Управление бизнес-процессами: тренды, технологии и риски - Интервью с экспертом

В условиях стремительных изменений рынка, цифровой трансформации и активного внедрения искусственного интеллекта эффективное управление бизнес-процессами становится одним из ключевых факторов конкурентоспособности компаний. Современные технологии открывают новые возможности для автоматизации и оптимизации процессов, но одновременно создают новые вызовы и риски. Какие подходы к управлению бизнес-процессами сегодня наиболее актуальны? Какие технологии действительно приносят результат и каких ошибок следует избегать?

Об этом мы поговорим с нашим экспертом - Тимофеем Валерьевичем.

— Самый заметный сдвиг – переход от восприятия бизнес-процессов как инструмента регламентации к пониманию их роли как основы цифровой трансформации. Раньше процессная работа нередко сводилась к созданию схем и регламентов «для галочки». Сегодня процессная архитектура рассматривается как важный слой архитектуры предприятия и средство повышения управляемости и эффективности бизнеса.

Компании ждут не идеализированных моделей, которые затем остаются невостребованными, а объективной картины: как реально работает процесс, с чем он связан, как на него повлияют изменения внешней и внутренней среды и какие риски возникнут при преобразованиях. Второй важный сдвиг – влияние технологий: искусственный интеллект, low-code и инструменты анализа процессов становятся не просто средствами поддержки, а драйверами их перепроектирования.

— Low-code/no-code-платформы приживаются благодаря возможности быстро создавать формы и несложные рабочие маршруты, получая быстрые результаты (quick wins). Process Mining помогает увидеть фактическое выполнение процессов и обнаружить отклонения, которые не всегда видны в регламентах.

RPA прошла период ажиотажа 2019-2020 годов и во многих компаниях стала устойчивым инструментом автоматизации; развиваются центры компетенций. При этом отдельные инициативы по-прежнему не выходят за рамки пилотов.

Сквозная гиперавтоматизация и внедрение ИИ-агентов в сложные корпоративные процессы пока чаще остаются экспериментальными направлениями. ИИ-агенты уже могут существенно повышать личную продуктивность, но на уровне предприятия требуют надежного контекста, интеграций и сложной оркестрации. Не всегда экономика таких решений оправдана.

— Ожидания смещаются от описания и регламентации к непрерывному улучшению и быстрой реализации изменений. Время теперь важно не только как показатель длительности самого процесса, но и как скорость реакции компании: от появления нового требования до внедрения измененного порядка работы.

Например, выявление узких мест и дублирующих согласований позволило сократить цикл обработки заявки на 30%, при этом система автоматически заблокировала дублирующие платежи.

Метрики эффективности остаются необходимой основой, но все большую ценность приобретает адаптивность – способность процесса быстро и управляемо изменяться.

— Среди практических задач – классификация и маршрутизация обращений, первая линия поддержки, прогнозирование спроса и продаж. Однако внедрение ИИ само по себе не является целью. Нужно сравнивать варианты решения задачи по срокам реализации, полной стоимости владения и ожидаемому эффекту.

Иногда оптимальным решением будет не ИИ, а более простая автоматизация, изменение порядка работы или сохранение человеческого участия. Прежде чем выбирать технологию, необходимо проанализировать и при необходимости перепроектировать процесс.

Ключевой фактор качества ИИ-решения – данные и контекст. Недостаточная полнота или низкое качество входной информации приводит к ненадежному результату. Поэтому разумнее выбирать для ИИ конкретные задачи внутри процесса, а не пытаться сразу «передать ИИ» весь процесс.

— Процессный аналитик – не специалист по рисованию схем. Его роль постепенно сближается с процессным data scientist и архитектором автоматизации. Ему необходимо понимать данные, информационные системы, задачи, роли и связи между процессами в масштабе архитектуры предприятия.

Ценность аналитика определяется способностью связать бизнес-проблему, устройство процесса, технологические возможности и измеримый результат изменений.

— Первый риск – масштабирование ошибок. Робот или автоматизированный сервис способен многократно повторить ошибочное действие. Поэтому важно заранее предусматривать контроль, обнаружение отклонений, порядок реагирования и восстановление работы.

Второй риск – слепое доверие данным и результатам алгоритмов. Качество результата зависит от качества исходных данных и предоставленного контекста.

Третий риск – зависимость от поставщиков и быстрое технологическое устаревание. В частности, длительный проект внедрения может завершиться уже на фоне существенного изменения платформы или рынка.

Практический пример: RPA-робот работает с внешним веб-сайтом, интерфейс которого изменился. Робот перестает корректно выполнять действия. В таких случаях нужны мониторинг, уведомление ответственных и отлаженный процесс оперативной поддержки.

— Для критически важных или дорогостоящих решений необходимо сохранять человека в контуре принятия решений (human-in-the-loop). Следует назначать владельцев процессов и данных, а также ответственных за поддержку технологических решений.

Внедрение целесообразно начинать с пилота, проверять работу на реальных сценариях и только затем масштабировать. После запуска требуется постоянный мониторинг качества и надежности.

— Базой обычно служат корпоративные системы, прежде всего ERP и CRM, а также low-code-платформы. Process Mining все чаще встраивается в платформенные решения и постепенно становится частью базового технологического слоя. RPA и модели машинного обучения используются как дополнительные инструменты для конкретных задач.

Критерии выбора: скорость получения результата, полная стоимость владения (включая инфраструктуру и поддержку), совместимость с существующими системами, влияние на показатели процесса и устойчивость решения в перспективе.

Один из главных уроков прежней волны роботизации – автоматизация неподготовленного процесса может закрепить его недостатки. Поэтому подход process first предполагает сначала анализ и упрощение процесса, затем выбор технологии и автоматизацию.

— Помимо экономии и ROI, важно измерять скорость и качество принятия решений. Конкретный набор метрик зависит от типа процесса: для одних критично время реакции, для других – точность, стабильность исполнения или способность быстро внедрять изменения.

— Перспективное направление – процессы с замкнутым циклом улучшения: выявление отклонений, анализ причин, принятие решения, внедрение изменений и последующий мониторинг. Элементы такого подхода уже существуют. Дальнейшее развитие связано с повышением автоматизации каждого этапа.

— Ключевые навыки – работа с данными, системное мышление и понимание сквозных процессов end-to-end, взаимодействие с ИИ и большими языковыми моделями (включая промпт-инжиниринг), управление изменениями и сопротивлением.

Объединяющая компетенция – взгляд с позиции бизнес-архитектуры: умение связать стратегию, функции, организационную структуру, процессы, данные и ИТ.

— Не стоит начинать с вопроса «Где внедрить ИИ или робота?». Начинать нужно с бизнес-проблемы и понимания того, как устроен процесс. Главный принцип – не автоматизировать хаос.

Технология усиливает существующую реальность. Если процесс неэффективен, то ИИ, RPA или low-code могут лишь ускорить воспроизводство ошибок и увеличить стоимость неэффективности.