Мы в Content AI разрабатываем платформу интеллектуальной обработки документов ContentCapture. И при этом считаем, что IDP и RPA как самостоятельные классы исчезнут в течение пяти лет. Может показаться, что это звучит как самоотрицание, но для рынка это хорошая новость. Ниже расскажем, почему мы пришли к такому выводу и что это значит для тех, кто сейчас выбирает IDP-решение или автоматизирует работу с документами.
Распознавание из продукта превратилось в функциональность
Еще несколько лет назад продуктом было само распознавание. Заказчику хватало, чтобы система вытащила поля из документа и отдала JSON или XML, и эту ценность можно было продавать отдельно. Сейчас извлечение данных стало гигиеническим минимумом, который мало кто готов оплачивать как самостоятельное решение. Ценность сместилась в происходящее с данными после распознавания: проверку, сверку, маршрутизацию, принятие решения.
Вот как выглядят эти изменения на примере обработки входящего счета. По старой логике система распознавала документ, забирала реквизиты и сумму, выгружала их в 1С и на этом цикл заканчивался. В новой логике добавляются шаги, которые без LLM и агентов не закрыть:
сверка суммы в счете с лимитом по договору и историей платежей, чтобы не превысить сумму по договору; проверка на соответствие товаров и услуг в счете предмету договора; сверка реквизитов с базой данных, чтобы не заплатить мошенникам
сбор неструктурированных данных о контрагенте из новостей, отзывов и реестров с автоматической подготовкой резюме о рисках
генерация черновика письма-уточнения менеджеру контрагента при расхождениях
построение динамического маршрута согласования с учетом выявленных рисков
Распознавание здесь лишь первый из возможных шагов. А когда функция занимает только несколько процентов от всего процесса, логично, что она перестает быть продуктом.
Почему классическому OCR осталось не так много
Речь здесь о технологии распознавания, а не о классе решений целиком — их горизонты различаются. Сами IDP и RPA как классы продержатся дольше — около пяти лет, пока их не поглотят агентные платформы.
В своих изначальных прогнозах мы опирались на формулу «качество = точность + скорость + стоимость инференса». По точности LLM быстро догнали классику: мы проверили это на эксперименте по верификации первичных документов. Чистый VLM без классического каркаса показал Pass-Through Rate 14% на счетах-фактурах, 2% на актах КС-2, около 41% на товарных накладных. Классический OCR на этих документах тоже проседает. Но связка двух подходов выводит результат до 75–89%. Подробнее разбирали это в отдельной статье.
Оставались скорость и требования к GPU. В этом классические подходы выигрывали с большим запасом, но и он сокращается быстрее, чем мы ожидали. При этом два ограничения LLM пока никуда не делись и пока продолжают удерживать классику распознавания в строю:
Галлюцинации
Классическая IDP-система подсвечивает неуверенно распознанный символ — оператор видит, что нужно дополнительно проверить. А LLM в аналогичной ситуации уверенно напишет «15», хотя в документе будет стоять «10», и не подаст сигнала. В счете на крупную сумму такая ошибка может обойтись очень дорого. Это не гипотетический риск, на документах со сложной структурой VLM при самостоятельной верификации переписывает данные по своей логике, разрушает таблицу и обнуляет результат.
На универсальных корректировочных документах гибрид просел до нуля у большинства моделей. Причина — вложенные группы строк «до изменения» и «после изменения». Модель теряет связи между строками и колонками и ломает структуру.
Запрет на облако
Наши заказчики из крупного бизнеса тестировали облачные LLM-модели, качество распознавания устроило, но использовать их оказалось нельзя по требованиям безопасности. А локальных моделей, сопоставимых по уровню с фронтирными, пока нет.
Выручка российских разработчиков систем распознавания в 2024 году выросла на 52% и достигла 3,7 млрд рублей, такой рост связан с волной импортозамещения в госсекторе и крупных корпорациях (по данным Ассоциации больших данных). В 2025 году рынок IDP продолжил расти темпами 15–20%, превысив прогнозные ожидания (по оценке компании «Биорг»). В то же время аналитики TAdviser прогнозируют стагнацию рынка в 2026-2027 годах, т.к. основной рост уже произошел и далее приоритеты заказчиков сместятся с новых внедрений на доработку существующих решений.
На западе этот процесс идет полным ходом: 66% новых IDP-проектов планируют заменить существующие системы, компании уходят от классического OCR с шаблонами к решениям на базе генеративного AI. Российский рынок движется в том же направлении.
Гибридная архитектура останется актуальной, пока не будут решены вопросы с риском галлюцинаций в критичных полях и запретом на передачу данных в облачные модели. Что будет дальше — посмотрим)
Слияние IDP и RPA как промежуточный этап на пути к агентам
Рынок десять лет движется в этом направлении: IDP-вендоры встраивают RPA, RPA-вендоры усиливают OCR. Это было особенно наглядно, когда UiPath отказалась от стороннего движка и сделала собственный OCR — стало понятно, что каждый пытается затянуть к себе максимум ценности. Российские игроки повторяют эту траекторию.
Многие воспринимают эту конвергенцию как конечную точку, когда один вендор закрывает и распознавание, и роботизацию. Но мы считаем иначе и воспринимаем слияние IDP и RPA как промежуточный этап. А финалом здесь видятся агентные платформы, которые поглотят оба класса; распознавание и роботизация просто станут разными навыками таких агентов.
Нужно отметить, что RPA-вендоры уже уверенно нащупывают это направление и движутся к нему через процессную аналитику. Но агентная автоматизация тут показывает себя лучше, хотя бы за счет того, что она не просто анализирует процесс, а сама исполняет его с учетом смысла и контекста.
Как этот прогноз отражается на нашем продукте
Мы пытаемся сформулировать и описать будущее в первую очередь, чтобы заблаговременно адаптировать продукт под грядущие изменения и спланировать его развитие, которое движется по двум основным направлениям.
Первое — единая платформа вместо связки решений от разных вендоров. Например, в компанию приходит счет от поставщика. ContentCapture распознает документ, извлекает реквизиты и сумму, сверяет условия с договором, отправляет на согласование по маршруту и проводит в 1С. В делопроизводстве платформа разбирает входящие обращения, классифицирует их, распределяет по исполнителям и контролирует сроки.
Раньше такой сквозной процесс собирали из IDP одного вендора и RPA другого, добавляя 30–50% к стоимости проекта на интеграцию.
Отдельно стоит сказать про управление кодом. В ContentCapture 14.14 появились RPA-агенты, которые встраиваются в любую точку паайплайна бизнес-процесса. Исполняемый код для них генерируется на основе описания задачи на естественном языке — для этого мы разработали специализированный ИИ-каркас. Разработчик автоматизации описывает сценарий, система генерирует код и тесты, при ошибке исправляет их по логу. Это снижает зависимость заказчика от подрядчика: изменить логику процесса можно на ходу, без месяцев ожидания доработки.
Агентная автоматизация как следующее поколение корпоративной автоматизации
Наш следующий шаг — выпуск платформы автоматизации и оркестрации бизнес-процессов. Она не заменяет 1С, CRM или СЭД и не подменяет ContentCapture, а собирает из них сквозной сценарий: обращается к каждой системе через API, коннектор или привычный интерфейс, забирает данные, сверяет их и инициирует действия.
Логика процесса при этом живет на уровне оркестратора, который позволяет выбирать способ исполнения для каждого шага:
Детерминированная логика там, где ее достаточно для надежного исполнения.
ИИ-шаги (LLM/VLM)для обработки неструктурированных данных, понимания документов, анализа контекста.
Агентные сценарии, когда модель в заданных рамках сама принимает решения и управляет ветвлением процесса.
Платформа не навязывает ИИ там, где достаточно детерминированной логики, и не ограничивает там, где ИИ необходим.
Рынок демонстрирует устойчивый и к обработке входящих (счетов, актов, писем, обращений). Это связано с появлением возможности автоматизировать когнитивные способности человека, например, прочитать входящее, понять, о чем оно, и направить по соответствующей ветке процесса обработки. Также востребованы сбор данных из разрозненных систем, проверка контрагента, подготовка черновиков заключений и генерация документов по шаблонам. Общий принцип во всех сценариях один: типовой поток идет сам, человек разбирает исключения и подтверждает результат.
Главные препятствия для агентной автоматизации — деньги и ландшафт
Технологически агентная автоматизация уже работает, зрелости моделей для этого хватает, а главными ограничителями выступают экономика и инфраструктура. Корпоративный сектор почти всегда выбирает on-premise, потому что ФЗ-152, банковская и коммерческая тайна тут не оставляют выбора. Облака могут рассматривать только компании с частными контурами, публичный SaaS остается уделом малого и среднего бизнеса.
В свою очередь, On-premise упирается в стоимость. Мы частично снижаем ее за счет классического OCR, так как распознавание — самый ресурсоемкий навык агента, и в нашей архитектуре оно не требует GPU.
Поэтому реалистичная стратегия выглядит не как платформа сразу целиком, а как внедрение одного сценария с быстрым измеримым результатом и последующее масштабирование на другие бизнес-процессы. Метафорически мы как бы предлагаем заказчику не рыбу и не удочку, а доступ к океану.
Пять барьеров, которые придется преодолеть
Мы видим пять основных проблем, которые сдерживают переход к новой фазе агентной автоматизации:
Стоимость инфраструктуры: дорогостоящие GPU-кластеры не потянет средний завод или региональный банк
Регуляторная неопределенность: требования к применению ИИ в бизнес-процессах пока окончательно не известны, и это замораживает инвестиции
Галлюцинации LLM и безопасность: человек в контуре (HITL) является обязательным условием при нынешнем состоянии технологии, но проблема решается также и правильной обвязкой (harness).
Интеграционный барьер: наследие ИТ-ландшафта, который формировался десятилетиями. Например, легаси системы часто не имеют API, и интеграцию приходится делать ненадежными и нестабильными кликерами.
Незрелость практик оценки эффективности. На западе метрики согласуют до пилота и замеряют «было/стало», в России заказчики тоже уже считают метрики, но вендор часто не может обозначить, каким будет ROI от внедрения, а это тормозит проекты.
Можно предположить, что все барьеры, кроме интеграционного, рынок будет снимать по мере роста зрелости и удешевления инфраструктуры.
Жизнь после исчезновения IDP и RPA как классов
Исчезновение IDP и RPA как отдельных классов (точнее, их трансформация в навыки внутри агентных систем) стоит воспринимать просто как признак взросления рынка. Мы строим свой продукт под этот сценарий заранее, потому что считаем, что вендор, который слепо держится за свой класс до последнего, проигрывает вместе с ним.
Возможно, через год станет ясно, что мы ошиблись со сроками или прогнозами по классам решений. А пока интересно, совпадает ли наше видение с вашими наблюдениями? Напишите в комментариях, обсудим.
-------------------------------------------------------------------
Это блог компании Content AI. Мы помогаем работать с информацией умнее — автоматизировать обработку документов, извлекать данные и повышать качество бизнес-процессов с помощью собственных технологий и современного ИИ. Здесь рассказываем, как разрабатываем продукты и делимся опытом, архитектурными решениями и кейсами внедрения интеллектуальной автоматизации.
Наш Telegram-канал со всеми новостями: https://t.me/content_ai