不少企业上自动化的第一反应是"把重复点击交给机器人"，但真正卡住规模化的，往往是那些带判断、带例外、带非结构化输入的流程。本文聊聊一类正在成为主线的演进方向：把大模型深度融入自动化平台，从固定脚本的 RPA 走向能自主决策的 APA（智能体流程自动化）。
一、RPA 的天花板在哪里
传统自动化擅长"确定性动作"：打开系统、定位字段、填值、保存。一旦遇到三种情况就容易崩——界面改版导致元素漂移、业务规则出现例外分支、输入是非结构化文档。这些恰恰是财务、供应链、客服等核心业务的高频场景。
这也是为什么单纯堆机器人数量解决不了企业级问题：脚本越写越多，脆弱点也越来越多，最终维护成本反超人力成本。
二、APA 不是"大模型套壳"
做 APA 真正的门槛，不在于接一个大模型接口，而在于是否具备底层支撑。一套成熟的平台，其 APA 能力建立在 GUI 自动化引擎、系统适配能力和治理框架之上：GUI 引擎负责在不依赖插件的前提下稳定操作各类新旧系统；系统适配能力让它兼容云系统到老旧本地客户端；治理框架保证大规模运行时可控、可审计。
换言之，大模型负责"想"，底层引擎负责"做"，治理框架负责"管"——三者缺一不可。
三、大模型带来的四个能力跃迁
深度融合之后，平台在四个维度发生质变：
- 自然语言交互：业务人员用自然语言描述需求，平台理解并转化为可执行的自动化任务，降低使用门槛。
- 流程自动生成：基于对业务系统的理解，自动草拟操作流程，再由人确认微调，显著缩短搭建周期。
- 复杂决策：在决策层结合上下文做判断，例如跨系统核对三单时自动识别差异并决定后续动作。
- 自主优化：运行数据回流后，平台能发现更优路径并持续迭代，而非永远执行写死的脚本。
四、人机共创：把业务专家请回闭环
一种务实的模式是内置 copilot 式助手，实现人机共创。业务专家不需要学脚本，只需在关键节点补充规则与经验，平台把这些沉淀为可复用的自动化能力。这样既保留了人的判断权，又放大了人的产出。
例如在文档处理中，模型先做初筛与抽取，低置信度的部分自动转交业务人员确认，确认结果又反哺模型——形成"人教机器、机器助人"的飞轮。
五、落到场景：三单匹配与单据处理
能力是否真有用，看场景。在采购到付款链路中，三单匹配（采购单、收货单、发票）过去依赖人工逐行核对，周期长、易出错。引入决策层编排后，平台可并行拉取三单、自动对齐差异、把异常单转人工，整体处理时长从约 10 分钟压缩到 2 分钟。
在非结构化单据处理中，模型负责从合同、发票、报关单中抽取字段，自动化执行层负责把结构化结果回写到 ERP。OCR 单独用不稳，但"多模态识别 + 规则校验 + 人工兜底"的组合能跑通真实业务。
六、风险不能靠"信任模型"解决
自主决策越深，治理越重要。至少需要三道闸门：数据门（敏感字段脱敏与权限隔离）、系统门（操作范围受控、关键动作需复核）、责任门（全程录屏与四联播放，任何一步可回溯）。没有这些，再聪明的智能体也不敢放进核心业务系统。
结语
从 RPA 到 APA，本质是把自动化从"执行确定动作"升级为"在不确定中做对决策"。但再聪明的模型，也必须站在可靠的自动化引擎与治理框架之上——这才是企业敢把它放进核心业务的前提。
