如果把RPA放在软件开发的大背景下来看，它其实一直在解决一个问题：
如何降低自动化任务的实现成本。
传统方式主要依赖代码。
RPA则把大量常见操作抽象成可视化指令。
而AI加入以后，又增加了一个新的入口：
自然语言。
从代码到流程
例如一个简单的数据处理任务：
读取Excel
↓
筛选符合条件的数据
↓
打开网页
↓
输入数据
↓
获取结果
↓
保存文件
传统程序开发需要把这些步骤转成代码。
RPA可以通过流程节点表达。
因此RPA降低的是实现层面的门槛。
但是流程本身依然包含程序逻辑。
例如：
FOR 每一条数据
IF 满足条件
执行操作
ELSE
跳过
这和传统代码里的循环、条件分支并没有本质区别。
AI增加了第三种表达方式
以前是：
代码 → 执行
或者：
流程 → 执行
现在逐渐变成：
自然语言 → AI分析 → 流程 → 执行
例如：
“把今天的订单按照金额分类，并把金额超过1000元的订单提交到后台。”
AI可以先把需求拆成：
读取订单
↓
过滤日期
↓
读取金额
↓
条件判断
↓
提交
开发人员可以在此基础上调整。
为什么这种方式有意义？
因为自动化项目中有一个经常被低估的成本：
需求转换。
业务人员描述的是：
“我要每天自动处理订单。”
开发人员需要理解成：
“读取什么数据？判断什么字段？访问什么系统？结果保存在哪里？”
AI可以参与中间的转换过程。
这可能是AI+RPA比较有价值的方向。
但自然语言不能替代程序逻辑
例如：
“帮我把异常订单处理掉。”
这句话对于人来说可能很清楚。
但对于自动化程序来说，仍然缺少大量信息：
什么叫异常？
异常订单有哪些类型？
不同类型怎么处理？
失败以后是否重试？
什么情况下需要人工介入？
因此AI生成流程以后，仍然需要人进行业务确认。
RPA开发者未来需要什么能力？
我认为至少包括：
业务理解能力
知道自动化到底解决什么问题。
流程设计能力
知道任务应该如何拆分。
数据处理能力
理解表格、JSON、接口等数据。
异常处理能力
知道流程失败以后怎么恢复。
AI协作能力
知道如何让AI参与开发，又如何验证AI的结果。
所以AI时代的RPA开发，不是简单地从“会代码”变成“不会代码”。
而是：
开发方式发生变化。
最终可能形成：
业务人员
↓
自然语言需求
↓
AI辅助分析
↓
RPA流程
↓
自动执行
技术能力不会消失，只是从“亲自完成所有实现细节”，逐渐向“设计、判断、验证和维护”转移。
