AI Agent競技，RPA企業的智能化突圍

AI初創公司Anthropic於2024年11月發佈了一款計算機使用的AI Agent。該代理通過大模型Claude 3.5 Sonnet，可以實現移動光標、單擊按鈕和鍵入文本，以及填寫表格、導航網站以及與軟件應用交互等計算機操作。

今年的1月23日，OpenAI公司模仿Anthropic也推出了名為Operator的計算機使用AI Agent，並將其描述為「一個可以去網絡為你執行任務的代理」，可以與網絡上的「人們每天使用的按鈕、菜單和文本字段」進行交互，自動執行如會議安排、表格填寫、餐廳預訂等個性化任務。

這些AI Agent是妥妥的機器人流程自動化（RPA）系統，不過其背后依靠了一個自然語言大模型（LLM），其應用創建比RPA更簡單、方便和智能。

自動化技術的發展一直是科技行業內最受關注也最容易引起爭論的話題，除了降低成本、提高效率備受歡迎外，替代人們完成重複性工作，甚至替代部分人的工作，最受詬病。

隨着基於LLM的AI Agent的應用，人們越來越多地關注其對傳統RPA的影響，會不會通過AI增強功能對現有技術與品牌進行重塑呢？

AI Agent與RPA，並行的兩條「車道」到了交匯的時候

AI Agent和RPA其實是兩個完全不同的技術領域，一個就像熱衷於學習一切的「實習生」，另一個就像一臺可靠的辦公室中的複印機，日復一日地地工作。

2023年，全球人工智能市場價值約為1366億美元，預計從2023年到2030年，它將以37.3%的驚人複合年增長率增長。其中，AI Agent是AI落地應用的主要手段。

與此同時，RPA軟件市場在2022年的收入約為29億美元，預計到2025年將達到60億美元大關。

儘管眾人皆知AI Agent是「未來」，RPA融入AI Agent是大勢所趨，但是AI Agent與機械性較強的RPA的區別仍然分明。

AI Agent與RPA雖然是兩種不同的技術，但是其應用效果卻驚人的一致。AI Agent雖隱藏於大模型下，但實際上是一種能夠獨立做決策、自動運行的人工智能技術，無需人類時刻指引。它就像數字夏洛克·福爾摩斯，能從數據中探尋線索、汲取教訓並調整自身策略。

AI Agent的特點日益鮮明，如自主性，不需要像「霸道父母」般時刻監督，能自行、自動開展工作。學習能力強，工作時間越長，就越「聰明」。

同時擁有更強的適應性，當應用環境發生改變（如市場、趨勢變化，或者出現大量新數據），AI Agent能調整策略。

以醫療保健為例，實時分析患者數據的AI Agent，會動態調整治療計劃，提高治癒率，降低再入院率。

RPA本質上是一組軟件機器人，執行重複性任務，讓用户不必親自操作，可以説是重複性工作的得力助手。當然RPA不會像人一樣，抱怨這些重複性工作的枯燥、無趣。

RPA和AI Agent一樣，能夠實現任務自動化，處理枯燥、繁瑣的工作如會計覈算，讓用户能專注更有價值的工作如管理會計。處理任務極為迅速，如發票錄入和數據庫遷移。

同時，RPA屬於非侵入性集成，無需拆除整個IT基礎設施，就像給房子擴建而非重建。同時可擴展性高，工作量增加時，只需啟動更多機器人，且無需額外空間或特殊支持。如電商的物流部門使用RPA機器人應對季節性訂單激增問題，確保訂單處理順利進行。

同樣，AI Agent與RPA也有顯著的區別。AI Agent和RPA都扮演着重要的角色，但在一些關鍵方面存在顯著差異：

核心功能方面，AI Agent展現出高度的智能化，藉助機器學習來解決問題，並且能夠以富有風格的方式處理複雜的任務。

而RPA則更像是一位忠實的夥伴，會嚴格遵循給定的指示來完成各項任務。它缺乏創造力，也沒有那種靈光乍現的「頓悟」時刻，每天的工作就像按照寫好的劇本，穩紮穩打地進行，踏踏實實地完成既定的任務。

學習能力方面，AI Agent具備強大的學習能力，能夠從成功和失敗的經歷中吸取教訓，並據此進行自我改進，如同一個人在工作中不斷歷練，從而提升自己的技能水平。Forrester 2023年的一份報告就顯示，在客户服務場景中使用AI Agent的公司，其投訴解決時間縮短了30%，充分體現了AI Agent卓越的學習和優化能力。

與之形成鮮明對比的是RPA就像一個有固定功能的設備，不會學習，始終按照預設的指令去執行任務。

用例複雜性方面，AI Agent適用於處理複雜且需要智能決策的任務。當面臨需要預測趨勢、解釋人類語言等這樣充滿挑戰性的任務時，AI Agent能夠憑藉智能分析來理解和處理複雜的信息，尋找解決方案。

RPA則更擅長處理那些簡單且重複的工作，如獲取數據、記錄信息、進行勾選等操作。

靈活性和可擴展性方面，AI Agent具有較高的靈活性，當外界條件發生變化時，它能夠及時做出調整以適應新的環境。不過，AI Agent在擴展時可能需要更多的計算資源。

RPA則在擴展方面具有顯著優勢，非常容易進行擴展。如果需要提高產出，只需增加同樣型號的機器人即可。例如，一家大型保險公司在自然災害后的索賠處理激增期間，部署了200多個RPA機器人，加快了賠付速度，並將客户滿意度評級提高了近20%。

AI Agent和RPA在業務應用中各有其專注的領域。

AI Agent在客户服務領域，其應用表現爲具備超強能力的聊天機器人，不僅能給出答案，還可理解上下文並解決問題，使客户願意與之交流；在醫療保健診斷領域，藉助AI驅動的圖像分析，可在掃描中發現早期預警信號，輔助醫生治療；在財務預測方面，能夠預測市場趨勢，助力CFO採取數據驅動的行動；在供應鏈優化領域，可依據情況變化不斷調整物流，面對如卡車延誤、港口關閉等狀況也能有備份計劃。

而RPA在數據遷移領域，能將信息從舊系統遷移到新系統，避免團隊進行繁瑣的複製粘貼工作；在發票處理方面，輸入發票詳細信息的速度極快；在人力資源入職領域，可自動化完成招聘新員工時枯燥的管理工作；在報告生成領域，能為每周統計文檔收集和格式化數據，方便使用者周一登錄時直接使用。

從功能特性來看，AI Agent具備強大的智能分析與決策能力，而RPA主要是流程自動化，像數據遷移、發票處理、人力資源入職以及報告生成等，更擅長處理重複性、規律性強的事務，通過自動化操作來提高效率。

從應用場景來看，AI Agent主要聚焦於需要專業知識和深度理解的領域，以提供智能決策支持。RPA 則集中在那些基於規則、流程固定的業務流程，致力於簡化流程和節省人力。

在很多企業業務流程中，二者可以相互補充。如在一個大型項目里，RPA可以先進行數據收集和整理，然后AI Agent對這些數據進行深度分析，為決策提供依據，共同服務於企業數字化轉型，提升企業運營效率和競爭力，幫助企業在不同層面實現業務優化。

目前，大量企業都已經部署了RPA，很多業務流程的自動化也依賴RPA。Gartner報告中預測，到2023年底，90%的大型和超大型組織將部署某種形式的RPA，到2024年，75%的政府將啟動或實施至少三項超自動化計劃。

而AI Agent雖然前景被看好，但是應用相對較少，還沒有進入大規模推廣階段。

從RPA到AI Agent，開啟企業自主運營新紀元

在AI技術迭代浪潮中，企業自動化技術正經歷革命性躍遷。傳統RPA與AI Agent的顯著差異正引發行業兩極分化。相較於僅能執行預設規則的RPA，AI Agent通過整合LLM實現認知升級，其核心在於實時學習推理與動態決策能力，不僅是工具升級，更是將機械自動化轉化為智能決策的範式變革。

從RPA到AI Agent，實現了技術本質的升維。AI Agent為帶LLM的RPA。傳統RPA依賴結構化數據，而AI Agent通過LLM解析複雜場景，典型應用如貸款談判場景：系統基於既定目標逆向構建對話策略，結合實時上下文、歷史數據、法律條款等多維度信息進行動態決策。這需要像人類般理解對話潛文本，而非簡單遵循決策樹。此類複雜場景已超越傳統自動化的邊界。

傳統RPA在工作方式上相對固定，而AI Agent具備實時學習與適應的能力，能夠展現出更細緻、更接近人類的處理水平。這種適應性在處理複雜的信息驅動型任務時尤為重要，因為此類任務往往無法通過簡單的重複和數據傳輸來有效解決。本質上，AI Agent為工作流程帶來了更強的適應性與靈活性，使其更能應對現實世界場景中充滿的不確定性。

從RPA到AI Agent，市場格局將重構。2018-2023年間AI與RPA的漸進式融合在2024年迎來質變。安德森·霍洛維茨基金在行業白皮書中預言「AI將吞噬RPA世界」。IntellectAI首席技術官Deepak Dastrala則揭示深層動因：RPA作為戰術工具專注規則性任務，而AI Agent通過數字孿生技術實現人類工作模式的戰略重構。

Layerup首席執行官Arnav Bastilla更描繪出未來的發展圖景：「通用自動化軟件將讓位於垂直領域專家型代理，這些專用系統能端到端解決行業特定問題。」

從RPA到AI Agent，進化壓力具有「雙重性」。儘管部分廠商將AI Agent包裝為「RPA 2.0」進行概念營銷，但是需要突破根本侷限：在保持效率優勢的同時，必須解決複雜場景適應性、持續進化能力等關鍵問題。

儘管AI Agent能夠處理比RPA更為複雜的任務，但要實現完全自主的預期，其表現可能還有所不足。比如，AI Agent雖然可以處理和分析海量數據（維權）並做出明智決策，然而在確保輸出結果的準確性和相關性方面，仍然需要大量人工監督。

正如業內人士警示，若AI Agent僅停留在流程自動化層面，或將重蹈RPA被替代的覆轍。這場技術革命的終極考驗，在於能否建立超越人類預設的真正自主智能體系。

AI Agent是帶有LLM的RPA，雖然前景可期，但要想真正發揮潛力，仍有許多挑戰需要克服。

無論是大型科技公司還是初創公司，都看好AI Agent將成為未來的關鍵趨勢。隨着技術的發展，人們逐漸減少對LLM的關注，轉而更加重視在工作流程中應用AI Agent。

英偉達CEO黃仁勛建議將所有IT部門演變為專注於AI Agent的HR。黃仁勛強調AI Agent可通過自動化高級任務來改變行業，提高生產力和創新能力。

Microsoft CEO Satya Nadella也強調AI Agent將成為員工隊伍的重要組成部分，並將此轉變類比為近年來的RPA興起，並對將AI Agent集成到現有系統中以提高效率持樂觀態度。

然而，現實情況或許並未完全如預期發展。行業曾預測RPA將自動執行大多數基礎工作，使團隊能夠專注於更高級別任務。如今，部分行業專家認為AI Agent正在經歷與RPA類似的階段。

將高級RPA更名為AI Agent，往往是一種藉助AI熱度的營銷手段。今年很多初創公司熱議AI Agent，但多數技術本質上是RPA，不過這會促使這些初創公司開始思考AI Agent循環相關問題。

當前AI Agent的框架與RPA高度相似，唯一不同在於引入了LLM，但即便如此，要將其適配到實際工作流程，仍感覺像是採用了一項10年前的技術。

當前部分初創公司推廣的AI Agent基本基於RPA框架，這種趨勢非常明顯。雖然隨着時間推移會向真正代理技術發展，但要成功實現，必須攻克可擴展性、互操作性以及準確的上下文理解等難題。

儘管轉型勢頭兇猛，RPA廠商仍面臨關鍵挑戰：如何將傳統RPA的2000+API接口與AI Agent的神經符號系統兼容；大模型推理成本使部分自動化場景ROI轉為負值（據Forrester調研，43%企業暫緩部署）等。

埃森哲技術總監指出：「當前所謂AI Agent仍是增強型自動化，真正具備戰略決策能力的代理不足5%"。

現在來看，AI Agent是RPA的升級而非替代品。自主代理專為處理複雜任務而設計，不過自主代理能否真正滿足行業期望，目前仍存在諸多爭議。一種理想的方式可能是將RPA和AI Agent相結合，充分發揮這兩種技術的優勢，以此達到最佳的應用效果。

IDC預測，到2026年RPA市場將分化為兩大陣營：專注基礎自動化的「流程工匠」與提供認知服務的「智能代理服務商」，后者市場份額有望突破60%。這場競賽的終局，或將決定誰能在萬億美元企業智能化市場中佔據制高點。

「所有」的RPA公司都加入了AI Agent競賽

在生成式AI技術催化下，全球頭部RPA廠商正加速向AI Agent賽道遷移。據Gartner最新報告，超過92%的RPA企業已將大語言模型（LLM）集成納入產品路線圖，一場圍繞「自動化+認知智能」的產業革命正在重塑行業格局。

幾乎所有的RPA公司都加入了AI Agent競賽，紛紛將AI Agent融入其產品和服務中，以提升自動化能力、優化業務流程，並探索新的市場機會。去年8月，Gartner發佈了《2024機器人流程自動化（RPA）魔力象限》報告，涉及13家RPA廠商，堪稱行業的風向標。

產品基因重構是RPA廠商正加速向AI Agent賽道遷移最重要的戰略路徑之一。RPA領域的頭部企業UiPath於2023年推出Autopilot智能中樞，將GPT-4與流程挖掘深度耦合，實現自然語言指令自動生成自動化腳本。其最新演示顯示，用户通過語音描述「優化應付賬款流程」，系統在3分鍾內構建出包含異常處理邏輯的完整RPA流程。

領導者象限中的另一家企業Automation Anywhere推出了AI + Automation Enterprise System，將GenAI流程模型與其傳統的自動化平臺相結合，以改善客户的工作流程自動化。該系統的一項突破性的新功能是能夠使用新的AI Agent Studio構建自定義AI Agent。

而AI Agent Studio開發平臺，為所有級別的開發人員提供了低代碼工具，以輕松構建、管理和治理自定義AI Agent。同時允許企業將內部知識庫與ChatGPT、Claude等大模型組合訓練垂直領域代理。其與德勤合作打造的財務稽覈AI Agent，在測試中實現98.6%的異常檢測準確率。

被SS&C收購的Blue Prism則推出AI Fabric模塊化架構，支持靈活接入各類LLM。其與Anthropic合作的醫療理賠處理代理，通過Claude模型解讀非結構化病歷，將理賠決策周期縮短70%。

進入象限的國內企業來也科技也發佈了三款基於數字化勞動力平臺的AI Agent數字員工產品，分別是數字員工開發助手、知識管理和問答助手，以及文檔審覈與風控助手。

數字員工開發助手自動解析複雜Excel，按需生成自動化流程，簡化開發並降低成本。擴展命令庫能迅速產出Python代碼，與RPA產品無縫對接，提升代碼複用率和開發速度。

知識管理和問答助手結合大模型、RAG、RPA和IDP技術，實現了對這些文檔的自動化理解和知識生成，為企業提供了一個智能化的解決方案。

文檔審覈與風控助手提升企業文檔處理的效率和準確性，保障企業現金流管理和業務運營風險的控制。

去年5月，國內著名的RPA企業達觀數據發佈了智能數數字員工Agent平臺，融合了RPA的高效執行能力和「曹植大模型」的先進語義理解技術，實現知識庫和大模型結合的企業應用。

在達觀智能數字員工平臺中，RPA作為數字員工的執行核心，自動化處理重複性任務。曹植大模型則賦予其理解複雜語言和任務規劃的能力，使數字員工能夠精準捕捉並響應用户需求。

此外，通過知識管理系統，數字員工能夠存儲和利用歷史數據，優化任務執行策略。這種結合不僅提升了企業運營的效率，還可推動業務流程的智能化和自動化。

RPA企業正在積極推進RPA與AI Agent的技術融合實驗。Automation Anywhere最新專利顯示，其正在研發「長期記憶存儲層」，使AI Agent能持續積累業務決策模式。在客户服務場景測試中，代理對重複問題的響應速度提升40%。

在多模態突破上，WorkFusion推出支持圖像理解的RPA+代理混合系統，在保險定損場景實現圖片損傷識別與理賠邏輯聯動的端到端自動化。

在仿真訓練場上，微軟研究院與UiPath聯合開發「Automation Gym」虛擬環境，AI Agent可在模擬業務系統中進行強化學習，某銀行測試案例顯示代理經48小時訓練后，信用卡審批流程優化效率超過人類專家。

國內企業實在智能自研垂直「塔斯（TARS）大語言模型」，在全行業首發產品級別Agent落地產品RPA Agent智能體（TARS-RPA-Agent），通過「自然對話式交互和超自動化執行打造全能業務專家」，再次大幅降低「數字員工」構建門檻，真正實現人人可用。而新版Agent 7.0實現了多代產品能力集成：實現一代RPA、二代IPA數字員工元素拾取、組件、流程編排等全部能力集成。

RPA廠商正加速向AI Agent賽道遷移另一個戰略路徑就是生態卡位戰。RPA廠商紛紛與雲服務綁定，如Automation Anywhere與AWS Bedrock達成戰略合作，客户可直接調用Amazon Titan等基礎模型；微軟將Power Automate與Azure OpenAI深度集成，實現RPA流程與Copilot智能體的無縫交互。

雲擴科技通過其Formation計劃，與合作伙伴攜手打造RPA商業新生態。雲擴不僅自主研發先進AI技術，還集成了全球各大技術夥伴的領先AI能力，從自動化到智能化，驅動企業生產力變革。

金智維先后與中國人工智能產業發展聯盟（AIIA）、百度AI加速器等達成生態合作關係。金智維推出的信創版本全面適配了國產主流的基礎軟硬件，進一步強化了其在數字化轉型中的技術實力。通過引入AI代理，金智維的RPA解決方案能夠更好地適應複雜業務場景，提升自動化效率。

同時，RPA與合作伙伴合作，在垂直領域攻堅。如UiPath聯合麥肯錫推出製造業智能代理解決方案，通過設備傳感器數據與LLM的實時交互，實現預測性維護決策自動化；國內來也科技發佈「政務AI辦事員」，集成70+地方政府辦事規程知識庫。

在開發者生態構建方面，不同企業都展開激烈競爭。如Pegasystems設立1億美元AI Agent創新基金，吸引ISV開發行業專用代理；SAP在AppCenter上線AI Agent市場，提供200+預訓練場景化智能體。

RPA公司積極佈局AI Agent，AI驅動的自動化惠及更多企業

AI Agent的潛在市場影響是巨大的，AI驅動的自動化將成為各個行業業務運營的基石。

在AI進步的推動下，各個行業的運營自動化方式將發生了重大轉變。隨着企業越來越多地採用AI Agent來完成更復雜和動態的任務，對傳統RPA解決方案的需求可能會下降。

Gartner關於RPA行業的魔力曲線報告數據顯示，最近幾年融合AI的RPA軟件市場一直在持續高速增長。到2022年RPA軟件市場達到28億美元，增長率降到了22.1%，仍是全球軟件市場增長的兩倍速。即便是在生成式AI和大語言模型兇猛來襲的2023年，RPA仍然保持了22%的市場增長率，同時市場規模也達到了32億美元。

Gartner認為，AI尤其是GenAI正在成為RPA的核心部分，能夠推動RPA更簡單的深入應用。RPA供應商正在大力投資GenAI，以幫助客户開發自動化。大多數供應商都專注於創建基於提示的開發功能，將自然語言請求轉換為自動化工作流程，使得自動化開發的技術性較低，並且更廣泛地可供組織中的平民開發人員使用。

融合GenAI之后，需要更強大的原生集成、第三方解決方案和編排能力。目前大多數RPA供應商通過支持多種自動化技術（包括IDP、BPA、對話式AI、LCAP、流程挖掘、任務挖掘、測試自動化和iPaaS）來提供超越RPA的平臺。這種融合到更大的自動化平臺，需要跨原生集成和第三方解決方案的強大編排能力。

然而AI Agent的成本效益和實際優勢仍然存在不確定性，公司必須權衡採用AI Agent的好處與相關成本以及對現有工作流程和系統的潛在中斷的風險。

從RPA到AI Agent過渡需要仔細規劃和實施，以確保AI Agent順利有效地集成到現有流程中。AI Agent在市場上的未來充滿希望，但它也需要一種現實且慎重的方法來充分實現其潛在優勢。

雖然RPA與AI Agent走向融合，但是用户在應用時依然面臨選擇問題。

首先AI Agent和RPA都有自己的侷限性。其中AI Agent限制最明顯的是數據依賴性。如果你向它提供垃圾數據，你就會得到垃圾結果。

實施複雜性，麥肯錫發現，53%的公司難以找到人才來實施先進的AI系統。另外投資也高。

RPA限制包括維護開銷大，更改底層系統，就必須重新訓練或重新編程機器人。可擴展性問題，您可以添加更多機器人，但最終管理與協調問題不容忽視。

實際上，大多數企業從小規模開始使用RPA來處理繁重的工作，然后引入AI Agent來處理棘手的事情。

在數字化轉型的浪潮中，RPA公司積極佈局AI Agent，敏鋭捕捉到AI Agent與自身業務融合的巨大潛力。藉助AI Agent強大的理解、分析和決策能力，RPA將原本依賴規則和預設流程的自動化，升級為能根據複雜多變的實際情況靈活應對的智能自動化體系。

隨着AI驅動的自動化逐步落地，越來越多企業從中受益。繁瑣的業務流程得以高效簡化，企業運營成本顯著降低；同時，智能決策的引入，讓企業在市場競爭中能夠更迅速、精準地把握機遇，做出更科學合理的戰略規劃，從而提升整體競爭力，在數字化時代搶佔先機。

文：放飛 / 數據猿

責編：凝視深空 / 數據猿