие от классической автоматизации

ИИ-агент - это программная система, которая воспринимает состояние среды, интерпретирует цель пользователя или процесса, использует языковую модель либо иной алгоритм ИИ, планирует действия, обращается к внешним инструментам и выполняет задачу с частичной автономностью. В отличие от чат-бота, агент может не только ответить на вопрос, но и проверить статус сервиса, найти регламент, сформировать задачу или передать действие на согласование.

От RPA ИИ-агент отличается работой с неопределенностью. RPA-робот исполняет фиксированный сценарий и зависит от стабильности интерфейса или формата данных; агент анализирует текст, уточняет параметры, выбирает инструмент и корректирует план. Поэтому агентская автоматизация не отменяет RPA, а дополняет его: формализованное исполнение остается за роботами и скриптами, а интерпретация и маршрутизация переносятся в агентский слой [1].

Направления применения ИИ-агентов в производственных процессах IT-компаний

В производственных процессах IT-компаний ИИ-агенты прежде всего применимы для обработки обращений и заявок. Агент выделяет суть проблемы, определяет категорию, ищет похожие случаи, предлагает ответ из базы знаний и передает сложные обращения специалисту, снижая нагрузку на первую линию поддержки.

Второе направление - ITSM и диагностика инцидентов. Agentic AI применяется для самообслуживания сотрудников, разрешения типовых инцидентов, проактивного выявления проблем и анализа первопричин [4]. Агент сопоставляет алерты, логи, изменения в CI/CD и историю обращений, формируя гипотезу для инженера. Для самовосстанавливающихся IT-систем перспективны мультиагентные схемы [2].

Третье направление - DevOps, разработка, тестирование и отчетность. Агент помогает анализировать падение сборок, готовить описания релизов, создавать черновые тесты, проверять pull request, обновлять инструкции и формировать сводки по SLA, инцидентам и задачам. Практический результат зависит от зрелости репозиториев, качества регламентов и обязательной проверки человеком.

Таблица 1

Основные направления применения ИИ-агентов в производственных процессах IT-компаний

Архитектура применения ИИ-агентов в IT-компании

Типовая архитектура должна быть управляемым контуром, а не прямым подключением модели ко всем системам. На верхнем уровне находится интерфейс: портал самообслуживания, корпоративный чат, форма заявки или консоль инженера. Ниже расположен слой агента, который интерпретирует запрос, декомпозирует задачу, выбирает инструменты и обращается к базе знаний.

Интеллектуальным ядром может быть большая языковая модель, классификатор, поиск по документам или их комбинация. Практическая ценность возникает при интеграции с ITSM, системой задач, CI/CD, мониторингом, репозиторием кода и хранилищем логов. Обязательны минимальные права, проверка допустимости действий, журналирование и подтверждение человека для изменений в продуктивной среде [4].

Преимущества и ограничения

Основной эффект внедрения - снижение трудозатрат на повторяющиеся операции: быстрее классифицируются заявки, сокращается первичный анализ инцидентов, упрощается подготовка тестов, документации, описаний изменений и отчетов. Если агент фиксирует исходные данные, выбранный инструмент, план и результат, компания получает проверяемый след операции.

Главный риск - ошибочное действие, выполненное быстро и сразу в нескольких системах. При избыточных правах агент способен создать некорректную заявку, запустить неподходящий сценарий или изменить параметры процесса. Поэтому автономность должна расширяться постепенно: от подсказок к безопасным операциям и затем к ограниченным действиям в продуктивных контурах.

Качество агента зависит от корпоративных данных: устаревшие инструкции, дубли и противоречивые регламенты снижают надежность ответа. Отдельно важна информационная безопасность: агент работает с обращениями, логами и конфигурациями, поэтому требуются разграничение прав, маскирование данных, журналирование и запрет действий вне сценария [3; 4]. Доверие сотрудников поддерживается объяснимостью, регламентами ответственности и процедурой разбора ошибок.

Предлагаемый подход к внедрению ИИ-агентов в IT-компании

Внедрение следует начинать с аудита рутинных процессов и выбора сценариев с большим числом повторений, понятным регламентом, низким риском и измеримым эффектом.

Затем подготавливаются база знаний, правила автоматического ответа, эскалации и подтверждения действий. На пилоте агент работает как ассистент и не изменяет критичные системы самостоятельно.

После пилота оцениваются время обработки, доля автоматизации, качество маршрутизации и нагрузка на специалистов. Далее возможно масштабирование, включая мультиагентную схему для обращений, мониторинга, DevOps и документации [2; 3].

Заключение

ИИ-агенты являются инструментом интеллектуальной автоматизации производственных процессов IT-компаний. Они отличаются от скриптов, RPA и чат-ботов способностью учитывать контекст, планировать действия и использовать внешние корпоративные инструменты. Их не следует рассматривать как полную замену сотрудников: агент берет на себя повторяющиеся действия и подготовку контекста, а человек сохраняет контроль над критичными решениями. Дальнейшее развитие связано с мультиагентными системами для ITSM, DevOps, мониторинга и сопровождения инфраструктуры.

Список литературы:

1. Талипов Р. Гиперавтоматизация бизнес-процессов на основе интеграции RPA и агентского ИИ // Global CIO. - 2026. - 29 апреля. - URL: https://globalcio.ru/discussion/58996/ (дата обращения: 29.05.2026).
2. Фрейтас Ж. Создание самовосстанавливающихся ИТ-систем с помощью мультиагентного ИИ // IT Week. - 2025. - 14 мая. - URL: https://www.itweek.ru/management/article/detail.php?ID=232196 (дата обращения: 29.05.2026).
3. Henkel V. et al. Foundation-Model-Based Agents in Industrial Automation // arXiv:2605.02592 [cs.AI]. - 2026. - URL: https://arxiv.org/abs/2605.02592 (дата обращения: 29.05.2026).
4. Agentic AI in IT Service Management // Automation Anywhere. - 2026. - 1 April. - URL: https://www.automationanywhere.com/company/blog/ automation-ai/agentic-ai-itsm (дата обращения: 29.05.2026).