数字员工作为员工、系统、数据三大要素中间的重要建联工具，可帮助企业在多场景实现效率提升，大幅度降低成本，拓宽应用场景。从RPA自动化阶段到AI Agent人机协同阶段，大模型的推理、多模态能力得到进一步释放，最终实现数字员工的全场景落地。分享嘉宾｜胡一川（博士），来也科技联合创始人&CTO
RPA （机器人流程自动化），通俗地来讲是通过模拟键盘鼠标的系列操作，实现软件与系统的操作、数据处理等任务的自动化。所以适合日常重复性、有明确逻辑和规则的工作。
01
1、非侵入，RPA 不依赖于其它系统开放接口，可基于已有接口和界面实现自动化。能做到非侵入完成电脑界面上任何工作。
2、简单易用，RPA本质上是低代码的 UI 自动化和系统集成工具。今天之所以能够普及，因为在很多企业里，非技术出身的业务人员也可以使用 RPA ，将重复的工作自动化完成。
3、精准稳定，RPA 可7* 24 小时不间断使用，且成功率非常高。
02
上图典型地描述了大多企业的数字化建设现状，过去的一二十年，几乎每一个企业尤其大型企业，都在进行数字化，上了很多的系统，寄希望于在系统跑传统业务，实现业务数字化，同时沉淀数据。这个目的虽然已经达到了，但经过了多年的建设，造成了企业内有很多系统的局面。据统计，大企业内部常用的业务系统就达上百个。这时会造成一个问题，例如图里系统 a 和系统 b 可能是不同时间点、不同供应商建设的，中间没有连接。但业务中往往需要连接这两个系统，那起到连接系统的就是人。再比如系统 a 和系统 b在设计时，没有考虑到使用者以何种方式解决何种业务，会出现系统a没有涵盖非标流程，人不得不在系统外完成非标流程，再将数据导入到系统a。系统 b 只考虑到标准流程，但流程随着业务量的增加，重复频次急剧提升。导致每天不得不在系统 b 上花大量时间做重复的流程。过去五年，RPA之所以能在大型企业和组织规模化落地，因为它有效连接了员工系统和数据。在这基础上 RPA 定义了新的软件形态——数字员工。
数字员工成为了员工-系统、员工-数据、系统-数据间的桥梁。有了数字员工后，大部分与系统和数据打交道的工作，理论上都可以交给数字员工完成，员工不需要费事完成繁琐且重复的工作，而且可以更轻松有效地利用企业内部的知识和数据。这也是数字员工这种新的软件品类，在过去5年快速发展的重要原因。企业的系统和数据越来越多，如何更高效地连接系统、使用数据，是新的问题。RPA 是在大模型甚至是在 AI 流行前就出现的软件。如今有了大模型，尤其是大语言模型， RPA 跟大语言模型到底是什么关系？上图描述了办公室里白领的工作的状态， RPA 相当于成为了员工的双手，做一些重复性的、基于规则的、结构化数据的自动化工作。但开发成本较高，每一个 RPA 的流程都是个性化的，有很强的任务执行能力。比如前文的非侵入性，可基于接口、图形化的界面等，操作任何系统和数据。
今天的大模型，尤其是大语言模型，更像人的大脑，基于概率、更擅长处理非结构化的数据，开发成本低。通过训练的大模型，不论是在语言的理解、语言的生成、内容的生成等方面都有很强的能力，不需要开发，且推理和决策能力很强，这是传统 RPA 不具备的。04
从RPA到AI Agent，数字员工规模化落地的三大阶段
从两个维度，我们定义出数字员工落地的三个阶段。 x 轴是数字员工的规模，指数字员工可覆盖的规模与数量。y 轴是所处理业务的复杂度。
第一个阶段就是RPA，关键词是自动化。该阶段最大的价值，就是代替人自动完成高频重复的流程型工作。比如数据抓取、数据录入、跨系统操作等。典型应用场景是企业中后台，比如财务是最典型、最适合落地的业务部门，包括人力资源、法务、 IT 部门等。但覆盖的场景相对有限，可赋能员工的规模相对较小。同时因为 RPA 是基于规则执行，必须告诉他应该如何操作，才能自动化完成任务，所以只能处理业务复杂度相对较低的工作。第二个阶段是 RPA+AI ，关键词变为智能化，更多只是让 RPA 借助AI的能力，尤其是语言理解和语言生成的能力，延展 RPA 的边界，实现数字员工从自动化到智能化的跨越。RPA 不需要完全基于规则，就可以处理自然语言、文本、非结构化数据、生成等任务，但依然是重复性的工作，典型应用场景可以拓展到客服、营销等。第三阶段是 AI Agent，关键词为人机协同，该阶段更多的是进一步释放模型推理和多模态的能力，为每个员工配备全场景 7* 24 小时的智能助理。这是终极的形态，也需要很长的时间。一旦到了这个阶段，几乎可以让数字员工全面覆盖现有的业务场景，以及复杂业务的自动化。05
在RPA + AI 方向上的两大实践方向。
有了大模型的生成能力，尤其是代码生成的能力，可以大幅地降低 RPA 的开发成本。例如通过赋能开发者去生成流程代码、插件、注释，甚至生成文档，整个开发效率可大幅提升。原本 RPA 只能做基于规则流程的自动化，现可利用大模型理解、推理能力，做基于概率模型的任务。比如处理非结构化的文档、数据分析。可以拓展 RPA 的应用的场景。用大模型去赋能RPA，主要是做代码生成、文档处理、数据分析，以及其他需要用到大模型能力的地方。 RPA + AI 到 AI Agent，这是非常大的跨越，我们的平台今天也能够让企业去打造自己的 AI Agent，设计理念分为三层。第一层是做对话的理解和交互，相当于数字员工与员工交互，协作事情。
第二层是做任务的编排和执行，在通过交互得到了任务后，进行任务的拆解编排与执行。第三层会使用若干工具，比如使用工具、处理文档、查询企业的知识、数据分析、内容生成（文本、代码）等。数字员工本质上需要多种技能，AI Agent平台的设计理念具体包括以下四个方面。1、要通过一体化平台聚合AI Agent所需的多种技能 ，才能使数字员工的开发更高效。2、基于目标的任务编排是 AI Agent 数字员工跟 RPA 数字员工的重要差异 。传统 RPA 数字员工本质上没有任务编排这个概念的，或者说他只是基于规则，人告诉他按照什么流程、什么步骤去做，他就怎么去做。但在 AI Agent 里要靠模型完成。3、通过自然语言交互去实现人机协同，是 AI Agent 完成复杂任务的关键。今天在企业里使用 AI Agent，并不需要让 AI Agent 100% 的完成复杂任务，而是让员工跟 AI 智能协同完成复杂任务，使效率大幅提升。4、正常员工需要选、用、育、留等流程。数字员工对应的设计、开发、使用和评估。这也需要方法论和系统支撑的。上图是 AI Agent 数字员工平台的架构总览。基于前面的设计理念，共分为四层。
模型层，接入了多种闭源和开源大模型，同时支持模型微调，满足不同企业大模型接入的需求。能力层，包括数字员工所需执行任务的能力，包括机器流程自动化，它覆盖了 UI 自动化和系统集成。包括智能文档处理、智能问答、智能表格、内容生成等等。能力层不断地横向扩展，上述能力都以原子化的能力存在，能够被 AI Agent 去使用、编排。管理层，需要对数字员工的全生命周期做管理，包括需求管理、开发过程管理、数字员工和技能的共享、运营管理，尤其是状态和绩效的评估。
交互层，平台里集成了支持多模态、多渠道的对话式用户界面。
今天很多企业面临一个挑战，就是大模型确实很好，那怎么在企业里面落地？这套架构，我们认为提供了落地的“最后一公里”，通过模型层、能力层、管理层、交互层去帮助企业更好的落地大模型，同时帮助企业基于大模型开发自己的 AI Agent 数字员工。
数字员工要规模化的落地，以及数字员工真的要从 RPA 往 AI Agent 的发展，组织上有哪些需要注意的地方？其重点是数字员工的规模化落地也需要组织进行相应的升级。
上图在实际服务客户过程中，通过咨询、设计、搭建，实现数字员工卓越中心组织的升级。
左边为培训中心，通过各种线上线下的培训赋能，从总部到分公司的业务部门和 IT 部门。然后中间是赋能和推广的团队，包括了从需求的响应、开发、运维测试、数字员工的管理等等。右边叫做合作伙伴管理团队，数字员工的开发、能力可能是由多个供应商提供的，这时需要一个成熟的合作伙伴管理的机制。这对组织也提出了新要求，未来一个企业要大规模地使用到数字员工的时候，不仅是从产品、技术和解决方案上去考虑问题，同时也要想对应的组织该如何升级。06
三个应用场景的实践案例讲解
保险代理人的工作其实就是跟客户保持沟通、售卖保险产品、解答客户疑问。基于此定义，可通过 AI Agent 赋能保险代理的三大场景。第一大场景是做推荐。保险产品本身很复杂的，每一个代理人根据从业经验、专业知识，他对产品的理解也是不一样的。这时可以通过 AI Agent 借助大模型的能力，帮助他找到更适合客户的保险产品，主要利用到了 RPA 与大模型长文本的阅读和理解能力。第二是基于保险产品提供专业的问答。通过大模型，结合企业保险产品的知识库，实现专业、精准的知识问答。最后一点是 AI Agent 辅助保险代理人，自动地去做一些关系的维护、定期的回访，甚至协助员工做一些保单的填写等等。保险代理人的核心工作是要维护好客户关系，随着客户增多，维系的时间成本会增加，甚至说会造成客户的体验感下降。通过 RPA 和 AI Agent 相结合，做主动询问，甚至主动的任务执行。1、为客户提供更专业、更个性化的服务，提升客户的满意度。3、让保险代理人的服务能力更强，可以服务更多的客户。RPA 可执行填写海外出差报销单据的自动化，现在 RPA 结合大模型都能够非常好地去理解这些多语言、非结构化票据的内容，并且在报销系统里面去录入对应的字段，甚至手机的截图也可以理解，整个运行过程可以在云端运行。从职位到简历的筛选与邀约，最后到候选人的评估等等。都可以利用AI Agent实现人机协同工作，几乎覆盖了整个HR招聘的全流程。07
AI Agent 在数字员工场景落地的三个挑战。
第一、模型能力还需加强。
第二、API 的生态需要完善，数字员工最终能不能够辅助员工去执行大量的任务，取决于底层操作系统中能够执行任务的丰富度。最后一点，我们认为是最重要的， AI Agent 在企业里面落地，最后一定是人机协同的形态，所以这意味着很多的流程是需要被优化，甚至重构的。比如上文招聘的例子，在有Agent的辅助与无辅助两种情况中，HR应该做什么？应该按照什么方式去做，是完全不一样的。这时业务流程的优化和重构就变得非常的重要。
立即咨询 JOTO
JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。 联系 JOTO 获取 AI 落地咨询
