为什么智能体化RPA在企业采用中超越纯AI智能体

UiPath在2025年1月发布了一份报告，调研了252位美国IT高管。这些高管来自年收入超过10亿美元的企业。报告里有几个数字很有意思。

90%的受访者认为他们的业务流程可以通过智能体化AI（Agentic AI）改进。77%表示准备在今年投资智能体化AI。37%已经在使用智能体化AI，93%对探索这项技术表示非常感兴趣。

这些数据听起来很乐观。但另一组数据就没那么好看了。

根据Gigster的调研，企业智能体化AI的全面部署率只有11%。尽管试点项目从2024年第四季度的37%飙升到2025年第一季度的65%，但真正落地的比例几乎没变。

McKinsey的研究更直接。92%的CIO启动了生成式AI项目，但很少有人实现了投资回报。用McKinsey合伙人Brendan Gaffey的话说：AI无处不在，除了在损益表上。

这就是当前企业AI自动化的真实状态。热情很高，落地很难。

为什么试点成功，生产失败

从试点到生产，中间隔着三座大山。

第一座是系统集成。企业平均有175个以上的业务系统。很多是老旧系统，没有现代API。AI智能体需要和这些系统无缝交互，但现实是大部分系统根本没为AI准备好。

IBM MIT AI Lab的研究科学家Shae Khan说得很清楚：AI工具可能最终会取代一些RPA部署，但RPA部署更便宜、更快，而且比大多数AI工具更不容易出错。

第二座是安全和权限控制。AI智能体需要足够的权限才能完成任务，但企业对把敏感数据和关键系统的访问权交给AI非常谨慎。Reuters Institute发现48%的主流新闻网站在屏蔽OpenAI的爬虫。Cloudflare去年推出了工具，让网站可以轻松屏蔽AI智能体。

第三座是智能体运维。不像传统软件，AI智能体需要持续监控、调试、验证。目前业界缺乏成熟的框架和最佳实践来大规模管理AI智能体。一个智能体在测试环境跑得好好的，放到生产环境可能就会出各种问题。

确定性：企业选择智能体化RPA的核心原因

Wesco Distribution全球智能自动化卓越中心总监Max Ioffe说了一句关键的话：对于大规模流程，你需要清晰的编排和治理，这意味着需要像RPA这样的确定性技术。

这句话点明了问题的核心。

纯AI智能体的问题在于它不够确定。它可能会产生幻觉。它可能会偏离轨道。OpenAI的Operator在实际测试中就出现过这种情况。当你用AI智能体处理银行转账或医疗记录时，"可能会出错"是不可接受的。

RPA则不同。它按照预定义的脚本执行，每次都以相同的方式工作。Rocket Mortgage的数据科学家Arjun Bali总结得很到位：RPA对于自动化基于规则的、重复性的冗余任务仍然非常相关，特别是在银行、保险和医疗等对错误有很大负面影响的行业。

这就是为什么智能体化RPA成为企业的首选。它把RPA的确定性和AI的智能结合起来。

Barclays的实践：最低30%收益

Barclays银行的全球流程自动化总监Sundar Ganesh分享了他们的经验。

Barclays在2019年建立了流程自动化卓越中心（PACE），提供RPA、机器学习和工作流工具的端到端交付。Ganesh说他们能够实现最低30%的收益，包括工作量减少和客户体验提升。

现在Barclays正在和UiPath合作，探索如何用智能体统一碎片化的工作流，特别是在抵押贷款这样的复杂流程中。

Ganesh强调了一个关键点：差异化因素不是基础设施，而是我们能够交付和部署的自动化数量。

他们开发了一种叫做"流程派对"的方法，不同于传统的黑客马拉松。首先有一个决定哪些流程进入"派对"的阶段，然后有几周时间准备，和治理、运营、技术团队一起工作，然后用三天时间执行，最后投入生产。

Ganesh说：这是用我们真实能力解决的真实问题。这不是头脑风暴，而是把东西投入生产。

Fiserv的案例：12000小时节省，98%直通处理

Fiserv是全球领先的金融科技公司。他们用UiPath的编排方法来简化商户类别代码的确定和验证流程。

这个流程以前是手动完成的，非常耗时。他们用UiPath来编排机器人进行简单的数据提取和网络搜索交叉验证，然后部署生成式AI和智能体来更新和选择正确的代码。

结果是：通过这些自动化节省了12000小时，98%的直通处理率。剩下2%智能体不确定的情况由人工检查和更新。

这个案例说明了智能体化RPA的正确使用方式：机器人处理重复工作，智能体处理推理，人工专注于监督和需要信任的决策。

控制代理：可调节的自主程度

UiPath CPO Graham Sheldon提出了一个概念叫"控制代理"（Controlled Agency）。

核心思想是：编排允许组织在对结果有信心的地方部署智能体，同时保持"调高或调低代理程度"的能力，根据性能和信任级别来调整。

这和纯AI智能体的"全自主"理念完全不同。企业需要的不是一个完全自主的AI，而是一个可以控制自主程度的系统。

在抵押贷款审批流程中，这种分层方法是这样工作的：UiPath的BPMN建模智能体和机器人处理文档提取、资格验证、任务执行和系统更新，只有在需要专家判断时才让人工介入。

这种方法让工作流看起来不像是系统之间的交接，而更像是一个协调的数字团队。

IDC预测：RPA支出将翻倍

UiPath在报告中引用了IDC的预测：RPA支出将在2024年到2028年间翻倍，达到82亿美元。

这个数字说明RPA不仅没有消亡，反而在增长。

UiPath公共部门CTO Chris Radich说：RPA没有消亡，它在进化。我们测试过各种AI解决方案用于流程自动化，但当你需要某个东西每次都以完全相同的方式工作时，没有例外、没有解读，RPA仍然是无可匹敌的。

他预测智能体最终会控制RPA机器人，各种机器人流程成为智能体的工具箱。今天我们为不同场景构建单独的RPA工作流。明天，有了智能体能力，一个智能体会评估传入的请求，决定是需要RPA进行数据处理、API调用进行系统集成，还是人工处理复杂决策。

智能体化RPA的正确架构

基于我收集的信息，智能体化RPA的正确架构应该是这样的。

底层是RPA机器人，处理结构化、重复性的任务。中间层是AI智能体，处理需要推理和决策的部分。上层是编排系统，协调机器人、智能体和人工的协作。

SleekFlow的CTO Lei Gao预测：RPA可能会成为基础层，仍然有价值，但越来越隐形，嵌入到AI驱动的编排系统中。

McKinsey的Gaffey把这个进化过程分成几个阶段。第一阶段是基础的个人支持工具，像Copilot，效率提升10%到20%。第二阶段是更有组织的任务和工作流自动化，离散流程开始看到30%左右的ROI。第三阶段是自动化整个领域，比如HR或财务，通过跨组织孤岛整合获得更大收益。

真正的转变发生在自动化跨越整个客户或业务旅程的时候。这是编排工具和AI智能体能够产生最显著影响的地方。

选择标准：什么时候用RPA，什么时候用AI智能体

RPA2AI Research的CEO Kashyap Kompella给出了选择标准。

用RPA的情况：流程是重复的、基于规则的；输入是结构化和可预测的；不需要决策。

用AI智能体的情况：任务涉及非结构化数据；需要持续学习和适应；需要做判断。

两者结合的情况：流程包含结构化和非结构化元素；RPA可以处理执行而AI管理分析。

具体例子包括：数据提取时RPA处理结构化文档，AI智能体处理非结构化文档。自动邮件回复时RPA管理模板回复，AI智能体个性化回复。客户入职时RPA执行数据输入，AI智能体基于客户信息做决策。智能文档处理时RPA提取数据，AI智能体解读数据。IT支持时RPA重置密码，AI智能体诊断和解决更复杂的问题。

要考虑的关键因素

在选择技术路线时，有几个关键因素需要考虑。

成熟度方面，RPA已经存在15年，在企业中建立得很好。AI智能体是更实验性的技术，大规模业务部署的例子很少。

可靠性方面，AI智能体的高自主性意味着它们可能会产生幻觉，在尝试完成任务时偏离轨道。RPA机器人则严格按照脚本执行。

计算成本方面，AI智能体的计算成本相当高，而RPA软件相对轻量。AI智能体还可能由于LLM推理时间引入延迟。

API依赖方面，AI智能体依赖API可用性来访问系统。在API访问有限的环境中，RPA可以直接与UI交互，而AI智能体会遇到困难。

安全治理方面，Gartner预测，拥有健全治理的公司到2028年将减少40%的伦理事件。这意味着治理不是可选的，而是必须的。

写在最后

纯AI智能体的未来确实很诱人。完全自主、能推理、能适应、能学习。但在企业的关键流程上，可靠性比创造力重要得多。

UiPath CEO Daniel Dines说：随着AI系统变得更加自主，企业必须在自主性和人工监督之间取得平衡，以防止意外后果，并保证AI驱动的行动符合伦理、合规和法律标准。

这就是为什么智能体化RPA成为企业的选择。它不是在RPA和AI智能体之间二选一，而是把两者结合起来，用RPA的确定性做基础，用AI的智能做增强，用编排系统做协调。

如果你正在考虑企业自动化，建议从现有的RPA投资出发，逐步引入AI能力。不要试图一步到位实现完全自主的AI智能体。在银行、保险、医疗这些对错误零容忍的行业，确定性比创造力重要得多。

RPA没有消亡，它在进化。

延伸阅读

AI自动化篇

AI全自动为你干活的方法：如何用Playwright MCP让AI操控浏览器，实现自动化任务。

单凭这一个小工具，AI就能颠覆你80%的工作流：Playwright MCP的详细配置和实战案例。

Vibe Marketing：用AI自动化你的营销工作流：从Vibe Coding到Vibe Marketing，如何用AI工具实现营销自动化。

AI认知篇

E^F 定律：为什么有些人越忙越穷，有些人轻松高产？答案藏在指数里。

造妖指南：如何成为信息时代的麦克斯韦妖。

系列教程

提示即产品，出海赚美金：从零开始用AI构建出海产品的完整教程系列。