Часы × ставка не сходятся: модель ценности агентной автоматизации от AWS

Бизнес-кейс агентов на одной формуле «сэкономленные часы × ставка» обычно недосчитывает эффект: McKinsey у зрелых внедрений видит паттерн 1:3:5 — на каждый доллар в технологию уходит три на перестройку процессов и пять на навыки, тогда как многие тратят почти всё в первую корзину. AWS собрала Agentic Value Model — четыре измерения ценности плюс правило, как операционный выигрыш превращается в цифры для финансов.

Старая модель ROI рассчитана на стабильные, жёстко правиловые процессы и молча предполагает, что час, снятый с рутины, сам попадёт в прибыль. Для агентов это не работает: мир меняется, исключений много, надзор остаётся, а высвобожденная ёмкость часто снова забивается бэклогом. В материале AWS ценность описывают не внутри задачи, а вокруг неё — в суждении, стыковке систем и переделках.

Четыре корзины ценности

• Время — как у RPA, но на работе, где фиксированные правила раздуваются логикой исключений.
• Ошибки и исключения — в гайдах AWS исправление ошибки оценивают в 1,5–4 раза дороже исходной операции; доля человеческих ошибок в операционных затратах — до 2–15 %.
• Качество решений — единая политика в масштабе с логом обоснования; для редких, но дорогих решений (кредит, цена, риск) выигрыш может перекрыть год сэкономленных минут.
• Устойчивость к изменениям — скрипты ломаются при смене экрана или API; агент часть вариации съедает, но платит промптами, мониторингом и оценкой качества.

Общее условие для всех четырёх — владелец эффекта и понятный механизм: куда ушла ёмкость или как снизились затраты. На примере триажа претензий: 200 000 кейсов в год, 12 минут на кейс, $45 в час с нагрузкой — база порядка $1,8 млн; автоматизация 70 % рутины высвобождает ~28 000 часов (~$1,26 млн ёмкости), но в кейс обычно кладут только то, что реально сняло штат, аутсорс или переработки — например ~$630 000, если через отток и срез овертайма удаётся забрать половину.

Приоритеты и портфель

Кандидатов на агентов раскладывают по сложности задачи и цене ошибки: низкая сложность и низкий риск чаще остаётся за RPA; высокая сложность при низком риске — ставка на пропускную способность; при высоком риске — качество решений с человеком в контуре. Практический фильтр: если человек ходит по системам и на каждом шаге читает неоднозначный контекст — имеет смысл смотреть на агентный подход; если путь детерминирован — роботы по правилам могут быть дешевле.

В примерах Amazon Quick Automate Kitsa вытаскивает более 50 полей с сотен тысяч сайтов и заявляет 91 % экономии затрат при 96 % покрытии; dLocal в пилотах автоматизирует до 75 % проверок комплаенса; Genpact сжимает анализ рисков цепочки поставок в нескольких SAP с 2–3 дней до минут. McKinsey напоминает: почти две трети компаний экспериментировали с агентами, но меньше 10 % довели до ощутимой ценности — отсюда совет идти портфелем из 3–5 доменов и ставить стоп-правила с явными точками обрыва финансирования.

Источник: Beyond hours saved: Building the business case for agentic automation.