AI Agent来势凶猛，实在RPA Agent智能体领先落地金融领域

金融领域对于新技术的应用有着极高的敏锐性，从生成式AI技术的应用上表现尤为明显。

Gartner最新调查数据显示，66%的银行领导人预计，生成式AI对组织的收益潜力大于风险潜力。此外，调查中61%的银行高管表示，他们的公司正在增加对人工智能的投资，或计划在未来12个月内这样做。

不管是生成式AI还是基于LLM的AI Agent，刚出现便引起广大金融公司的极大兴趣，纷纷在第一时间开启商业价值探索之旅。当然技术供应商们也更加积极布局这一领域，争分夺秒研发并快速推出相应的Agent产品。

比如电子交易平台LTX不久前推出的BondGPT+，就是一个基于GPT-4面向公司债券市场的Agent产品。

在金融领域，类似的Agent产品正在不断涌现，但应用效果与商用价值也是良莠不齐。现在很多产品虽然形态属于Agent，却无法深度参与企业运营的复杂业务流程，甚至无法为大型企业提供成熟与完整的产品及解决方案。

那么到底什么样的AI Agent产品与解决方案能够真正实现商用落地呢？

就让我们从AI Agent在金融领域的应用聊开去。

AI Agent可以为各大行业做更多的事情。典型的应用场景包含比如具备高技能的客户支持机器人，或是可以高效执行用于地址更改及相关任务的智能体数字员工。当然只要是运营相关的业务场景都可以引入Agent，如账户转账等耗时耗力的工作任务，都可以通过Agent实现自动化，同时实现效率的更高提升。

过去几年，金融行业经历了重大变革，基于AI技术的金融科技正在快速影响越来越多的金融业务场景，其中自主智能体（AutonomousAgent）的集成与应用是这些变革背后的关键驱动力之一。

现在，AI智能体正在越来越多地应用于算法交易、风险评估、欺诈检测、个人理财及监管合规等业务场景。

Gartner在一篇报告中列出了生成式AI在银行业的20个最有前景的应用案例，如下：

AutoGPT等基于LLM的AI Agent出现后，生成式AI在应用上很明显都在向Agent过渡。尤其是OpenAI推出GPTs以后，这个趋势更加明显，Agent早已成为生成式AI落地的主流方向。

所以，在Gartner给出的这些应用案例中，可以明显看到Agent的身影，或者它们本身就是一种Agent解决方案。

这些应用案例，覆盖了银行的主要业务场景。随便拿出一个案例，都能体现智能体的强大优势。比如案例9可以为用户提供财务建议的AI理财教练，在增收方面至少可以提升30%，调高效率方面能够极大减少组织为客户创建新内容所花费的时间。

基于生成式AI技术的智能体数字员工，可以有效改善银行业务、客户体验并降低风险。在这20个案例中，案例1中的综合信贷数据、案例2中的前线AI-Copilot及案例4中的个性化营销内容，都极具高价值和高可用性。

除了在银行，金融科技领域的Agent适用性非常强，应用范围涉及从金融网络安全等后端操作到面向客户的多种服务，如移动支付、众筹、加密货币、点对点借贷、股票交易、小企业融资、保险技术、抵押贷款和机器人顾问等。

这些场景下，智能体均可以自动执行日常任务，使得用户能够专注于创造力和创新，这将大大提高效率和生产力。因此，智能体解决方案能够彻底改变金融业，使其更高效、更安全，并为更广泛的受众所接受。

来看一个AI智能体改进应付账款流程的案例。

金融科技很早就引入了AI+RPA解决方案，对于简单、重复且基于规则的业务流程，RPA可以非常轻松的实现业务流程自动化。但一直以来有两点因素难以解决：一是业务流程稳定性难以保障，和无法实现自适应变化；二是主动性不够，不能对业务流程进行实时洞察。

应用AI智能体，可以很轻松地解决这些问题，同时还具备以下几大优势：

◾智能体具备能够学习和不断适应变化环境的能力。如在财务场景中，如果供应商更改其发票流程，自主智能体可以快速适应并继续处理发票而不会中断。这种适应性，将会确保企业能够跟上不断变化的市场条件并保持竞争力。

◾智能体能够提供实时洞察业务流程。如在应付账款业务中，通过实时分析数据，企业可以识别潜在问题并在它们成为重大问题之前采取纠正措施。这种实时可见性，还使企业能够做出更好的决策并提高其整体财务业绩。

AI智能体应用于应付账款，改变了原有繁杂、被动且不够稳定的业务规则。智能体提供的适应性和实时洞察力，确保企业能够在不断变化的市场中保持竞争力。并且通过自动化许多手动任务，企业可以节省时间和金钱，还可以提高准确性并降低欺诈风险。

AI智能体用于应付账款流程，仅是Agent改变金融领域企业运营的一个极小缩影，却鲜明体现了AI智能体应用于金融的诸多优势。

这些优势本质上源自基于LLM的软件运行范式转变。

RPA最能体现人类操作业务流程的运作范式。过去RPA仅能替代简单、机械的人力工作，一些复杂的流程仍旧依赖人工，不仅成本高，且难以实现动态决策。

而以目标为导向Agent，可以根据人类的需求自主完成工作流构建，可以识别人类需求中需要动态决策的部分，将自动编排进工作流中，并在工作流执行到该部分时主动接管工作流的执行完成相应复杂决策。

实在RPAAgent智能体的安全性和超强执行能力

基于LLM的生成式智能体

同时兼顾API与UI自动化的RPAAgent智能体

自然对话式交互就能轻松启动的智能体

你的全能业务管理专家

支持所有超自动化执行

OpenAI最近在开发者大会上推出的一系列产品，让人们见识到了生成式AI未来的成长空间。其中可定制化的GPTs，虽然尚处于初级阶段的它还不算Agent完全体，却已在金融领域开启了一扇窗，今后或许它会在金融领域大行其道。

但另一方面，GPTs目前所暴露的安全、执行能力差等一系列问题，也让广大金融领域的企业时刻在思考到底什么样的产品才是能够真正商用落地的AI智能体。

从目前市面上的大多AI Agent以及用户反馈来看，AI智能体想要真正在B端实现量级业务场景的落地及更好地商用，需要综合考量其本身的安全性、技术发展周期是否成熟以及To B端的场景是否密切贴合，更需要考虑接口成本、隐私、管理、授权等诸多因素。

我们也可以从用户需求层面，反推AI智能体产品的情况。比如实在智能金融领域B端客户的主要需求为：在对话中调出例如A部门当季营收和相关统计指标；延迟验收项目延迟的原因分析；当季所有项目的进度表等。这些需求可以归类入查询和拆解指标、项目数据查看分析、推送报表/报告等不同分类。

这样的需求看起来简单，却不是简单的GPTs或者知识内容类Agent能够实现的，因为它涉及到了深入企业管理系统的复杂流程自动化构建，更涉及到了数据库读取、API管理及UI自动化连结等。

可以说，目前任何仅是基于API接口读取数据及调用工具插件的Agent都无法实现这样的流程应用，只有基于LLM并同时兼顾API与UI自动化的RPA Agent能够做到。

在实在智能RPA Agent智能体中，这些需求则体现为：用TARS大模型+Agent来完成指标查询、项目分析、页面调用等能力。

实在智能RPA Agent智能体具备以下三大特点及独有功能：

自然对话式交互：用户可以直接与智能体进行多轮对话交流，以最原始、直白的方式，直接提出诉求，无需多余学习，达到真正人人可用；

全能业务专家：能够将各种复杂任务做合理业务拆解，规划过程和步骤，将复杂问题分而治之，理论上没有解决不了的业务；

超自动化执行：能够将计划步骤映射成RPA组件、代码能力组件，并自动运行，使计划步骤能够按部就班有效执行。

相较于其他Agent“LLM+API接口”的运作模式，TARS-RPA Agent 智能体“LLM+ISSUT+API接口+RPA”的运作模式及其所带来的上述三大特点及独有功能，能够解决B端客户的所有需求。

这样的AI智能体，就是能够真正可以商用落地的AI Agent，也是LLM时代智能自动化升级的业内领先解决方案之一。

以Agent为核心的产品形态，把传统软件预定义的指令、逻辑、规则和启发式算法的任务层级演变成目标导向的智能体自主生成。这样一来，原本的架构只能解决有限范围的任务，未来的架构则可以解决无限域的任务，且可以不断根据实际业务需求进行扩展。

这种范式转变，也激发了RPA、低代码、BI、BPM更多企业管理软件厂商的思考。

在LLM的加持之下，未来所有软、硬件产品都或多或少要向Agent产品形态过渡，每种产品都会有相应的Agent形态，RPA\超自动化的理想Agent形态发展到最末，为商业用户提供的必然是最类人、最智能、最优的智能流程解决方案。