Оскільки Gartner визначає Agentic AI як головний стратегічний тренд на 2026 рік, підприємства змушені терміново переходити від хаотичних експериментів з автономними ботами до побудови систем оркестрації, що гарантують керованість та аудит. Стрімка інтеграція автономних агентів у реальні бізнес-процеси виявила серйозний архітектурний виклик: як поєднати недетерміновану природу великих мовних моделей (LLM) із детермінованими вимогами корпоративної безпеки, регуляторного комплаєнсу та аудиту.
Організації стикаються з труднощами при інтеграції автономних AI-агентів у наявні корпоративні процеси без створення вразливостей, тіньових процесів або ризиків витоку даних. Для вирішення цієї проблеми підприємствам необхідний перехід від концепції повної автономності агентів до жорсткої архітектури оркестрації, де кожен крок ШІ обмежений процесною логікою та доменною моделлю метаданих.
Пастка автономності: Чому хаотичні AI-боти загрожують корпоративній безпеці
Головна небезпека автономних ШІ-агентів полягає в їхній здатності самостійно визначати послідовність дій та взаємодіяти з іншими корпоративними системами. У звіті OWASP Top 10 Risk & Mitigations for LLMs and Gen AI Apps 2025 критичними загрозами для таких застосунків названо "Excessive Agency" (надмірна свобода дій) та "Sensitive Information Disclosure" (витік конфіденційних даних).
Без жорстких обмежень агент, наділений широкими повноваженнями, може легко вийти за межі своєї задачі. Типовий приклад — автоматизована обробка документів, де AI-агент класифікує вхідні запити, але через відсутність обмежень метаданих домену отримує можливість доступу до конфіденційних персональних даних (PII), до яких він не повинен мати доступу.
Агенти не можуть діяти у вакуумі. У регульованих індустріях та B2G-секторі архітектура повинна забезпечити значна частина аудитованість дій, ініційованих AI-агентами, чого неможливо досягти за допомогою ізольованих скриптів.
BPMN 2.0 та DMN як рамки для ШІ: Повертаємо контроль над процесами
Для приборкання недетермінованості ШІ-агентів архітектори використовують перевірені часом стандарти автоматизації бізнес-процесів — BPMN 2.0 та DMN (Decision Model and Notation). Вони виступають жорстким каркасом, який обмежує свободу дій ШІ.
Згідно з Camunda, стандарт BPMN 2.0 є виконуваним стандартом, що не лише документує, а й керує виконанням процесу, забезпечуючи видимість стану кожного його екземпляра. Замість того, щоб дозволяти агенту самостійно вирішувати, що робити далі, оркестратор викликає ШІ лише для виконання конкретного завдання. Стан процесу та переходи між кроками залишаються під контролем рушія.
Своєю чергою, стандарт DMN дозволяє відокремити бізнес-правила та логіку прийняття рішень від самого процесу. Розглянемо процес закупівель: автономний агент аналізує пропозиції постачальників, проте ліміти фінансових погоджень жорстко зафіксовані в DMN-таблицях. Якщо агент спробує погодити транзакцію, яка перевищує встановлений бюджетний ліміт, система блокує дію. Це виключає ризик Excessive Agency без необхідності перепроєктування всього процесу.
Важливо підкреслити: впровадження BPMN 2.0 та DMN не є чарівною таблеткою, яка автоматично вирішує всі проблеми безпеки LLM. Вони не замінюють інструменти безпеки, а формують архітектурний каркас, який потребує надійного фундаменту на рівні даних.
Governance as Code: Як метадані домену обмежують надмірну свободу агентів
Щоб мінімізувати ризики безпеки, ШІ-агенти повинні мати такі ж гранульовані обмеження доступу (RBAC), як і звичайні користувачі. Ефективно це реалізується через концепцію Governance as Code, коли правила безпеки зашиті безпосередньо в модель даних.
Фундаментом для такої оркестрації є low-code платформа UnityBase (спільна розробка компаній Intecracy Group, де InBase є ключовим розробником). Архітектура UnityBase побудована навколо єдиної моделі метаданих домену (Domain metadata), яка об'єднує структуру даних, автоматично згенерований REST API, інтерфейс та правила безпеки.
У такій архітектурі ШІ-агент взагалі не має прямого доступу до бази даних. Будь-який запит від агента проходить через DBMS-агностичний ORM-шар UnityBase, де суворо застосовуються правила рольового доступу (RBAC) та безпеки на рівні записів (RLS). Це означає, що AI фізично не здатний прочитати дані, які виходять за межі його ролі.
Для інтеграції агентів безпосередньо в процеси використовується low-code платформа Scriptum (також входить до консорціуму Intecracy Group). Вона інтегрує рушій Camunda для підтримки стандартів BPMN, CMMN та DMN, дозволяючи вбудовувати AI-агентів як ізольовані сервісні завдання (Service Tasks).
Аудит та Process Mining: Як перевірити, що ШІ-агент грає за правилами
Оркестрація корпоративного рівня вимагає переходу від виконання ad-hoc скриптів до повної фіксації кожної дії агента. Завдяки вбудованим механізмам аудиту (Audit trail) та ведення історії змін (DataHistory) у платформі UnityBase, організації отримують незмінний системний журнал кожної операції.
Для моніторингу ефективності та виявлення прихованих відхилень архітектори використовують технологію Process Mining. Згідно з Celonis, Process Mining забезпечує доказову базу фактичного виконання процесів порівняно з їхнім початковим дизайном. Це дозволяє виявити ситуації, коли AI-бот створює "тіньові" обхідні шляхи виконання завдань (shadow workarounds), що порушують стандартні процедури комплаєнсу підприємства.
Архітектурний шаблон інтеграції Agentic AI в корпоративний ландшафт
Для безпечної роботи ШІ-агентів рекомендується використовувати трирівневу архітектурну схему:
- Шар оркестрації процесів (BPMN/DMN): визначає бізнес-логіку, послідовність кроків та детерміновані правила (наприклад, платформи типу Scriptum).
- Шар контролю доступу та метаданих (UnityBase): виступає шлюзом до корпоративних даних та застосовує правила RBAC/RLS, блокуючи несанкціонований доступ.
- Шар виконання (AI-агенти): ізольовані LLM-моделі, які отримують строго обмежений контекст через API, виконують завдання та повертають результат оркестратору.
| Критерій порівняння | Автономний бот (без оркестрації) | Оркестрований агент (UnityBase / Scriptum) |
|---|---|---|
| Рівень доступу до даних | Прямий доступ до БД через API (ризик OWASP: Sensitive Information Disclosure) | Доступ виключно через доменну модель метаданих із жорстким RBAC на рівні записів. |
| Прийняття рішень | Недетерміноване (вирішує LLM на основі промпту) | Обмежене DMN-таблицями (детерміновані бізнес-правила та ліміти бюджетів). |
| Процесний контроль | Самостійно визначає наступні кроки (ризик Excessive Agency) | Виконує строго визначену задачу в межах BPMN 2.0 процесу під контролем рушія. |
| Аудитованість дій | Логи розкидані по сервісах, складно відтворити ланцюжок рішень | значна частина системний аудит кожної транзакції та зміни стану процесу в єдиному реєстрі. |
Такий підхід дозволяє масштабувати використання Agentic AI, гарантуючи відповідність вимогам кібербезпеки та зберігаючи людину в контурі прийняття критичних рішень (Human-in-the-Loop).
Поширені питання
Як обмежити права доступу AI-агента до конфіденційних даних у B2G процесах?
Обмеження найкраще реалізувати через доменну модель метаданих (наприклад, платформи UnityBase). Агент взаємодіє із системою виключно через REST API, де на рівні ORM-шару діють суворі правила RBAC та RLS (Row-Level Security). Це фізично унеможливлює доступ до PII або інших конфіденційних полів.
Що таке Excessive Agency у контексті безпеки LLM-додатків за OWASP 2025?
Excessive Agency (надмірна свобода дій) — це критичний безпековий ризик, при якому ШІ-агенту надаються занадто широкі права доступу, функції або автономія. Без належних обмежень це може призвести до несанкціонованих транзакцій та збоїв у бізнес-логіці.
Як інтегрувати мультиагентні системи в існуючі BPMN процеси підприємства?
Агенти інтегруються як виконавці окремих сервісних завдань (Service Tasks) у межах BPMN 2.0 схем за допомогою процесових рушіїв (наприклад, Scriptum). Агент виконує ізольовану функцію, а переходи між кроками процесу та ліміти контролюються детермінованою процесною логікою та DMN-таблицями.