麦肯锡：AI让47%的自动化决策变了天，RPA厂商集体改剧本

2023年，全球企业在RPA（机器人流程自动化）工具上砸了33亿美元。同一时期，ChatGPT月活破亿的速度，比RPA行业十年的用户积累还快三倍。两个数字撞在一起，做流程自动化的厂商突然发现自己站在了岔路口——左边是用了十几年的规则引擎，右边是连输入格式都搞不定的生成式AI。

规则机器人的天花板，被Excel表格撞破的

RPA的底层逻辑像极了工厂流水线。你给机器人一本操作手册，它逐字执行：打开A系统，复制B字段，粘贴到C表格，点击D按钮。只要流程不变、格式固定，这套东西稳得可怕。财务对账、发票录入、工资核算——这些活儿RPA干了十年，错误率压到0.1%以下。

但企业里的"格式固定"正在消失。一封客户邮件可能夹杂着PDF附件、手写签名照片和一段语音留言；一份合同扫描件里，关键条款藏在第17页的脚注里。规则机器人面对这种输入，要么报错停机，要么把乱七八糟的内容原封不动塞进数据库，等人来擦屁股。

Gartner在2023年的技术成熟度曲线里，把"传统RPA"的期望值调到了下坡段。不是这东西没用了，是它的舒适区正在缩水。麦肯锡同期的一份研究更直接：生成式AI（生成式人工智能）能自动化的工作类型，已经从"数据处理"蔓延到"决策判断"和"沟通协作"——恰恰是RPA够不着的高地。

Appian的产品负责人去年在行业峰会上打了个比方：「我们以前卖的是电动螺丝刀，现在客户要的是能看懂图纸、自己选螺丝的装配工。」这个转变逼得一众RPA老玩家重新写产品PPT。

Blue Prism的转型，像把火车改成磁悬浮

Blue Prism是RPA领域的元老级厂商，2016年就登陆伦敦交易所。他们的经典产品逻辑很纯粹：可视化流程设计器+后台机器人集群，企业IT部门能自己搭自动化流水线。2021年他们被SS&C收购时，估值还建立在"规则自动化市场份额"的基础上。

收购后的产品路线图变了。Blue Prism现在主推的"智能自动化平台"，核心卖点从"流程执行准确率"变成了"非结构化数据理解"。他们的技术白皮书里，案例从"自动处理1000张标准化发票"换成了"从混杂邮件中提取客户意图并触发后续动作"。

这个切换的难度，堪比让习惯了轨道运行的火车，突然学会磁悬浮的悬浮控制。规则引擎的每一行代码都是确定的：if A then B，没有歧义。大语言模型（LLM，大型语言模型）的输出是概率性的：同一封邮件问三遍，总结的重点可能略有不同。金融行业的合规部门听到这里，眉头已经皱起来了——审计轨迹怎么留？责任怎么界定？

Appian的选择更激进。这家以低代码平台起家的公司，直接把生成式AI塞进了流程设计器。用户现在可以用自然语言描述需求，系统自动生成自动化流程的草稿。他们的产品经理在演示视频里输入："当收到供应商账期变更请求时，先查历史合作记录，再比对合同条款，最后推送给财务经理审批。"30秒后，一个包含7个节点的流程图跳了出来。

「这不是取代RPA，是给RPA装了个脑子。」Appian的CTO在采访里强调。但业内人都知道，这个"脑子"的能耗和不可预测性，让实际部署远比演示复杂。

AI+自动化的三场硬仗：幻觉、成本、黑箱

理论上的"智能自动化"很美好：AI负责理解输入、判断情境，RPA负责执行确定动作，各取所长。但2024年企业POC（概念验证）项目反馈回来的数据，泼了不少冷水。

第一场硬仗是输出稳定性。某跨国银行在测试中用GPT-4处理客户投诉邮件分类，准确率92%——看起来不错，但剩下的8%里，有3%是把"账户被盗紧急申诉"错标成了"常规咨询"，直接进了48小时响应队列。规则机器人不会犯这种错误，它要么读不懂触发人工转接，要么按关键词严格执行。AI的"聪明"在这里成了风险源。

第二场硬仗是成本结构。传统RPA的定价按机器人数量或流程复杂度，可预测。引入大模型后，token消耗（文本处理量计费单位）成了变量。一家保险公司在季度复盘时发现，某个"智能理赔初审"流程的AI调用费用，超过了它替代的三个人工坐席的工资。CFO的质问很直接：「我们自动化是为了省钱，现在怎么越自动越贵？」

第三场硬仗最棘手：可解释性。欧盟的AI法案、美国的算法问责倡议，都在要求自动化系统的决策可追溯。RPA的审计日志是完美的：几点几分、哪个机器人、执行了哪一步、操作了哪个字段，全链条可回放。大模型的推理过程是个黑箱，即使输出结果对了，你也很难证明它"为什么"这么判断。合规官们在这个问题上寸步不让。

这三场硬仗的结果，是"混合架构"成了行业共识。不是AI取代RPA，也不是RPA硬撑到底，而是在流程的不同节点做切割：需要理解模糊输入的环节上AI，需要严格一致性的环节留RPA，中间用人工审核或置信度阈值做缓冲。

留下来的RPA，成了自动化世界的"稳压器"

被AI抢去风头的RPA，在特定场景反而更值钱了。财务月结、工资发放、监管报送——这些流程的输入格式十年不变，输出要求精确到小数点后两位，审计痕迹必须保存七年。规则机器人的"死板"在这里是优点，AI的"灵活"反而是负担。

一家制造业CFO的说法很典型：「我的ERP对接RPA跑了五年，从没在半夜给我打过电话。去年试了个AI方案，第一周就三次异常告警，全是因为供应商发票格式微调了5毫米边距。」

这种稳定性在强监管行业是硬通货。四大会计师事务所的自动化审计工具，核心仍是RPA骨架，只在异常检测环节外挂AI模块。萨班斯法案要求的内控测试，必须证明"同一输入永远产生同一输出"，这直接把纯AI方案挡在了门外。

更隐蔽的价值在系统集成层。企业里的遗留系统（legacy system）往往没有API接口，RPA的"屏幕抓取"技术成了唯一的数据通道。AI再聪明，也没法直接操作一台90年代开发的AS/400主机。这层"数字苦力"的工作，短期内看不到替代者。

厂商的产品策略也在分化。UiPath、Automation Anywhere等头部玩家，一边把AI能力包装成新模块高价售卖，一边把经典RPA引擎降价保量。他们的销售话术很微妙：「AI是增量预算，RPA是存量替换——您今年的ROI（投资回报率）压力，用哪个方案解？」

2024年的部署现场：一场关于"切割点"的拉锯战

真正落地的项目，都在回答同一个问题：流程的哪一环交给AI，哪一环死守RPA？

某零售巨头的供应链自动化改造提供了样本。他们的需求是：从供应商的到货通知邮件中，自动提取商品信息、更新库存系统、触发质检流程。第一轮方案是全AI驱动——大模型读邮件、生成结构化数据、直接写数据库。测试两周后放弃：邮件格式差异太大，AI的提取准确率从87%掉到61%，且无法预测哪些会出错。

最终上线的架构分了三层。第一层用轻量级AI做邮件分类和关键字段初筛，置信度高的直接过，低的进人工复核；第二层把结构化后的数据交给RPA，执行确定的系统操作；第三层在RPA的异常处理分支里，再挂一个AI做二次判断。整个流程的自动化率从纯RPA时代的40%提升到78%，但完全无人值守的比例控制在35%——剩下的需要人机协作兜底。

这个"切割点"的位置，因行业、因公司、甚至因具体流程而异。医疗票据处理敢用AI做初筛，因为人工复核成本极高；证券交易的合规检查不敢用AI做终审，因为一笔误判就是监管罚单。没有标准答案，只有持续试错。

行业会议上的争论也变了。三年前的话题是"RPA会不会被AI取代"，现在变成了"AI的置信度阈值设多少"。一个细节很能说明问题：UiPath 2024年的用户大会，议程里"负责任AI"的场次首次超过了"超自动化愿景"。

当自动化从"执行确定规则"转向"处理不确定输入"，企业买的不再是工具，而是对不确定性的管理能力。这种能力的定价方式、交付形态、甚至失败责任，都还在摸索中。你的流程里，哪些环节敢交给AI全权处理，哪些必须留一条人工复核的退路？