[Перевод] BPMN умер, да здравствует BPMN

Мы все видели, как инструменты вроде ChatGPT справляются с самыми разными бизнес-задачами, автоматизируя практически всё подряд. И это правда — генеративный ИИ действительно способен выполнять широкий спектр задач, которые сейчас делают люди. Так зачем тогда заморачиваться с проектированием и запуском бизнес-процессов на основе стандартов автоматизации, придуманных 20 лет назад в совершенно другую технологическую эпоху? Почему не позволить бизнес-пользователям работать напрямую с ИИ и решать все на лету?

Короткий ответ: потому что эти стандарты по-прежнему остаются самыми мощными и эффективными способами оркестрации ИИ-агентов, обеспечения управления (governance) и выполнения процессов в масштабе предприятия.

В этой статье мы покажем, как BPMN становится универсальным языком для агентного ИИ, почему специализированные движки выполняют процессы эффективнее, чем сам ИИ, и как крупные компании уже запускают миллионы ИИ-оркестрированных рабочих процессов в продакшене.

Ключевые выводы

• BPMN как lingua franca для ИИ-агентов: обеспечивает однозначное описание процессов, понятное как агентам, так и людям для контроля и аудита — точно так же, как раньше выравнивало ожидания участников-людей.

• ИИ генерирует BPMN, но исполняет движок: агенты могут проектировать процессы, но для production лучше использовать проверенные BPMN-движки — они быстрее, надежнее и масштабируются на миллионы инстансов.

• Flowable и мультиагентная оркестрация: платформа поддерживает utility agents, document agents, knowledge agents, внешние ИИ-интеграции и orchestrator agents, взаимодействующие через стандартные BPMN-конструкции без зависимости от вендоров.

• CMMN для непредсказуемых сценариев: Case Management Model and Notation (CMMN) лучше справляется с адаптивными кейсами через условия активации (sentries) и этапы (stages), позволяя ИИ-агентам включаться по контексту данных, а не следовать жёсткой последовательности шагов.

Что такое BPMN?

Business Process Model and Notation (BPMN) был представлен в 2004 году как стандартизированный язык моделирования бизнес-процессов, понятный всем участникам — от бизнес-пользователей до разработчиков и систем, которые эти процессы исполняют.

Почему это было так важно? Потому что каждая группа, участвующая в определении процессов, имела разные потребности и ожидания. Ориентироваться только на описание задачи от бизнес-пользователя недостаточно для решения более широких задач организации.

Пример: отдел продаж может спроектировать процесс подключения клиента, который кажется простым: собрать информацию → создать аккаунт → выдать доступ. Но без протоколов безопасности IT, кредитных проверок финансового отдела и требований комплаенса по обработке данных этот "простой" процесс создаёт серьёзные операционные и юридические риски.

BPMN — это простой способ учесть и согласовать все точки зрения при проектировании процессов, которые пересекают границы отделов.

BPMN в эпоху агентного ИИ

Как BPMN обеспечивал согласование между разными участниками, так теперь агентный ИИ нуждается в том же решении.

Современные системы способны рассуждать на несколько шагов вперед и взаимодействовать с сетью ИИ-“агентов”. Эти продвинутые системы, известные как агентный ИИ или large action models (LAMs), используют специализированных ИИ-агентов, обученных под разные бизнес-роли: HR, безопасность данных, комплаенс, IT. В итоге они могут заменить человеческие роли в создании бизнес-процессов.

Но как агентам однозначно взаимодействовать друг с другом?

Ответ — BPMN. По сути, разницы между людьми и ИИ-агентами, которым нужно ясно общаться о процессах, почти нет. Ключевое преимущество BPMN — прозрачность для нетехнических пользователей: люди могут проверять действия агентов, а не просто запускать чёрный ящик.

Как дальше: ИИ-агенты генерируют объяснимые BPMN-модели бизнес-процессов. Внешние интеллектуальные сервисы тоже могут участвовать, используя единое представление BPMN.

Схемы оркестрации: как BPMN управляет мультиагентными ИИ-процессами на практике

Как это работает на деле? В реализации Flowable ИИ-агенты определяются через agent models — стандартизированные абстракции, которые описывают все: от простого вызова LLM до сложных долгоживущих агентов, работающих на нескольких этапах процесса. Эти модели интегрируются в BPMN и CMMN через специальные agent tasks, используя знакомые процессным дизайнерам нотации.

Flowable поддерживает шесть типов агентов для разных задач оркестрации:

Utility agents — выполняют простые LLM-промпты с четко заданными входами/выходами (структурированными или текстовыми).

Document agents — классифицируют документы и извлекают структурированные данные, часто работают как часть orchestrator agent.

Knowledge agents — используют базы знаний для получения контекстной информации во время выполнения.

Orchestrator agents — координируют несколько агентов и внешние API, обычно вызываются из моделей CMMN.

External agents — подключаются к сторонним агентам (Salesforce Agentforce, Azure AI Foundry).

A2A agents — взаимодействуют с внешними агентами по протоколу Agent2Agent (A2A).

Для мультиагентного взаимодействия:

• BPMN управляет линейными процессами с известной последовательностью.

• Агенты работают совместно через внутренние и внешние системы, оркестрируясь стандартными BPMN-конструкциями.

Ключевое преимущество: агенты vendor-agnostic — можно интегрировать AWS Bedrock, Azure AI Foundry, Salesforce Agentforce без привязки к экосистеме. Flowable поддерживает множественные провайдеры моделей и внешние платформы через external/A2A agents.

Сила подхода: все вызовы агентов логируются и поддаются аудиту, поведение управляется теми же моделями процессов/kейсов, что и другие автоматизированные шаги. Оркестрация прозрачна, видна в модели и следует enterprise-стандартам governance для критически важных процессов.

Это не теория. Еще в 2017 году Flowable показал пример ИИ, обученного на решениях процесса, динамически конвертирующегося в исполняемую DMN-модель — доказательство, что ИИ и стандарты автоматизации работают вместе задолго до эпохи agentic AI.

Почему бы просто не использовать ИИ для исполнения BPMN?

Теоретически можно поручить исполнение BPMN ИИ, но специализированные BPMN‑движки работают быстрее, эффективнее и значительно дешевле, чем использование ИИ для выполнения процессов.

Допустим, у вас есть сгенерированная ИИ‑модель BPMN. Можно передать ее другому ИИ‑агенту, обученному исполнять BPMN, и вызывать его каждый раз, когда нужен новый экземпляр процесса. Технически это реализуемо.

Но это неразумный расход ресурсов. Обучение и запуск ИИ‑агентов вычислительно дорого и относительно медленно. Когда уже существуют отлаженные, гиперэффективные и масштабируемые BPMN‑движки, использовать ИИ именно для исполнения процесса просто нет смысла.

Гораздо логичнее и надежнее запускать ваши BPMN‑модели на специализированных движках. Современные BPMN‑системы должны стать runtime‑средой для ИИ‑агентов: они берут на себя исполнение, пока ИИ фокусируется на генерации и оркестрации. То же самое относится и к другим ключевым стандартам автоматизации: CMMN и DMN.

Клиенты Flowable запускают миллионы экземпляров процессов BPMN и кейсов CMMN ежедневно на таких движках, что ещё раз доказывает: этот подход работает и масштабируется на уровне предприятия.

Когда CMMN превосходит BPMN для оркестрации ИИ

Хотя BPMN идеален для линейных процессов, сложные ИИ-сценарии часто требуют большей адаптивности. Здесь CMMN становится лучшим выбором.

BPMN работает отлично, когда последовательность шагов известна заранее («Шаг А → Шаг Б → Шаг В»). Но реальные бизнес-сценарии не всегда предсказуемы. Case management в CMMN позволяет описывать богатую бизнес-автоматизацию, которая не сводится к линейному прохождению шагов. Это способ определить сквозную автоматизацию с 360°-обзором всех возможных действий на любом этапе жизненного цикла объекта — будь то человек, кейс, документ, проект или любой другой субъект автоматизации.

CMMN использует условия активации (sentries) и этапы (stages). Вы можете задать контексты, когда определённые ИИ-агенты подходят (или не подходят), а затем активировать их при выполнении нужных триггеров. В зависимости от результатов работы агентов могут запускаться дополнительные ИИ-агенты или BPMN-процессы. При этом человеческое участие или вмешательство остаётся частью общей интеллектуальной бизнес-автоматизации.

Flowable Platform специально создан для такой сложной корпоративной автоматизации. Она объединяет движки BPMN, CMMN и DMN с возможностями оркестрации ИИ, предоставляя полный инструментарий для создания интеллектуальной автоматизации масштаба предприятия. Нужны линейные процессы, динамическое управление кейсами или сложная мультиагентная оркестрация? Всё доступно на одной управляемой и аудируемой платформе.

Часто задаваемые вопросы о BPMN и агентном ИИ

Почему ИИ-агентам всё ещё нужен BPMN, если они могут самостоятельно рассуждать и планировать?

ИИ-агенты должны однозначно общаться друг с другом о процессах, точно так же, как человеческие участники. BPMN обеспечивает единый язык, при этом сохраняя процессы прозрачными и аудируемыми.

Почему BPMN-движки эффективнее, чем прямое исполнение процессов ИИ-агентами?

Выполнение ИИ вычислительно дорого и медленно. Специализированные BPMN-движки гиперэффективны, проверены в enterprise-масштабе и ежедневно обрабатывают миллионы экземпляров процессов, что делает их гораздо более экономичными для исполнения.

Какую роль играет CMMN в управлении ИИ-агентами по сравнению с традиционными BPMN-процессами?

BPMN управляет линейными процессами с известной последовательностью. CMMN использует условия активации (sentries) и этапы (stages) для адаптивных сценариев, где ИИ-агенты включаются контекстно в зависимости от развивающейся ситуации, что лучше подходит для непредсказуемых динамических кейсов.

BPM Developers — про бизнес-процессы: новости, гайды, полезная информация и юмор.