ERP нового поколения. Объединение мультиагентных AI-платформ и микросервисной архитектуры

Аннотация

Архитектуры корпоративных ИТ-систем стоят на пороге структурных изменений. Их причина - в совмещении двух подходов, которые долгое время развивались параллельно - микросервисные архитектуры и AI-агентные платформы.

Микросервисы стали стандартом построения масштабируемых и надежных корпоративных систем, особенно для таких классов, как ERP-системы, для которых важны детерминизм, воспроизводимость результатов, контроль и соответствие регуляторным требованиям [1][2][5].

AI-агентные платформы, в свою очередь, дают возможность системам работать с целями, автономно рассуждать и принимать решения в условиях неопределенности.

Попытки использовать эти подходы по отдельности приводят либо к жестким и плохо адаптирующимся системам, либо к интеллектуальным решениям, которым бизнес не готов доверять.

В этой статье впервые представлена архитектурную модель, которая позволяет объединить эти два подхода в единую управляемую архитектуру. Архитектуру «агенты поверх микросервисов», в которой:

• микросервисы отвечают за надежное исполнение;

• AI-агенты отвечают за работу с целями и принимают наблюдаемые решения

• семантический слой (граф знаний) связывает все в единую управляемую систему [8][9].

На примере ERP-системы будет подробно рассказано про архитектурные аспекты нового подхода, такие как уровни абстракции, детерминизм, память, автономия, оркестрация, контракты, жизненный цикл и вопросы управляемости [6][7].

1. Введение

ERP-системы занимают особое место в корпоративном ИТ-ландшафте. Они одновременно выполняют роль:

• систем учета;

• систем исполнения;

• систем координации.

За годы развития ERP-системы накопили огромный функциональный объем, однако их архитектурная основа осталась, по сути, «процессоцентричной». Ключевые бизнес-процессы – такие как order-to-cash или procure-to-pay – строго следуют заранее заданным и настроенным сценариям. Эти сценарии основаны на условиях и данных, актуальных на момент проектирования, но недостаточно эффективно работают в динамичной среде [2][6].

Переход от монолитных ERP к сервисной и микросервисной архитектуре существенно улучшил масштабируемость и адаптивность. Тем не менее, принципиальных изменений не произошло – системы по-прежнему исполняют преднастроенные процессы, а постановка целей и решения остаются на стороне человека.

AI-агентные платформы могут изменить эту модель. Агенты способны работать с целями, оценивать альтернативы и менять поведение в зависимости от ситуации. В ERP-контексте это позволяет реализовать такие сценарии, как, например, непрерывная оптимизация оборотного капитала, адаптивное управление цепочками поставок или более гибкое финансовое планирование [3][4].

Однако при встраивании агентов в архитектуру нынешних ERP-систем быстро проявляются ограничения. Недетерминированность конфликтует с требованиями аудита, автономность – с управляемостью, а вероятностные решения – с жесткими правилами.

Ключевая идея заключается в том, что эти проблемы имеют архитектурную природу. Они возникают потому, что микросервисы и AI-агенты работают на разных уровнях абстракции. Следовательно, ERP-системы должны эволюционировать в «слоистые» архитектуры, в которых интеллект и исполнение четко разделены, но при этом формально связаны [8][9].

2. Определения и концептуальные основы

Микросервисная архитектура

Микросервисная архитектура предполагает декомпозицию корпоративных систем на набор небольших, независимо развертываемых сервисов, каждый из которых отвечает за конкретную бизнес-возможность и владеет своими данными. Взаимодействие между сервисами осуществляется через четко определенные интерфейсы [1][2][5].

В контексте ERP микросервисы, как правило, инкапсулируют такие функции, как:

• расчет цен и скидок;

• налогообложение;

• управление запасами;

• финансовые проводки;

• проверки соответствия требованиям;

• контроль лимитов и обязательств.

Ключевая характеристика микросервисов - детерминизм. Это означает, что при одинаковых входных данных и состоянии системы сервис всегда возвращает один и тот же результат. Именно это свойство лежит в основе доверия к ERP-системам как к системам учета и исполнения.

С архитектурной точки зрения, микросервисы представляют собой уровень надежного и проверяемого исполнения. Они не принимают решений и не работают с неопределенностью – их задача заключается в корректном выполнении формально заданных операций.

Важно подчеркнуть, что микросервисная архитектура решает прежде всего инженерные задачи, такие как масштабируемость, отказоустойчивость, независимость команд и управляемость изменений. Однако сама по себе она не меняет когнитивную модель системы, бизнес-логика которой по-прежнему выражена в виде заранее определенных процессов и правил.

AI-агентные платформы

AI-агентные платформы предназначены для создания автономных или полуавтономных программных агентов, способных действовать в сложной и динамичной среде [3][4]. Такие агенты умеют:

• воспринимать контекст;

• работать с целями;

• планировать действия;

• адаптироваться на основе обратной связи.

В отличие от микросервисов, агент – это не вызываемая функция. Агент – это активный участник системы со своей идентичностью, состоянием и памятью.

В ERP-контексте агентам могут ставиться такие цели, как, например:

• оптимизация оборотного капитала;

• снижения рисков в цепочках поставок;

• повышение точности прогнозирования;

• балансировка конфликтующих бизнес-показателей.

Поведение агентов по своей природе является вероятностным. Они работают с неполной информацией, оценивают альтернативы и решают задачи, которые не всегда имеют однозначно правильный ответ. Именно это делает их полезными в условиях неопределенности, но одновременно создает сложности при применении их в корпоративных системах [1][3][4][8][9].

Таким образом, AI-агентные платформы оперируют на когнитивном уровне – уровне намерений, целей и выбора стратегии, а не на уровне детерминированного исполнения.

Почему важно не смешивать эти роли

Когда микросервисы начинают принимать решения, система быстро теряет управляемость. Логика «размазывается» по коду приложения, усложняется аудит и возрастает риск ошибок. Когда же агенты получают прямой доступ к транзакционному исполнению, возникает угроза недетерминированного поведения и потери контроля.

Поэтому в предлагаемой архитектуре проводится четкое разделение:

• микросервисы — уровень исполнения;

• AI-агенты – уровень рассуждений (reasoning) и целей.

Связь между этими уровнями осуществляется через интерфейсы и семантический слой, но функция каждого компонента остается строго ограниченной.

Разделение уровней абстракции позволяет:

• сохранить надежность и предсказуемость ERP;

• добавить интеллектуальную адаптивность;

• избежать конфликта между автономией и контролем.

Именно это разделение делает возможным практическое использование AI-агентов в корпоративных ERP-системах.

3. Детерминизм и вероятностное поведение

Детерминизм является обязательным требованием для ядра ERP-систем. Финансовая отчетность, расчеты заработной платы и регуляторная отчетность должны быть воспроизводимыми, объяснимыми и проверяемыми [1][5].

Микросервисы обеспечивают эти требования за счет предсказуемого поведения. Их результат полностью определяется входными данными и текущим состоянием системы.

AI-агенты, напротив, опираются на вероятностное рассуждение. Они исследуют альтернативы, оценивают неопределенность и адаптируют планы действий по мере изменения условий.

В предлагаемой архитектуре вероятностное поведение строго ограничивается уровнем принятия решений. Оно не распространяется на уровень исполнения.

Агенты формируют намерения и рекомендации. Микросервисы реализуют эти намерения детерминированно и проверяемо.

Такое разделение позволяет использовать сильные стороны AI-агентов, не нарушая требований к надежности и аудируемости ERP.

4. Состояние и память

Микросервисы, как правило, проектируются как stateless компоненты, с использованием внешних баз данных и не поддерживают долговременную контекстную память. Такой подход обеспечивает детерминизм, масштабируемость и надежность ERP-системы. Однако это ограничивает способность микросервисов сохранять знания о взаимодействиях во времени.

Агенты, напротив, включают явные модели памяти, которые позволяют им рассуждать и адаптироваться по мере накопления опыта. Эти модели памяти обычно включают краткосрочную память, например, текущий контекст или окно взаимодействия, а также долговременную память, реализованную с использованием векторных баз данных или механизмов эпизодической памяти, фиксирующих историю взаимодействий и их результаты [3][4]. Агенты обучаются на предыдущих действиях и сохраняют контекстную осведомленность во времени, что позволяет им принимать решения, основанные не только на данных, но и на накопленном опыте.

В ERP-приложениях это дает агентам возможность распознавать повторяющиеся паттерны, предвосхищать типовые события и оптимизировать поведение на основе накопленных знаний, обеспечивая уровень адаптивности и интеллектуальности, выходящий за рамки детерминированных операций микросервисов.

Интеграция микросервисов и агентов, таким образом, объединяет сильные стороны обоих подходов: микросервисы обеспечивают последовательное и надежное транзакционное исполнение, тогда как агенты предоставляют рассуждения, основанные на опыте и контексте, которые эволюционируют со временем [8][9].

Микросервисы управляют обоснованным транзакционным состоянием. Агенты управляют контекстной и семантической памятью.

Связующим элементом между ними выступает семантический слой, реализованный в виде графа знаний и представляющий бизнес-данные предприятия, их взаимосвязи, ограничения и цели [8][9].

В контексте ERP граф знаний выполняет функцию семантического двойника предприятия, позволяя агентам рассуждать о клиентах, контрактах, обязательствах и целях, оставаясь при этом жестко привязанными к транзакционной реальности системы.

5. Автономия и контроль

Практическое применение интеллектуальных компонентов в корпоративных системах напрямую зависит от способности обеспечить им строго ограниченную и управляемую автономию. В среде ERP автономия не может означать произвольное поведение системы.

Микросервисы по своей природе являются пассивными элементами архитектуры. Они не принимают решений. Микросервис выполняет конкретную функцию и активируется только в ответ на внешний вызов – запрос, событие или операцию. Его поведение полностью определяется входными данными и текущим состоянием системы.

Интеллектуальные компоненты более высокого уровня устроены иначе. Они работают с целями, анализируют контекст и координируют использование доступных возможностей системы. Такие компоненты могут:

• интерпретировать цели верхнего уровня;

• разбивать их на подзадачи;

• выбирать последовательность действий;

• учитывать результаты предыдущих шагов;

• корректировать дальнейшее поведение.

Именно эта способность к самостоятельному выбору делает их полезными, но одновременно требует жестких архитектурных ограничений.

В предлагаемой архитектуре автономия вводится не декларативно, а через структуру системы. Ответственность за детерминированное исполнение и соответствие правилам остается на уровне микросервисов. Интеллектуальный уровень получает автономию только в рамках принятия решений и координации, не выходя за заранее определенные границы.

Такой подход позволяет использовать преимущества адаптивного поведения, не нарушая требований управляемости и комплаенса, характерных для ERP-систем.

6. Композиция и оркестрация: от процессов к целям

Классическая оркестрация в ERP строится вокруг заранее заданных процессов. Последовательности действий проектируются заранее и исполняются в фиксированном порядке. Такой подход обеспечивает предсказуемость и контроль, но плохо работает в ситуациях, когда условия меняются или когда невозможно описать все варианты развития событий.

При процессной оркестрации система отвечает на вопрос: какие шаги и в каком порядке необходимо выполнить.

Однако на практике важнее другой вопрос: какого результата необходимо достичь в текущих условиях.

В предлагаемой архитектуре оркестрация смещается с процессов на цели. Система получает целевое состояние и самостоятельно определяет:

• какие действия необходимы;

• в какой последовательности их выполнять;

• какие альтернативы допустимы;

• как реагировать на отклонения и сбои.

При этом отдельные операции по-прежнему выполняются микросервисами. Они остаются атомарными исполнителями, обеспечивающими корректность и воспроизводимость. Изменяется лишь уровень, на котором принимаются решения о том, что и когда следует делать.

Такой подход позволяет системе адаптироваться к изменениям, не разрушая при этом надежный транзакционный контур.

7. Интерфейсы и контракты

В микросервисных архитектурах взаимодействие между компонентами осуществляется через четко определенные интерфейсы. Эти интерфейсы описывают:

• формат данных;

• допустимые операции;

• технические ограничения.

Они обеспечивают корректное взаимодействие, но не несут информации о бизнес-смысле операций.

Синтаксический контракт отвечает на вопрос: как вызвать операцию.

Он не отвечает на вопросы:

• когда ее следует вызывать;

• в каком контексте это допустимо;

• какие последствия имеет выполнение операции.

Для более высокоуровневого управления этого недостаточно, поэтому в архитектуре вводится дополнительный уровень описания - семантические контракты. Они фиксируют:

• назначение операции с точки зрения бизнеса;

• условия применимости;

• ожидаемый эффект;

• ограничения и риски.

Это позволяет интеллектуальному слою системы рассуждать о возможностях, не нарушая формальных границ исполнения. Микросервисы по-прежнему работают через вызовы, но решения о том, какие операции использовать, принимаются с учетом их бизнес-смысла.

8. Жизненный цикл и эволюция

Компоненты системы развиваются с разной скоростью, и архитектура должна учитывать это различие.

Микросервисы эволюционируют относительно медленно. Их изменения проходят через стандартные процедуры разработки, тестирования и развертывания. Это обеспечивает стабильность, совместимость и возможность долгосрочной поддержки.

Компоненты, отвечающие за анализ и принятие решений, могут изменяться быстрее. Их поведение корректируется за счет изменения логики, правил, моделей или накопленного опыта. При этом транзакционное ядро системы остается неизменным.

Разделение жизненных циклов микросервисов и AI-агентов позволяет улучшать систему на уровне принятия решений, не затрагивая критически важные контуры учета и исполнения. Это снижает риски и упрощает эволюцию системы.

9. Режимы отказов и наблюдаемость

В традиционных микросервисных системах отказы, как правило, носят технический характер. Они выражаются в виде ошибок выполнения, недоступности сервисов или проблем с данными. Такие сбои хорошо выявляются стандартными средствами мониторинга.

В системах с интеллектуальным уровнем появляются дополнительные типы отказов. Они связаны не с технической неисправностью, а с качеством принятых решений. Система может работать корректно с точки зрения исполнения, но выбирать неудачные или неоптимальные варианты действий.

Для выявления таких ситуаций требуется расширенная наблюдаемость. Она должна фиксировать:

• цели, которые система пыталась достичь;

• варианты, которые рассматривались;

• основания для выбора конкретного решения;

• последствия этого выбора.

Это позволяет анализировать поведение системы не только на уровне выполнения операций, но и на уровне логики принятия решений.

10. Безопасность и управляемость

Безопасность и управляемость являются наиболее критичными требованиями. Хотя обе парадигмы нацелены на обеспечение безопасной, надежной и соответствующей требованиям бизнеса эксплуатации, они достигают этого принципиально разными способами. Это отражает различия в их операционной природе и способах формирования решений. Понимание и согласование этих различий является необходимым условием жизнеспособности предлагаемой интегрированной архитектуры.

В системах, построенных на микросервисах, безопасность и управляемость носят преимущественно гранично-ориентированный характер. Контроль доступа реализуется на четко определенных технических интерфейсах, как правило, на уровне API. Управление в таких системах в основном декларативное и статичное. Права, политики и требования соответствия задаются заранее, версионируются и применяются во время выполнения.

Эта модель хорошо согласуется с детерминированной природой микросервисов, в которой входные данные, выходные результаты и пути выполнения в значительной степени предсказуемы и поддаются проверке.

Наблюдаемость и аудируемость в микросервисных архитектурах также находятся на высоком уровне. Логи, метрики и трассировки позволяют точно установить, что произошло, когда это произошло и какой компонент за это отвечал. Требования комплаенса и регуляторного контроля легко накладываются на такую модель. Каждое действие может быть однозначно связано с конкретным сервисом, идентификатором и контекстом запроса. В результате микросервисные системы обеспечивают высокую степень предсказуемости и контроля, однако достигается это ценой ограниченной гибкости. Политики безопасности являются жесткими, а их адаптация к новым условиям требует тестирования и повторного запуска.

Агентные AI-системы, напротив, создают принципиально иной набор задач в области безопасности и управляемости. Агенты работают с намерениями и контекстом, а не с фиксированными интерфейсами. Их поведение формируется в результате вероятностных процессов рассуждения, которые могут давать разные результаты даже при схожих входных данных. В таких условиях традиционные механизмы безопасности оказываются недостаточными. Агент может иметь формально допустимый доступ к инструменту или сервису, но при этом прийти к небезопасному или несоответствующему требованиям решению из-за неверной интерпретации цели, неполного контекста или ограничений используемой модели.

В результате безопасность в агентных системах должна смещаться от статического контроля доступа к контекстному управлению на этапе рассуждений (reasoning). Вместо вопроса: «разрешен ли этот вызов» механизмы управления должны отвечать на более сложный вопрос: «является ли это действие допустимым с учетом цели, контекста, ограничений и профиля риска». Это требует тонко настроенных, динамических политик, которые оцениваются в процессе принятия решения агентом.

Аудируемость в агентных системах также представляет большую сложность. Если микросервисы можно проверять через трассировку выполнения, то для агентов требуется семантическая наблюдаемость - видимость шагов рассуждения, допущений, уровней уверенности и альтернативных вариантов, которые рассматривались. Таким образом, управление выходит за рамки логов и метрик и включает в себя артефакты объяснимости, обоснования решений и оценки уверенности. Во многих корпоративных сценариях это должно дополняться участием человека, при котором критически важные решения подлежат проверке, утверждению или отклонению со стороны ответственных специалистов.

Приведенная ниже схема иллюстрирует различия между моделями безопасности и управляемости в микросервисах и агентных системах, подчеркивая переход от статических, гранично-ориентированных механизмов контроля к динамическому управлению, учитывающему контекст.

Схема показывает, что микросервисы достигают высокой предсказуемости и аудируемости за счет жестких контрактов и статических механизмов контроля, тогда как агентные системы требуют адаптивных ограничений, семантической наблюдаемости и механизмов объяснимости для обеспечения безопасной работы. Важно отметить, что ни одна из этих моделей сама по себе не является достаточной для построения сложных интеллектуальных систем корпоративного масштаба.

Предлагаемая архитектура «агенты поверх микросервисов» согласует эти различия за счет многоуровневого управления. Микросервисы продолжают обеспечивать строгий контроль доступа, транзакционную целостность и соответствие требованиям на уровне исполнения. Агентный уровень, расположенный выше, управляется с помощью политик, применяемых в процессе рассуждения, ограничений на использование инструментов, порогов уверенности и механизмов эскалации.

Многоуровневая модель управления обеспечивает то, что автономные элементы системы остаются ограниченными явными правилами, не теряя при этом гибкости.

Ключевым является то, что данная архитектура обеспечивает доверие к адаптивным системам. Ограничивая автономию уровнем рассуждений и сохраняя детерминизм на уровне исполнения, предприятия могут внедрять интеллектуальные механизмы принятия решений, не отказываясь от контроля. Таким образом, безопасность и управление перестают быть препятствием для интеллектуальных архитектур и становятся фундаментом их применения.

11. Взаимосвязь агентов и микросервисов: ключевой вывод

Предлагаемая архитектура исходит из принципиального положения: AI-агенты не заменяют микросервисы, а работают поверх них, формируя дополнительный уровень интеллекта и целеориентированного рассуждения. В типичном архитектурном паттерне микросервисы выступают в роли системы учета и исполнения, предоставляя детерминированные, надежные и аудируемые возможности, тогда как AI-агенты выполняют функцию системы рассуждений и принятия решений, интерпретируя цели, планируя действия и адаптируя поведение с учетом контекста и накопленного опыта [3][4][8][9].

В архитектуре ERP нового поколения это различие имеет принципиальное значение. Микросервисы обеспечивают доверенные базовые возможности, такие как обработка транзакций, соблюдение требований и долговременное хранение данных, гарантируя стабильность и защищенность ключевых операций. AI-агенты, в свою очередь, добавляют адаптивный уровень интеллекта, позволяющий оптимизировать процессы, прогнозировать результаты и динамически координировать действия для достижения стратегических целей.

Связующим элементом между этими уровнями выступает семантический слой, реализованный в виде графа знаний. Он обеспечивает общее представление о сущностях предприятия, их взаимосвязях и ограничениях, позволяя агентам выполнять рассуждения в терминах предметной области и взаимодействовать с микросервисами управляемым и контекстно-осознанным образом.

Такое многоуровневое построение позволяет предприятиям получить преимущества адаптивного, основанного на опыте принятия решений, не жертвуя при этом надежностью, детерминизмом и гарантиями управления, которые обеспечивает микросервисная основа. В результате архитектура объединяет уровень исполнения и уровень рассуждений в единую согласованную систему, создавая фундамент для AI-нативных ERP-платформ, которые одновременно являются интеллектуальными и заслуживающими доверия [1][3][4][8][9] [10].

12. Многоуровневая архитектура системы

Предлагаемая многоуровневая архитектура состоит из четырех основных уровней, которые совместно объединяют детерминированные микросервисы, адаптивные интеллектуальные компоненты и семантический слой, при этом сохраняя требования к управлению и контролю.

Базовый уровень — уровень корпоративных возможностей (Enterprise Capability Layer) — включает микросервисы, реализующие ключевые транзакционные и операционные функции, такие как финансы, управление запасами, ценообразование и соблюдение требований. Эти сервисы обеспечивают доверенное исполнение и гарантируют детерминизм, надежность и аудируемость операций.

Семантический уровень (Semantic Layer) располагается над уровнем корпоративных возможностей и реализован в виде графа знаний. Он представляет сущности предприятия, их взаимосвязи, ограничения и цели. Семантический уровень позволяет AI-агентам работать с актуальным состоянием предприятия, принимать решения с учетом контекста и преобразовывать высокоуровневые цели в последовательности вызовов микросервисов. Этот уровень играет ключевую роль в согласовании детерминированного исполнения микросервисов с вероятностным, целеориентированным характером рассуждений интеллектуальных компонентов [8][9].

Уровень агентов (Agent Layer) расположен поверх семантического уровня и инкапсулирует целеориентированную, адаптивную логику принятия решений. Агенты, такие как агент управления оборотным капиталом, агент цепочки поставок или агент уровня финансового директора, интерпретируют цели предприятия, динамически оркестрируют задачи и при необходимости координируются с другими агентами. Они способны учитывать накопленный опыт, принимать решения с учетом контекста и работать в замкнутых контурах обратной связи, что позволяет проактивно управлять и оптимизировать процессы в различных бизнес-доменах [3][4].

Уровень управления и контроля (Governance & Control Layer) обеспечивает сквозное применение политик, безопасность, аудируемость и наблюдаемость. Этот уровень гарантирует, что интеллектуальные компоненты работают в утвержденных границах, принимаемые решения соответствуют требованиям, а микросервисы сохраняют надежность и предсказуемость, формируя безопасную, регулируемую и подотчетную системную среду [10].

Такой многоуровневый подход позволяет разделить детерминированное исполнение и адаптивное принятие решений, обеспечивая при этом непрерывное взаимодействие и координацию через семантический уровень. Архитектура гарантирует, что адаптивные механизмы дополняют доверенные корпоративные возможности, а не подрывают их, формируя устойчивую и гибкую основу для ERP-систем нового поколения, изначально ориентированных на использование интеллектуальных механизмов.

13. Практические преимущества

Предлагаемая архитектура «агенты поверх микросервисов» обеспечивает ряд стратегических и операционных преимуществ, которые невозможно получить при использовании только микросервисной архитектуры или только агентных AI-систем. За счет интеграции детерминированных микросервисов и адаптивных интеллектуальных компонентов через семантический слой система сочетает надежность, масштабируемость и управляемость с контекстно-осознанным принятием решений.

Архитектуры, построенные исключительно на микросервисах, обеспечивают надежное исполнение, модульность и независимость развертывания. Однако они ограничены в способности к адаптации, целеориентированной оркестрации и проактивному принятию решений. Включение интеллектуального уровня позволяет устранить эти ограничения.

Добавление агентов обеспечивает:

• оптимизацию в реальном времени;

• динамическую оркестрацию действий;

• возможность рассуждать о сложных компромиссах между стоимостью, рисками, сроками и качеством.

При этом сохраняются детерминированность и аудируемость микросервисов. В результате организации получают возможность реагировать на изменяющиеся условия бизнеса, оптимизировать ключевые показатели - такие как денежный поток, оборачиваемость запасов и использование ресурсов - и снижать объем участия человека в операционных решениях.

По сравнению с архитектурами, основанными исключительно на агентных системах, предлагаемая модель сохраняет строгость, управляемость и транзакционную целостность, присущие микросервисам. Самостоятельные агентные системы часто сталкиваются с проблемами надежности, соответствия требованиям и воспроизводимости, что затрудняет их применение в корпоративных средах, где критичны аудит и регуляторное соответствие.

Построение агентного уровня поверх микросервисов и его связывание через семантический слой позволяет интеллектуальным компонентам работать в четко заданных границах, опираясь на проверенные корпоративные возможности и одновременно адаптируясь к изменяющимся целям. Это существенно снижает риски некорректных решений, непоследовательного исполнения или поведения, не соответствующего требованиям.

К числу дополнительных преимуществ относятся:

• Адаптивность при сохранении доверия. Интеллектуальные компоненты обеспечивают целеориентированное поведение, основанное на опыте, тогда как микросервисы гарантируют детерминированное исполнение и целостность данных.

• Целевая оркестрация. Архитектура смещает фокус с жестко заданных процессов на гибкую оркестрацию, ориентированную на достижение целей, что позволяет динамически выстраивать последовательности действий и координировать взаимодействие между компонентами.

• Семантическая согласованность. Граф знаний обеспечивает общее понимание предметной области, снижает расхождения между рассуждениями и исполнением и позволяет действовать с учетом контекста предприятия.

• Непрерывная эволюция. Интеллектуальный уровень может адаптировать стратегии и улучшать результаты без необходимости повторного развертывания микросервисов.

• Расширенная наблюдаемость и управление. Политики, ограничения и участие человека в принятии решений обеспечивают работу системы в утвержденных рамках, в то время как микросервисы продолжают предоставлять надежный мониторинг и журналирование.

• Масштабируемость и устойчивость. Микросервисы масштабируются независимо друг от друга, а уровень принятия решений может расширяться для обработки сложных задач в нескольких бизнес-доменах.

В совокупности архитектура «агенты поверх микросервисов» позволяет предприятиям совместить интеллектуальность и надежность, создавать ERP-системы нового поколения, которые являются адаптивными, устойчивыми и полностью управляемыми, превосходя по возможностям решения, опирающиеся только на микросервисы или только на агентные системы.

14. Текущее состояние и направление развития

Большинство современных ERP-платформ в той или иной мере уже движется в направлении предлагаемой архитектуры. Они внедряют архитектурные решения, которые отражают отдельные элементы архитектуры «агенты поверх микросервисов». Хотя на сегодняшний день ни одна платформа не реализует в полном объеме объединение микросервисов, агентов рассуждения и семантического слоя в рамках единой архитектуры, многие решения уже включают отдельные компоненты.

SAP: микросервисы, графы знаний и AI-агенты

Флагманская линейка ERP-решений SAP, в частности SAP S/4HANA, построена на модульной сервисной архитектуре с развитой системой API и событийной обработкой, что формирует гибкий уровень корпоративных возможностей, соответствующий принципам микросервисной архитектуры [1] [11].

В последних версиях SAP представила многоуровневую AI-стратегию, выходящую за рамки встроенного машинного обучения и позиционируемую компанией как AI-first платформа для предприятия. К ключевым направлениям развития относятся:

• SAP AI Foundation, объединяющая инструменты генеративного ИИ, хостинг моделей и фреймворки для разработчиков. Эта инфраструктура включает Joule Studio для создания пользовательских AI-решений и агентов, а также оптимизатор промптов для стандартизации взаимодействия с моделями, создавая основу для агентного поведения с учетом требований управляемости и контроля [15] [16].

• Граф знаний, обеспечивающий контекстуализацию корпоративных данных между бизнес-процессами, повышающий точность аналитики и поддерживающий семантическое рассуждение в рамках ERP и связанных систем [11] [15].

• Развивающийся хаб AI-агентов в SAP LeanIX, предназначенный для сопоставления агентов с бизнес-возможностями и управления их жизненным циклом. Этот компонент ориентирован на обеспечение управляемого и соответствующего требованиям развертывания нескольких агентов, привязанных к отдельным процессным областям [11].

В совокупности данные инициативы отражают движение SAP в сторону объединения исполнения на уровне микросервисов, семантического контекста и адаптивной агентной обработки, прежде всего, в областях прогнозирования, предиктивной аналитики и управляемой автоматизации.

Oracle: интегрированный стек с AI-расширениями

ERP-решения Oracle, включая Oracle ERP Cloud и NetSuite ERP, используют облачную архитектуру с модульными сервисами и развитыми REST- и SOAP-интерфейсами, что соответствует современным практикам проектирования микросервисов. Эти платформы объединяют финансовые, логистические и операционные модули, рассчитанные на масштабируемость и независимое развитие.

В части применения адаптивного искусственного интеллекта, Oracle реализует следующие подходы:

• интеграцию AI и автоматизации в области финансового управления, прогнозирования спроса и операционной аналитики, что позволяет получать интеллектуальные инсайты и снижать объем ручных операций, однако в основном - в форме встроенного машинного обучения, а не полноценной агентной оркестрации [12] [17];

• использование компонентов роботизированной автоматизации процессов (RPA) для автоматизации повторяющихся сценариев, обеспечивающих ограниченную форму автономного исполнения в рамках заранее определенных шаблонов.

Подход Oracle представляет собой формирование интеллектуальной надстройки поверх модульных сервисов, добавляющее предиктивные возможности и автоматизацию, но не обеспечивающее полноценную агентную оркестрацию поверх семантического уровня.

Microsoft Dynamics 365 реализует платформенно-ориентированный подход, объединяющий ERP и CRM с глубокой интеграцией в экосистему Microsoft, включая Azure, Power Platform и Office 365. Архитектура Dynamics основана на модульных сервисах с расширяемостью через API, что соответствует современным принципам организации микросервисов [1] [12] [14].

AI-интеграция в Microsoft включает:

• Copilot и интеллектуальные подсказки, встроенные в бизнес-процессы Dynamics для поддержки предиктивной аналитики, автоматизированной интерпретации данных и контекстных рекомендаций, интегрированных с Power BI и Power Automate [14] [18];

• low-code инструменты Power Platform, позволяющие бизнес-пользователям создавать автоматизированные процессы, приложения и логические правила, динамически взаимодействующие с ERP-данными без значительных затрат на разработку.

Хотя реализованные механизмы пока не формируют формальный автономный агентный слой в том виде, который описывается в данной работе, они демонстрируют функции адаптивного рассуждения и поддержки посредством искусственного интеллекта, реализованные поверх микросервисной основы.

Infor: доменно-ориентированная автоматизация в CloudSuite

ERP-продукты Infor CloudSuite сочетают модульные отраслевые приложения, развернутые в облачной инфраструктуре, с встроенными интеллектуальными возможностями:

• Infor Coleman AI - набор интеллектуальных сервисов для прогнозирования спроса, оптимизации запасов, выявления аномалий и генерации персонализированных уведомлений [17];

• встроенная предиктивная аналитика на уровне сервисов, обеспечивающая поддержку принятия решений в производстве, цепочках поставок и операционной деятельности без необходимости использования отдельных BI-инструментов.

Подход Infor объединяет микросервисную модульность с предиктивной аналитикой и автоматизацией, ориентированной на конкретные отраслевые сценарии, представляя собой практичную, но более ограниченную реализацию сочетания исполнения и интеллектуальной обработки.

Другие платформы с развивающимися агентными возможностями

В сегменте среднего бизнеса и специализированных решений такие вендоры, как Workday, Epicor и IFS, также внедряют элементы интеллектуальной функциональности:

• Workday использует AI для поддержки планирования персонала, автоматизации финансовых процессов, мониторинга рисков и обеспечения комплаенса, реализуя адаптивную поддержку процессов в рамках своих ERP-сервисов [17];

• ERP-платформы среднего уровня добавляют предиктивную аналитику, автоматизированные средства контроля и контекстные рекомендации, однако, как правило, без полноценной агентной оркестрации и семантического уровня.

Сопоставление используемых решений с предлагаемой архитектурой

Анализ ведущих ERP-платформ показывает следующие устойчивые соответствия архитектурным элементам, описанным в данной работе:

• Микросервисы и модульные API — широко используются SAP, Oracle, Microsoft и Infor в качестве основы для масштабируемых и независимых корпоративных возможностей [1] [11] [12].

• Встроенные AI-механизмы и предиктивная аналитика — активно применяются для усиления отдельных функциональных областей, таких как прогнозирование, управление заказами и финансовая автоматизация [12] [17] [18].

• Семантические возможности и графы знаний — находятся в стадии формирования, наиболее заметны в инициативах SAP, связанных с AI Foundation и интеграцией графов [11] [15] [16].

• Управляемая поддержка агентов и пользовательские AI-агенты — первые инициативы, такие как агентный хаб SAP, указывают на начало формирования фреймворков, использующих агенты для выявления закономерностей, управления и контекстного исполнения процессов, однако эти решения пока находятся на ранней стадии по отношению к целостному видению архитектуры «агенты поверх микросервисов».

Современные ERP-платформы уже включают многие элементы, соответствующие отдельным архитектурным принципам, описанным в данной работе: модульность, интеллектуальную аналитику, автоматизацию и контекстные сервисы. Однако полное объединение семантически осмысленных агентов, оркестрирующих микросервисы в масштабах всей организации, остается задачей на будущее.

Продолжающееся развитие платформ со стороны ведущих вендоров указывает на то, что именно это направление становится следующим этапом эволюции архитектуры ERP-систем [11] [12] [13] [14] [15] [16] [17] [18].

Заключение

Сочетание агентных AI-платформ и микросервисов представляет собой качественный этап эволюции корпоративной ИТ-архитектуры, особенно в контексте ERP-систем. Формирование многоуровневой архитектуры позволяет организациям одновременно обеспечить надежность, аудируемость и соответствие регуляторным требованиям [1][3][4][8][9] [10].

Данная архитектура устраняет фундаментальные ограничения, присущие использованию только микросервисов или только агентных систем. Микросервисы обеспечивают детерминированное исполнение, но не обладают способностью к адаптации и рассуждению. Агентные системы, напротив, предоставляют автономное и контекстно-осознанное принятие решений, однако без опоры на микросервисную основу не могут гарантировать соответствие требованиям, воспроизводимость и транзакционную целостность. Интеграция этих подходов через семантический слой позволяет агентам работать в безопасных границах.

В результате мы получаем систему, которая сочетает:

• интеллектуальность и доверие;

• четкую реализацию бизнес-процессов и ориентированность на долгосрочные цели;

• обучение на основе опыта;

• детерминированное исполнение.

Предприятия получат масштабируемую, гибкую и устойчивую ERP-платформу, способную динамично реагировать на изменения, непрерывно оптимизировать операции и поддерживать строгие механизмы управления. Это создает основу для перехода от традиционных процессоцентричных систем к AI-нативным корпоративным платформам, ориентированным на достижение целей и согласующим операционное исполнение со стратегическими задачами бизнеса.

---

Ссылки

1. Newman, S. Building Microservices. O’Reilly Media, 2021.

2. Evans, E. Domain-Driven Design. Addison-Wesley, 2003.

3. Wooldridge, M. An Introduction to MultiAgent Systems. Wiley, 2009.

4. Russell, S., Norvig, P. Artificial Intelligence: A Modern Approach. Pearson, 2020.

5. Leitner, P., et al. “A Systematic Review of Microservices Architecture.” IEEE Software, 2019.

6. Van der Aalst, W. Process Mining: Data Science in Action. Springer, 2016.

7. Gartner. “From Process-Centric to Goal-Driven ERP.” Gartner Research, 2023.

8. Noy, N., et al. “Industry-Scale Knowledge Graphs.” Communications of the ACM, 2019.

9. ThoughtWorks. Technology Radar: AI Agents. ThoughtWorks, 2024.

10. SAP. “Business AI and the Future of ERP.” SAP Whitepaper, 2023.

11. SAP Help Portal. AI Agent Hub | SAP LeanIX. SAP Help Portal.

12. Microsoft Dynamics 365 Blog. Introducing next generation AI and Copilot capabilities for ERP. Microsoft, 2023.

13. CIO.com. SAP goes aligning on agentic AI at SAP Sapphire. 2025.

14. Microsoft Tech Community. Introducing next generation AI and Dynamics 365 Copilot capabilities for ERP. 2025.

15. SAP News Center. SAP Business AI: Innovation and Partnerships. 2025.

16. Learning SAP. Describing AI Foundation capabilities. SAP learning course.

17. ERP Software Blog. AI for ERP: Infor CloudSuite and Workday. 2025.

18. Dynamics365Group.com. Dynamics 365 AI: Transforming Business with Microsoft Copilot. 2025.