已经上了 RPA 还要不要再投智能体?先分清规则型环节和要判断的环节
去年刚把 RPA 铺到财务共享中心,几十条流程跑得挺稳,今年又有人拿着“智能体”的方案来敲门——这是当下不少企业数字化负责人正在经历的场景。不加吧,怕错过窗口期;加吧,又怕和已有的 RPA 重复投入,最后变成两套系统互相打架。
Gartner 曾预测,到 2028 年约三分之一的企业软件将内置 Agentic AI 能力,而 2024 年这一比例还不到 1%;但同一家机构也提醒,相当比例的智能体项目会因为场景选错而在两年内被叫停。这说明问题不在于“要不要投”,而在于“投在哪”。本文提供一个简单可操作的判断方法:先把业务流程切成规则型环节和要判断的环节,再决定预算往哪边放。
一、先别急着加预算:RPA 和智能体解决的不是同一类问题
很多企业把 RPA 和智能体放在同一个篮子里比较,觉得后者是前者的“升级版”,这恰恰是决策失误的起点。二者解决的是完全不同层级的问题。
1.1 一个被反复混淆的概念:自动化不等于智能化
- RPA 的本质是“照着做”:它把人工在界面上的点击、录入、复制粘贴固化成脚本,只要输入和界面不变,它就能 7×24 小时不出错地执行。
- 智能体的本质是“想清楚再做”:它依托大模型的理解、推理和规划能力,面对没有预设路径的情况,能自己拆解任务、调用工具、判断结果是否合理。
- 两者不是替代关系,而是上下游关系:RPA 解决“手”的问题,智能体解决“脑”的问题。缺了手,决策落不了地;缺了脑,流程遇到例外就停摆。
把这两件事混为一谈,最常见的后果是:用智能体去做本该由 RPA 完成的固定搬运,成本翻了几倍、稳定性反而下降;或者用 RPA 硬扛需要判断的环节,流程越写越复杂,维护成本高到运维团队想放弃。
1.2 判断的分水岭:这个环节会不会“遇到没见过的情况”
一个简单的自测方法:把这条流程过去三个月处理过的所有单据、工单、订单翻出来,看有多少比例是完全符合既定规则的。
- 如果 90% 以上都长得一模一样,输入格式固定、判断条件明确、结果唯一,那就是典型的规则型环节。
- 如果 超过 20% 需要人停下来想一想,比如单据信息不全要判断合理性、客户诉求模糊要判断意图、异常情况要判断走哪条处理路径,那这就是要判断的环节。
这条分水岭,基本决定了一项流程该交给谁来做。
二、规则型环节:RPA 仍然是性价比最高的选择
先把结论放在前面:已经建好的 RPA 流程,只要运行稳定、维护成本可控,绝大多数不需要推倒重来。
2.1 什么样的环节属于“规则型”
典型特征包括:
- 输入结构化:数据来自固定系统、固定字段、固定格式
- 判断条件可穷举:if-else 分支有限,且规则由制度文件明确规定
- 结果可验证:执行完对错立判,不需要人为二次评估
- 执行频次高、变化少:每天跑、每周跑,规则一年改不了几次
比如跨系统取数、批量录入、报表生成、定时导出、账目核对等,都属于这一类。某集团企业有 114 家单位主体、近 500 个银行账号,出纳每月要重复下载流水、导出科目余额、逐笔核对差异。这类工作规则清晰、动作重复,交给数字员工后单次处理时间从 40 分钟压到 14 分钟,效率提升约 3 倍,人工工作量减少九成以上——这类收益,本质上来自“稳定执行”,而不是“智能决策”。
2.2 RPA 在这些环节的优势,智能体短期内替代不了
- 确定性高:同样的输入必然得到同样的输出,审计可追溯,出问题能精准定位到某一行脚本。
- 单次成本低:一个成熟流程的边际执行成本接近于零,适合海量、高频的重复操作。
- 不依赖模型:没有幻觉风险,不会因为模型版本更新导致行为漂移。
所以在规则型环节上继续用 RPA,不是保守,而是理性。
2.3 但规则型环节的天花板很明显
真正让企业感到“RPA 不够用”的,往往不是流程本身跑不动,而是流程的前后两端没人接:前面单据格式一变就报错,后面出现异常只能挂起等人工。这才是智能体要补的位置。
三、要判断的环节:这才是智能体的主战场
如果一条流程里,员工每天要花大量时间在“看一眼、想一下、决定怎么办”上,那这部分投入 RPA 基本是浪费。
3.1 判断型环节的三个典型特征
- 输入是非结构化的:PDF 扫描件、聊天记录、邮件正文、语音工单,格式千变万化。
- 规则本身是模糊的:制度写了“原则上”“视情况而定”,需要结合上下文理解。
- 处理路径不唯一:同一个问题可能有三四种合理处理方式,取决于客户等级、历史记录、当前资源状况。
3.2 为什么传统 RPA 在这里容易“卡壳”
RPA 擅长的是“按坐标点按钮”,一旦界面改版、字段错位、单据方向歪了,脚本就会失败。更关键的是,它无法理解“这张发票的住宿标准是否超标”“这个客户的要求是否属于可赔付范围”这类需要语义理解的问题。企业为了覆盖这些情况,只能不断加分支、加异常处理,最后流程复杂到没人敢改。
3.3 智能体带来的能力跃迁
- 理解:把扫描件、邮件、聊天内容转成结构化信息,不需要预设模板
- 推理:结合企业制度知识库,判断这笔业务是否合规、该走哪条路径
- 规划:把一个大任务拆成若干子步骤,自主决定先做什么后做什么
- 执行:调用 RPA、API、数据库等工具把决策落地
这里可以举个具体例子。某大型电力集团下辖 4 个省份、188 家分子机构,年单据审核量超过 25 万笔,业务类型有 120 多种,单一业务类型下就包含十余条审核规则。这种场景下,纯 RPA 只能做“把单据捞过来”,真正的判断做不了。他们采用的是“大模型 + 小模型”双轨制:小模型负责 OCR 识别和固定规则校验,大模型负责制度解析、语义理解和疑难单据判定,AI 数字员工承担初审工作,人工只做最终确认。结果是初审替代率达到 66%,人工负荷降低 60% 以上,准确率提升到 99.2%,项目投入约 10 个月收回成本。
通过实在Agent,这类“理解—判断—执行”的链路可以被完整串起来:大模型负责解析制度文本并生成可执行规则,屏幕语义理解能力让数字员工能操作那些没有开放接口的老系统,全链路日志则保证每一次判断都有据可查。这也是为什么很多企业上智能体,第一步并不是替换 RPA,而是在 RPA 前面加一层“会看会想”的大脑。
四、一套可落地的判断框架:给你的流程做一次“分诊”
道理讲清楚了,具体到自己的业务该怎么切?可以用下面三步。
4.1 第一步:把流程拆成“动作级”颗粒度
不要用“财务报销流程”这种笼统说法,要拆到“识别发票抬头—比对差旅标准—判断是否超标—录入审批单—推送审批流”这样的动作级别。然后给每个动作打两个标签:输入是否固定、判断是否唯一。
4.2 第二步:按四象限决定投入方式
| 环节类型 | 特征 | 建议方案 |
|---|---|---|
| 固定输入 + 唯一判断 | 纯规则型 | 继续用 RPA,不必改动 |
| 固定输入 + 模糊判断 | 规则清晰但需要语义理解 | 智能体判断 + RPA 执行 |
| 非固定输入 + 唯一判断 | 格式多变但规则明确 | 智能体做信息抽取 + RPA 做后续动作 |
| 非固定输入 + 模糊判断 | 高度依赖经验 | 智能体主导,人工兜底复核 |
这个表格的价值在于:它能让“要不要投智能体”变成一个有边界的问题。你会发现,真正需要新增投入的,往往只占全流程的两三成。
4.3 第三步:优先选“判断密度高、试错成本低”的环节切入
- 判断密度高:员工在这件事上花的时间越多、越依赖老员工经验,智能体的价值越大
- 试错成本低:判断错了有人兜底、不会直接造成资金损失或客户投诉,适合先跑起来
财务初审、客服工单分派、订单异常处理,普遍符合这两个条件,适合作为第一批场景。
五、混合编排才是终局:RPA 的“手” + 大模型的“脑”
真正成熟的企业,最终都会走向混合架构,而不是二选一。
5.1 一个航空业的完整样本
某国有控股航空公司在航班大面积延误时面临三重压力:酒店资源分配靠经验、退改签柜台排长队、赔付金额人工核算易出错。他们的做法是把大模型的决策规划能力与 RPA 的跨系统执行能力融合,构建了三类智能体:
- 资源调度智能体:实时抓取延误数据,结合旅客身份标签和协议酒店库存生成分配方案,再由 RPA 自动登录酒店系统完成批量预订。响应速度提升 50%,协议酒店利用率提升 20%,无效预订成本降低 30%。
- 客票服务智能体:自动读取旅客行程,跨系统完成改签,并主动推荐临近航班方案,把“被动咨询”变成“主动推荐”,办理提速 60%。
- 赔付关怀智能体:结合延误时长、责任判定、舱位等级和会员身份自动核算补偿金额,方案生成从小时级压缩到分钟级,核算准确率 100%。
这个案例的关键不在于用了多少智能体,而在于分层:规则明确的赔付标准、退改签政策交给规则引擎和 RPA 稳定执行,需要结合旅客画像和历史记录的方案推荐交给大模型判断。综合效率提升 75%,人力释放 30 人/天,投诉率下降 50%。
5.2 三类流程的投入取舍建议
- 纯规则型(如网银对账、定时报表):维持现有 RPA,把预算省下来
- 规则为主、判断为辅(如财务初审、报销审核):优先补智能审单能力,让大模型处理异常单据,RPA 继续跑标准路径
- 判断为主、协同复杂(如航延保障、供应链异常调度):以智能体为编排核心,把 RPA 作为它调用的一种“工具”
实在Agent 在这类混合编排中的价值,主要体现在三个层面:一是通过屏幕语义理解,让智能体能操作那些没有 API 的老系统,不必为了上智能体而先做一轮系统改造;二是把规则型动作沉淀成可复用的自动化组件,供智能体按需调用;三是提供全链路日志和权限管理,让每一次 AI 判断都能回溯到具体规则和原始数据,满足审计要求。
六、决策清单:什么情况下该加,什么情况下可以再等等
最后给一份可以直接拿去开会用的判断清单。
建议加的三种情况:
- 流程中存在明显的“人停下来想一想”的节点,且这些节点占用了大量人力
- 业务量增长快于人员增长,靠加人已经不可持续
- 已有 RPA 流程频繁因输入格式变化而中断,维护成本居高不下
可以再等等的三种情况:
- 现有流程 95% 以上都是标准动作,规则一年改不了几次
- 业务本身规则尚未沉淀,制度还在频繁调整
- 缺少可用的历史数据用于验证效果,也没有合适的人做兜底复核
一位制造业 CIO 的说法很有代表性:RPA 解决的是“人不愿意干的活”,智能体解决的是“人干得很累但说不清楚的活”。这两笔预算对应的是两种不同的管理问题,不能相互替代,也不该相互挤占。
结尾
回到最初的问题:已经上了 RPA,还要不要再投智能体?答案取决于你的流程里,“要判断的环节”占多大比重。规则型环节继续交给 RPA,稳定、便宜、可审计;判断型环节交给智能体,让它理解、推理、规划,再调用 RPA 把决策执行下去。先分诊、再投入,比一次性推倒重来要可靠得多。建议从一个判断密度高、试错成本低的场景开始,跑通一个闭环,再谈规模化。
常见问题解答
Q1:已经有几百条 RPA 流程在跑,上智能体会不会把现有资产废掉?
不会,前提是架构设计正确。智能体不是替代 RPA,而是调用 RPA。已有的稳定流程可以封装成自动化组件,供智能体按需触发,原有投入继续产生价值。真正需要改造的只是流程中那些“遇到例外就挂起”的断点。
Q2:智能体的判断准不准?出了问题谁负责?
这取决于场景选择和兜底设计。在财务审单、报销审核这类有明确制度依据的场景,通过外挂企业知识库和交叉验证,准确率可以做到 99% 以上。关键是保留人工确认环节和全链路日志,让每一次 AI 判断都能追溯到具体规则和原始单据,做到可解释、可复核、可追责。
Q3:投入多久能见效?
取决于场景复杂度。规则相对清晰的单据审核、工单分派类场景,通常在数月内可以看到初审替代率明显提升;有企业反馈项目投入约 10 个月收回成本。而涉及多部门协同的复杂调度场景,周期会更长,建议先做单点验证再扩展。
Q4:是不是所有流程都值得上智能体?
不是。如果一条流程 95% 以上的输入格式固定、判断条件可穷举,用 RPA 的成本和稳定性都更优。强行上智能体不仅增加成本,还会引入模型不确定性。判断标准很简单:看流程中有多少比例需要人停下来思考,这个比例低于 10% 就不必着急。



