Чому AI-агенти не замінюють звичайну автоматизацію в ERP?

AI-агенти дедалі частіше з’являються в ERP. Проте їхня цінність залежить від типу задачі та рівня автономності. У цьому матеріалі ми розберемо, чим агент відрізняється від звичайної автоматизації, де він дає реальну перевагу, а де правила залишаються надійнішим рішенням. Окремо розглянемо ризики, вимоги до контролю та приклади використання AI-агентів в Odoo.

Наскільки ефективні AI-агенти: статистика досліджень

За дослідженням McKinsey 2026 року, серед організацій із доходом понад $1 млрд частка тих, хто використовує агентні AI-рішення, за рік зросла з 27% до 40%. У менших компаніях показник залишився на рівні 22%. Наведені цифри підтверджують, що великі компанії більше залучають штучний інтелект, ніж середні та малі підприємства. Це логічно через бюджети та фінансування на нові технології, інновації чи експерименти, які може собі дозволити бізнес. 

Водночас помітний фінансовий ефект поки отримують далеко не всі. Згідно з даними цього ж дослідження, про будь-який позитивний вплив AI на операційний прибуток повідомили тільки 37% респондентів. Вплив на рівні 5% EBIT або більше зафіксували лише 6%.

Ще складніше складаються обставини з повністю автономною роботою агентів. У бенчмарку The Agent Company, створеному дослідниками Carnegie Mellon і Duke, найкращий агент зміг самостійно виконати близько 30% із 175 типових офісних завдань, зокрема у фінансах та HR.

Одне з пояснень такого низького відсотка дає дослідження METR. Воно показує, що надійність AI-моделей знижується зі збільшенням тривалості завдання. Короткі задачі моделі виконують значно стабільніше, тоді як у довших процесах імовірність успішного завершення поступово падає. 

METR оцінює так званий task horizon (графік нижче), тобто тривалість завдання, яке модель здатна виконати з 50% імовірністю успіху. Чим більше послідовних кроків має процес, тим більше можливостей для помилки, яка може вплинути на кінцевий результат. 

Тому питання для бізнесу полягає не в тому, чи варто замінювати звичайну автоматизацію AI-агентами. Важливіше визначити, у яких процесах агент справді дає перевагу, а де просте правило, робочий процес або скрипт залишаються дешевшими, передбачуванішими та легшими для контролю.

Читайте більше про Odoo Experience 2026 і презентація Odoo 20: головні анонси події та зміни для бізнесу

Що таке AI-агент в ERP?

AI-агент в ERP — це програмна система, яка отримує завдання, аналізує контекст і сама визначає, які дії потрібно виконати в ERP. Вона може прочитати дані, послідовно використати кілька функцій системи, підготувати рішення, а за наявності відповідних прав змінити записи або запустити бізнес-процес.

Ключова відмінність від звичайної автоматизації полягає в тому, хто визначає послідовність дій. Anthropic розділяє робочі процеси команди та агентів саме за цим принципом:

• у робочих процесах (workflow) порядок кроків задає розробник заздалегідь. 
• агент, навпаки, сам вирішує під час виконання, який інструмент використати далі залежно від отриманих даних і проміжного результату.

Тому наявність AI ще не робить систему агентною. Якщо сценарій завжди проходить наперед заданий ланцюжок дій, це автоматизація з використанням AI. Якщо модель може самостійно обрати наступну дію, змінити послідовність кроків або звернутися до різних функцій ERP залежно від ситуації, це вже агентний підхід.

Важливо також відрізняти агента від AI-асистента або copilot. Асистент зазвичай аналізує інформацію, генерує текст чи пропонує наступну дію, але рішення про її виконання залишається за людиною. Агент може самостійно викликати доступні йому функції системи. 

Наприклад, у документації Odoo ця межа добре помітна. Опція “Ask AI” не може змінювати дані в базі, тоді як AI-агент із призначеними інструментами може створювати записи та запускати “server actions”. Також в Odoo 19 для роботи з кастомними AI-агентами доступний окремий застосунок AI. Структура агента базується на Topics і Sources, а в межах Topics підключаються Tools. Topics задають інструкції та сценарії роботи, Tools надають функції для виконання дій, а Sources містять документи й інші матеріали, які агент використовує як контекст. 

Отже, сама назва “AI agent” у продукті або презентації ще не підтверджує реальну автономність. За даними Menlo Ventures, лише 16% корпоративних AI-впроваджень відповідають визначенню справжнього агента — системи, у якій LLM самостійно планує та виконує дії, враховує результат і адаптує подальшу поведінку. Тобто якщо відкинути ажіотаж, більшість рішень, які сьогодні називають AI-агентами, фактично працюють як фреймворк з викликом моделі та фіксованими правилами. Це вже корисна архітектура для бізнесу, але до повноцінної автономності ринок ще не дійшов. 

Корисним буде дослідження на тему Залежність від 1С/BAS: чому український бізнес відкладає перехід та чим це загрожує?

Чим AI-агент відрізняється від звичайної автоматизації?

Щоб коректно сформулювати відповідь на це питання потрібно встановити критерії, а саме хто визначає логіку процесу, наскільки передбачуваним є результат і як організований контроль. Нижче — детальніша порівняльна таблиця.

Варто окреслити три відмінності особливо важливі для ERP:

1. Логіка процесу стає менш прозорою. У звичайній автоматизації можна простежити правило на кшталт "якщо сума перевищує ліміт, передати документ на погодження". У агента рішення залежить від промпту, моделі, доступного контексту та інструментів. Тому важливо контролювати вже не лише сам сценарій, а й те, які дії агент виконав у конкретному випадку. 
2. Надійність знижується зі складністю задачі. Агент може стабільно класифікувати документ або витягувати з нього дані, але це ще не означає, що він так само надійно виконає процес із десяти взаємозалежних кроків. У довгих сценаріях помилка на одному етапі впливає на весь результат. Тому автономність простіше забезпечити в коротких і добре обмежених задачах.
3. Контроль переноситься ближче до моменту виконання. У класичній автоматизації основні перевірки закладають під час проєктування, тестування та зміни правил. Для агента цього недостатньо, оскільки його рішення можуть відрізнятися залежно від контексту. Тому для критичних операцій часто додають підтвердження людиною перед виконанням дії.

Відповідно, ці чинники впливатиму і на економіку рішення. Якщо кожну дію агента потрібно перевіряти вручну, частина вигоди від автоматизації зникає. До цього додається складність обліку витрат на моделі, інфраструктуру та контроль. 

Також рекомендуємо ознайомитися з матеріалом Як змінився український IT-ринок? Ретроспектива п'яти років, аналіз трендів та сьогодення

Що змінюється, коли агент працює всередині ERP?

ERP зберігає дані, правила доступу, фінансові операції, документи та зобов'язання компанії. Ціна помилки в такому разі вища, ніж у звичайному AI-чаті. Невдалу відповідь асистента користувач може просто проігнорувати. Помилка агента в ERP може означати вже створений документ, змінений запис, запущений платіжний процес або некоректну операцію в обліку.

Саме цей ризик OWASP описує як LLM06 Excessive Agency — ситуацію, коли модель отримує більше функцій, прав або автономії, ніж потрібно для конкретної задачі. На практиці це змінює щонайменше два принципи роботи.

Перший — агенту потрібна власна керована ідентичність і окремо визначені права доступу. Він не повинен діяти від імені користувача з усіма його дозволами. Наприклад, Microsoft Entra Agent ID дозволяє створювати окремі ідентичності для AI-агентів і керувати їхнім доступом так само, як доступом інших об'єктів у корпоративній системі.

Другий — погодження стає частиною архітектури самого агентного процесу. Для критичних операцій агент може підготувати рекомендацію або дію, але остаточне рішення залишається за людиною. Прикладом є Microsoft Account Reconciliation Agent для Dynamics 365 Finance, коли користувач приймає або відхиляє рекомендації агента, а журнал зберігає, що саме запропонував AI, яке рішення прийняла людина і хто його затвердив.

Тому в ERP важливо контролювати не лише якість відповіді агента, а й межі його повноважень, доступні функції та дії, які він може виконувати без участі людини.

Де AI-агенти створюють найбільшу цінність в ERP?

Якщо ми вже розібралися, що таке AI-агенти в ERP, як вони працюють на практиці та які ризики мають, перейдемо до переваг впровадження технології. 

Найбільш помітну користь AI-агенти дають там, де процес складно повністю описати наперед заданими правилами. Розглянемо найпопулярніші сценарії на реальних прикладах світових компаній:

• Робота з неструктурованими документами. Один із сильних сценаріїв AI — витягування й інтерпретація інформації з документів, структура яких відрізняється від випадку до випадку. 

Кейс: В AXA Switzerland дані з медичних і юридичних документів у страхових претензіях раніше переносили вручну. Після впровадження AI час опрацювання скоротився приблизно з 25 хвилин до кількох секунд. Водночас AI не отримав повної автономності — через ризик помилок результат перевіряє співробітник.

• Варіативні процеси, які складно описати правилами. У виробництві причина простою обладнання може залежати від десятків параметрів і попередніх випадків. Створити окреме правило для кожної комбінації дорого й часто неможливо. 

Кейс: Bosch Shopfloor Agent аналізує історію схожих проблем і пропонує оператору можливе рішення. Але остаточний вибір залишається за людиною.

• Робота з винятками. Тут автоматизується основний потік, а людина підключається лише до нетипових випадків. 

Кейс: UiPath і Damco близько 65% із 250 тисяч рахунків на рік обробляються без участі людини, а загальний час обробки скоротився на 75%. Такий принцип добре показує цінність роботи з винятками (exception-based processing), хоча сам кейс не варто вважати прикладом повноцінного AI-агента. Для агентних систем тут додається окремий ризик — неправильно класифікований виняток може взагалі не потрапити на перевірку людині.

• Природна мова як інтерфейс до ERP-даних. Користувач може сформулювати запит звичайною мовою. Наприклад, попросити показати клієнтів із простроченою дебіторською заборгованістю понад певну суму або знайти причини відхилення маржі за конкретним продуктом. Для такого сценарію агенту не обов'язково давати право змінювати дані, тому ризик нижчий. Водночас відповідь усе одно потребує перевірки: помилковий висновок не змінить запис у ERP, але може вплинути на управлінське рішення.

Спільна риса цих сценаріїв — агент працює з варіативним або погано структурованим входом і виконує відносно обмежену задачу. Чим довший ланцюжок дій та чим більше прав на зміну даних отримує система, тим вищими стають вимоги до контролю.

Рекомендуємо також до прочитання Odoo 19 та Oblik-ERP: де закінчується платформа і починається український облік

Де звичайна автоматизація працює краще за AI-агентів?

У багатьох ERP-процесах звичайна автоматизація залишається кращим вибором. Насамперед там, де логіка стабільна, результат має бути однаковим за однакових умов, а вартість помилки висока.

1. Повторювані транзакції з чіткими правилами. Якщо операцію можна однозначно описати умовами “якщо — тоді”, агент не додає суттєвої цінності. Наприклад, автоматичне створення документа після настання певної події або маршрутизація заявки за фіксованими критеріями краще працюють як звичайний робочий процес.
2. Процеси з високими вимогами до точності та великим обсягом. Для масових операцій важлива не гнучкість, а стабільність. Якщо система щодня виконує тисячі однотипних дій, кожна додаткова ймовірність помилки масштабується разом з обсягом. Детерміноване правило тут простіше тестувати, а його вартість на одну транзакцію легше прогнозувати.
3. Регламентовані процеси. У фінансах, бухгалтерії та інших контрольованих процесах важливо мати зрозумілу логіку виконання. У межах звичайної автоматизації можна точно показати, яка умова спрацювала, яке правило було застосоване і чому система виконала конкретну дію. Для AI-агента такий ланцюжок пояснити складніше, оскільки рішення залежить не лише від коду, а й від моделі, промпту та контексту.

З практичної точки зору замінювати стабільний процес із добре описаними правилами на AI-агента зазвичай немає сенсу. Агент приносить найбільшу користь там, де правила важко сформулювати наперед, кількість винятків постійно зростає або вхідні дані щоразу відрізняються.

Підсумок

AI-агенти розширюють можливості ERP там, де процеси складно звести до жорстко заданих правил. Вони можуть аналізувати неструктуровані дані, працювати з винятками, підбирати наступні дії залежно від контексту та допомагати в ситуаціях, де класична автоматизація втрачає гнучкість.

Водночас цінність агентів не вимірюється рівнем автономності. У критичних, масових і регламентованих операціях передбачувані правила залишаються надійнішою основою.

Тому найпрактичніший сценарій для ERP сьогодні — комбінована модель. Стандартні операції виконуються автоматично за правилами, агент бере на себе складні та варіативні випадки, а рішення з високим ризиком залишаються під контролем людини. Саме так AI може давати бізнесу реальну користь без втрати керованості процесів.