一、大模型给自动化带来了什么
传统 RPA 的本质是"把人做的事录下来重放"，它强在稳定、弱在灵活。大模型补齐的是四件事：
- 自然语言交互：业务人员用一句话描述需求，系统就能理解并拆解；
- 流程生成：从意图直接生成可执行的自动化工作流，不用预先画流程图；
- 复杂决策：在不确定信息下做判断、选路径；
- 自主优化：根据运行反馈迭代流程，而非写死规则。
这四点叠加，让自动化从"执行工具"升级为"智能体"（Agentic Automation Platform，APA）。
二、对话即开发：让业务人员自己造流程
我们落地的智能体中枢，提供两种构建方式：
- 零代码自主式：用户与 AI 对话，描述"我要做什么"，系统辅助生成智能体，自主调用企业定义的工具与数据，解决复杂任务；
- 低代码工作流式：可视化拖拽，主流大模型即连即用，知识检索、意图识别、流程调用一气呵成。
在某客户自测中，同样的流程开发，对话式生成的效率比传统方式快约 3 倍，综合成本约为原来的 1/10。但必须强调：这是"辅助生成"，不是"全自动上线"——生成的流程要经过验证才进生产。
三、APA 的底线能力：别让智能体"裸奔"
大模型很能聊，但企业场景不能让它直接操控核心系统。我们给 APA 定了三条底线：
- GUI 引擎：智能体必须能稳定操作真实界面，而不是只能调 API；
- 系统适配：能在 ERP、网银、税务、浏览器等多环境落地；
- 治理能力：权限、审计、回退一应俱全，每一步操作可追。
这三条是"智能体能不能进生产"的及格线。没有它们，再聪明的对话也只是 Demo。
四、人机共创：copilot 不是替身
我们把大模型定位成"流程自动化 AI 编排助手"——人提目标，它拆解步骤、推荐组件、生成初稿，最终由人确认上线。在复杂、合规要求高的流程里，这比"全交给机器"稳得多。
我们踩过的坑：早期让模型直接做端到端执行，简单任务惊艳、复杂任务"自信地犯错"。改成"模型编排 + 经过验证的执行引擎兜底"后，既保住灵活性，又守住了准确率。
除了零代码对话式生成，我们也大量使用低代码工作流智能体：可视化拖拽界面，主流大模型即连即用，把知识检索、意图识别、RPA 调用串成一条流，开发效率瞬间提升。它的"自适应执行"能力尤其关键——能灵活应对界面变化与业务异常，自动调整执行路径，保障流程在真实复杂场景里稳定运行。对制造业、金融、物流这类系统频繁改版的环境，自适应是 APA 能"活下来"的前提。
五、落地场景举例
- 三单匹配：收货单、采购订单、发票自动稽核，人工 10 分钟/笔降到 2 分钟/笔，单机器人月省 3360 分钟；
- 单据处理：发票、合同、报关单结构化后进入执行层闭环；
- 人机协同审核：模型先筛异常，人只复核结果。
六、小结
从 RPA 到 APA，不是换个名字，而是自动化从"手"长出了"脑"。但企业级落地的关键，始终是给这颗脑装上 GUI 引擎、系统适配和治理这三道缰绳——不然跑得越快，风险越大。
