RPA終極發展方向瞄準AI Agent，超自動化智能體時代已經開啟

大語言模型時代，AI Agent影響下RPA發展的四個階段AI Agent火速影響自動化領域，自主智能體成為超自動化發展新風向自主智能體成為新一代自動化，對超自動化領域有什麼影響？持續進化的RPA，在大模型時代搭上了AI Agent的東風發展方向劍指自主智能體，藉助AI Agent走向AGI成RPA終極目標RPA終極發展方向瞄準AI Agent，超自動化智能體時代已經開啟

RPA之所以如此受歡迎，是因為它涉及使用「機器人」來自動化通常由員工完成的大批量、低複雜性及重複性任務。

RPA的基本情況很明確，這些機器人解放了員工，讓他們專注於更多增值任務，並降低企業的總體成本。它們可以每天 24 小時運行，避免人為錯誤，並處理大量任務。

適合RPA的任務包括處理事務、操作數據、響應查詢和跨系統通信。管理後台對於RPA高效應用，也證明了其與該技術的天然契合，比如銀行實施RPA來路由和回復投訴電子郵件，醫療保健公司使用RPA「機器人」來幫助處理和分析數百萬張供應商發票等。

長期以來，對於異構系統且雜亂的傳統自動化技術，RPA就像一顆銀彈，它的連接性使得很多企業往日投資的自動化技術得以煥發青春。

因此，RPA在金融服務、公共部門和能源等高度監管的領域得到了顯著的應用，當然前提在於這些部門往往不願意或無法對其系統進行大規模改變。

不只在這些領域，很多實施數字化技術多年的大型企業都存在這種情況，面向傳統自動化難以為繼、不想讓過往投資付之一炬以及不想繼續大量投資技術的種種需求，RPA從未變得如此受歡迎。

難解決的問題

即便RPA近幾年都以超過16%複合增長率快速成長，因為它的連接特性，始終被一些人戲稱為「創可貼」或者「粘結劑」。

這兩個綽號，恰恰反映了RPA不夠穩定的缺點。很多客戶抱怨機器人很脆弱，需要花費數小時來維護它們，而不是構建新的自動化。對很多業務場景來說，如果數據樣式發生變化，例如在表單中添加了新項目，機器人就無法繼續工作了，必須重新配置任務。

業務人員加一筆，維護人員跑斷腿。

正是因為RPA構建業務流程自動化的脆弱性，廠商們紛紛引入AI技術，並進一步向能夠構建端到端自動化的超自動化架構發展。

超自動化是一個以交付工作為目的集合體，通過吸納更多的技術打造一個自動化產品與技術集，是RPA、流程挖掘、智能業務流程管理等多種技術能力與軟件工具的組合，也是智能流程自動化、集成自動化等概念的進一步延伸。

超級自動化本身涉及到的關鍵步驟即發現、分析、設計、自動化、測量、監視和重新評估等均囊括在內，突出以人為中心，實現人、應用、服務之間的關聯、組合以及協調的重要性。

雖然超自動化在架構中引入了測量、監視和重新評估，但RPA仍舊處於相對獨立的運行單元。即便早已引入的AI技術，也難以保障RPA在業務靈活需求場景下運行穩定性。

直到今年大語言模型實現重大突破，AI Agent與RPA的結合才真正讓大家看到了希望。

RPA的Agent機遇

現在幾乎所有技術供應商與組織都在轉向大語言模型（LLM），隨着更多廠商的不斷探索與嘗試，我們看到一種新型自動化正在興起，它就是自主智能體（Autonomous Agent，AI Agent的一種）。

擴展閱讀：從引入併集成多LLM到發布自研模型，RPA與LLM的融合進度怎樣了？

AI Agent（AI智能體）是一種能夠感知環境、進行決策和執行動作的智能實體。不同於傳統的AI，AI Agent 具備通過獨立思考、調用工具去逐步完成給定目標的能力。

AI Agent 的工作僅需給定一個目標，就能夠針對目標獨立思考並做出行動，它會根據給定任務詳細拆解出每一步的計劃步驟，依靠來自外界的反饋和自主思考，為自己創建 prompt以實現目標。

在類別上，AI智能體分目前可分為自主智能體（Autonomous Agent）和生成智能體（Generative Agent）。自主智能體如Auto-GPT，能夠根據人們通過自然語言提出的需求，自動執行任務並實現預期結果。在這種合作模式下，自主智能體主要是為人類服務，更像是一個高效的工具。

擴展閱讀：【萬字長文】全球AI Agent大盤點，大語言模型創業一定要參考的60個AI智能體

AI智能體可以使用GPT-4等大型語言模型規劃和執行用戶提供的目標。這些機器人完成並添加新任務，根據先前任務的結果確定其工作流的優先級。它們可以調用長期和短期記憶，使用舊查詢作為上下文並存儲以前的結果。

這意味着這些機器人不會停在新數據導致的「死胡同」，而是可以從錯誤中「學習」並調整其一系列任務。

Github等開源社區現在已經出現從編寫代碼（GPT-Engineer）到訂購披薩（HyperWrite）的多種智能體框架及工具，目前單是開源Agent架構就有AutoGPT、BabyGPT、MetaGPT等多個，開發者們可以用這些架構打造各領域及業務場景的基於LLM的AI智能體。

在海外，投研界已將自主智能體稱作新一代自動化。

新一代自動化

大多數RPA廠商，都在以生成式AI補充RPA為中心的自動化流程，比如更好的文檔處理或代碼原生平台等。像UiPath和Automation Anywhere等廠商，正在通過更多的端到端自動化工作流程以及添加支持生成式AI的功能，以應對傳統RPA的缺點。

當然，也不排除一些廠商會基於AI Agent重新構建超自動化產品。

比如最近專注低代碼的超自動化廠商Torq已將其AI代理添加到安全超自動化平台，國產超自動化廠商實在智能也在8月份推出了基於自研大語言模型TARS的RPA智能體產品TARS-RPA-Agent。

這些廠商，已經成為流程自動化領域探索AI Agent的先行者。

而一些新的創業公司，則以自主智能體為中心提供「新一代流程自動化」工具，這些工具的應用通常從電子商務等不受監管的領域及業務場景開始。

下面一些廠商，是來自歐洲已推出AI智能體產品的佼佼者。

Robocorp：代碼原生和開源RPA平台，其願景是通過GenAI代碼解釋器將Python的靈活性與低代碼的易用性相結合；DeepOpinion：採用尖端NLP實現企業工作流程自動化；Automaited：高度靈活的自動化，適用於任何任務，具有自學功能；Workfellow：通過插入各種工作流程實現下一代流程卓越；Levity：用於電子郵件、調查、客戶支持等的AI文本和文檔處理；Invofox：人工智能數據輸入，最初關注賬單和發票等財務；Go Autonomous：在報價和銷售訂單等領域以電子商務為重點的自動化；Virtuoso：使用NLP和AI進行QA和測試自動化以減少維護開銷；Workist：使用AI實現B2B交易的訂單處理自動化。

RPA的持續進化

當代RPA的興起以及快速發展，得益於人工智能技術。伴隨着AI的不斷突破，RPA從技術架構到功能也在不斷進化。如今大語言模型的突破與應用，也為RPA的未來發展帶來了新的發展方向。

從智能流程自動化（IPA）的進化角度，數字化轉型博客DeltalogiX 將IPA的進化發展分為四個階段，分別是RPA、認知自動化（Cognitive Automation）、數字助手（Digital Assistants）和自主智能體（Autonomous Agents）。

第一階段：用於簡單、重複性任務的RPA

每個員工每天都在執行簡單的日常任務，經常占據一天中的很大工作部分。RPA非常適合涉及結構化數據的重複性任務，比如閱讀電子郵件等都可以交給RPA。

RPA機器人遵循預定義的規則和說明。使用確定性RPA機器人的自動化流程的一個案例是處理員工費用報銷單。通常，此過程要求員工填寫包含所有必要信息的紙質或電子表格，並將其發送給人力資源或行政部門進行審查和批准。

第二階段：用於培訓和過程適應的認知自動化Cognitive Automation

經過人工智能技術的加持，RPA就進化成為IPA，也就是我們所說的認知自動化。除了基於規則和說明的結構化數據，IPA能處理的數據可來自於電子郵件、文檔和圖像，

認知自動化基於對過去經驗的分析，通過不斷整合歷史數據和新數據，自動化流程會適應收到的反饋，以預測產品或服務的需求為例。使用先進的機器學習算法和對歷史銷售數據的訪問，可以創建一個預測模型來分析過去的模式，以識別趨勢和行為。

還可以訓練模型以了解影響需求的變量，例如季節性、促銷、特殊事件和經濟狀況。這些預測可用於指導業務決策，例如生產計劃、庫存管理、定義營銷策略和預測資源需求。此過程的認知自動化可實現比手動數據分析更準確、更高效的預測。

此外，由於該模型可以使用新數據不斷訓練，因此它可以適應市場變化並隨着時間的推移而改進。可以看出，即使是少量的人工智能也可以顯著提高自主性水平，並為更複雜的流程提供更具體的支持。

第三階段：用於語言處理的數字助理Digital Assistants

隨着IPA與AI的深度融合，尤其是有了LLM的支持，IPA發展成為了真正基於自然語言交互的數字助理。

像ChatGPT就是典型的數字助理，其他廠商也可以藉助GPT等LLM構建面向其所在領域的數字助理。

認知自動化系統能夠理解和處理人類語言（NLP，自然語言處理）。因此人力資源將能夠與軟件進行交互，而軟件又將能夠從書面或口頭文本中提取含義並提供「智能」響應。NLP 可實現與聊天機器人、語音助手和基於語言的分析相關的任務的自動化。

語言理解和用戶界面也是允許客戶以自動化方式與公司互動的重要元素。如果使用得當，並採用改善客戶體驗的策略，虛擬助手可以通過減少相關活動所需的時間來高效改善工作和與客戶的關係。

第四階段：用於決策的自主智能體Autonomous Agents

最高水平的智能自動化涉及複雜的決策過程。在這個過程中，深度數據分析（包括深度學習）提供了廣泛的概述，在此基礎上進行分析或預測以指導短期和長期活動。

這種深入的分析功能包括多個變量和相關因素，允許機器人或者更確切地說是數字智能體自主做出決策。

這種類型的支持特別適用於人力資源管理、供應鏈優化、財務規劃和風險分析。由於其不斷增加的處理能力和知識，該機器人能夠提供及時準確的建議和建議，以支持業務主管的決策過程。

後記：超自動化智能體時代到來

可以看到，第四階段的自主智能體正好對應於前文講的新一代自動化。

按照IPA的發展路徑，這裡第四階段的自主智能體，更多的指的是基於LLM的RPA智能體或者超自動化智能體。

畢竟，立足流程自動化的RPA廠商們，一般不會放棄現有產品形態，以自主智能體為中心去開拓全新的AI Agent產品體系。

短時間內，AI Agent還無法用於操作成百上千的企業管理系統。更大的可能是，企業級運營管理層面的自主智能體，將由更懂企業經營的RPA、流程挖掘、BPA、ERP等企管軟件廠商，在不同LLM和已有管理軟件基礎上構建。

所以，廠商們在自研LLM及現有產品架構中引入AI Agent，或者開闢一條AI Agent能夠聯動已有自動化技術的產品路線是完全有可能的。

且智能體也已成為RPA未來發展終極目標，而AI智能體也是通往通用人工智能（AGI）的必經之路。

事實上，就是廠商們不去做AI Agent融合，出於降本增效提質的需求，客戶也會自行在已引入LLM及RPA的基礎上去做進一步探索。在市場上需求的牽引下，技術供應商們早晚都會邁出智能體這一步。

今年大模型開始流行之後，隨着RPA廠商們紛紛引入生成式AI，目前主流廠商都已發展到第三階段數字助手，少部分廠商則已經開啟了第四階段對AI智能體的探索。

據王吉偉頻道了解，國內已有數家RPA廠商着手這方面的研究，應該很快也能推出相應產品。

Gartner表示，到2025年，90%的RPA供應商，將提供生成式AI輔助的自動化服務。同時在生成式AI加持影響下，RPA市場將繼續保持高速增長。

從IPA的發展趨勢而言，今後每一家RPA廠商及超自動化廠商都有可能進化為RPA超自動化智能體。-(文:王吉偉/砍柴網)