RPA+大模型，真创新还是假热闹？

先说几个观察。数字化转型这条路上，RPA技术凭借其稳定高效的特性，几乎是坐上了企业自动化的“头把交椅”。从最初的脚本自动化开始，到现在智能流程、超级自动化，RPA几乎渗透到了企业运营的每一个角落。不过，企业对自动化深度和广度的胃口越来越大，这项技术也就顺理成章地走到了一个十字路口——既有新挑战，也有新机遇。

就在这个当口，一股名为“大模型”的技术浪潮扑面而来。以ChatGPT为代表的生成式AI，凭借强大的数据处理和自然语言理解能力，正给RPA行业带来一场革命。大模型在理解复杂文本、生成自然语言上的天赋，为RPA的智能化升级提供了全新的解题思路和工具箱。

数据猿观察到，无论海内外，不少RPA厂商已经开始将大模型技术引入自家产品。他们的目标很明确：打破传统自动化的边界，实现业务流程的深度智能化，进而推动整个行业变革。接下来，我们就来聊聊这个现象。

国内有哪些厂商在融合大模型？

国内RPA市场正处于数字化转型的风口浪尖，势头强劲。企业对流程自动化需求的激增，让RPA凭借快速部署、高效运作的特性，迅速成为提质增效的关键工具。在金融、电信、制造等行业，RPA正助力企业实现自动化和智能化。尤其在高数据量、重复性劳动密集的业务场景中，RPA的应用价值愈发明显。

在RPA与大模型的融合上，国内多家厂商都在积极探路。

实在智能——垂直大模型TARS与AI Agent

随着大模型时代到来，身为AI准独角兽和超自动化企业的实在智能，发布了自研的垂直大模型TARS，具备“效果可用、成本可控、定制化训练、私有化部署”等差异化优势。同时，他们推出了实在AI Agent智能体产品，号称可以“一句话生成数字员工”。通过实在Agent，用户只需通过文本或对话就能直接生成数字员工，实现“你说，PC做”。这个Agent基于“TARS+ISSUT”双模引擎，成为一个拥有“大脑”和“眼睛手脚”的超自动化智能体，能自主拆解任务、感知环境、执行反馈并记忆历史经验，极大降低了RPA的使用门槛。

艺赛旗——旗旗助手（AI-agent）

艺赛旗在OpenAI推出ChatGPT之初就拥抱了大语言模型。围绕易学、易用和稳定的产品方向，他们将大模型与RPA深度融合。易学方面，利用大模型的语义理解能力，智能推荐完成任务的步骤，提升学习效率。易用方面，借助生成式AI能力，将用户指令从自然语言转化为代码，集成到RPA设计器中，提高开发效率。此外，艺赛旗推出的旗旗助手（AI-agent），能基于用户自然语言输入，自动将指令转化为可执行流程，并返回人类能理解的结果。稳定性上，他们也利用大模型的知识库帮助开发者定位问题、排查错误。

金智维——基于K-Agent平台打造了金智维Kopilot

金智维基于RPA+LLM打造了AI Agent产品K-Agent平台，具备智能交互、思考、分析和决策能力。用户基于该平台，能快速开发、部署各类Copilot型数字员工。智能助手能自主分析任务指令、规划操作流程，用RPA脚本调用对应平台或应用完成业务需求。技术上，K-Agent借助组合式大模型和RPA技术，强化学习机制；场景上，植入行业专精知识库，确保知识的覆盖度、专业性、合规性，降低个性化服务成本。

影刀——影刀GO、影刀Copilot、影刀AI Power

影刀在整合RPA与大模型方面进展显著，推出了影刀AI Power，并在影刀RPA中融入了影刀GO和影刀Copilot两个新功能。影刀GO通过搜索和快速访问办公工具的界面提升生产力；影刀Copilot允许用户通过聊天界面生成RPA指令。面对大模型通用能力与特定业务需求之间的差距以及高成本的数据训练问题，影刀推出了AI Power——一个全新的无代码AI开发工具。它集成企业知识库、全球多元大模型和丰富的AI组件，通过可视化工作流设计，打造高效的企业级AI解决方案，已在招聘、客服、直播、运营等场景中展示了良好效果。

<iframe allowfullscreen="" frameborder="0" src="https://mp.weixin.qq.com/mp/readtemplate?t=pages/video_player_tmpl&action=mpvideo&auto=0&vid=wxv_3518075726165524488"></iframe>

此外，弘玑Cyclone和来也科技也在积极探索。弘玑通过模型微调技术，将GPT与组件封装成智能组件，由自然语言或API驱动；来也科技推出了“魔法帽”（Magic Hat），允许开发者通过自然语言生成自动化流程片段。

国外有哪些RPA厂商在融合大模型？

国外RPA市场经过多年发展，已形成成熟且竞争激烈的生态。以UiPath、Automation Anywhere、Blue Prism为代表的头部企业凭借先发优势和技术创新能力占据主导。这些厂商不仅提供基础RPA工具，还整合AI、数据分析等前沿技术，推动RPA向智能化、平台化发展。国外市场的特点是：技术创新活跃，市场集中度高，AI融合提升了智能化水平。

在RPA与大模型融合上，国外厂商同样走在前列。

1. UiPath——整合生成式AI技术 UiPath是全球RPA行业领军者，提供从发现、自动化到运行优化的全流程平台。他们通过整合生成式AI，增强了RPA产品的智能化水平，使自动化流程更智能高效，并集成了NLP、OCR等AI技术。

2. Automation Anywhere——发布了GPT插件 Automation Anywhere积极将AI技术融入RPA平台。他们已发布GPT插件，并提供相关教程和视频，指导用户利用大模型技术。

3. 微软（Power Automate）——融入大模型 微软通过Power Automate提供RPA服务，利用其在AI领域的强大研发能力，将大模型技术融入平台，增强了智能化功能。

4. NICE——与ChatGPT的集成 NICE作为智能自动化厂商，是率先宣布与ChatGPT技术集成公司之一。通过与ChatGPT的结合，他们在RPA与大模型融合上迈出了重要一步。

为什么要将大模型融入RPA？

既然这么多厂商都在尝试融合，那么原因何在？这背后有哪些好处？

数字化转型浪潮中，企业对自动化和智能化的需求日益增长。RPA原本擅长执行重复性、基于规则的任务，但面对更复杂的业务场景——尤其涉及非结构化数据处理和复杂决策时，传统RPA的局限性就暴露了。正是这种需求演变和技术发展的必然，促使RPA厂商寻求与大模型的深度融合。

大模型凭借在自然语言处理、深度学习和强化学习等领域的突破，为RPA带来了新机遇。这种融合不仅满足了市场对技术融合的迫切需求，也为企业提供了业务流程智能化的强大动力。通过引入大模型，RPA系统能更精准地理解自然语言指令，执行更复杂的文本和数据分析任务，实现更深层次的自动化和智能化。同时，随着企业对数据驱动决策需求的增长，融合大模型的RPA系统能更有效地处理非结构化数据，为企业决策提供更精准、前瞻性的支撑。

在技术层面，融合带来了核心优势的显著提升。RPA系统的自然语言处理能力增强，能更准确理解用户指令、处理复杂文本任务；决策支持与分析能力提升，能基于数据提供业务洞察和优化建议；自动化应用场景扩展到客户服务、风险评估、市场分析等多个领域；最重要的是，用户体验与交互方式得到优化，系统更易于使用，能更好适应不同用户的需求。

实在智能、艺赛旗、金智维、弘玑Cyclone、来也科技等国内RPA厂商的实践，证明了融合的有效性和可行性。通过技术创新，他们不仅提升了产品智能化水平，也为企业数字化转型提供了强力支持。随着技术进步和应用场景深入挖掘，预计RPA与大模型的融合将进一步深化，推动行业快速发展，带来更智能、自动化的解决方案。

具体应该怎样融合？

接下来，我们进一步探讨RPA与大模型的具体融合方式。在实践中，不同厂商采取了多样化的技术路线和实现策略。

1. 智能组件与API的封装 许多RPA厂商将大模型技术封装为独立组件或API，供开发者和业务人员调用。这种方式灵活性高、易用性强，允许用户在不影响现有流程的情况下引入AI能力。例如，通过调用NLP API理解用户自然语言指令，RPA机器人能执行更复杂任务。不过，这种封装可能面临集成度不够的问题，对非技术用户可能存在使用门槛。

2. 平台级集成与服务创新 一些厂商则采取更深入的集成策略，将大模型技术直接嵌入RPA平台核心。AI能力成为平台的“原生服务”，用户可直接在平台内创建和管理智能自动化流程，无需关心底层AI模型的复杂性。这种方式有助于提供流畅一致的用户体验，保证系统稳定性和性能。不过，它可能限制用户对AI模型的定制化需求，且对平台技术要求较高。

3. 私有化部署与模型微调 为满足企业对数据安全和个性化需求的考量，部分厂商提供私有化部署方案。企业可在本地环境部署和运行大模型，同时根据业务需求对模型微调。这确保了数据的安全性和可控性，使AI能力更贴合业务场景。但私有化部署通常要求企业具备一定技术能力，且可能带来更高的运维成本。

4. 原生模型研发与定制化服务 另有厂商专注于研发原生大模型，并提供定制化服务。通过原生模型，厂商可以更深入地优化性能，提供高度定制化的解决方案。这种方式能满足客户个性化需求，但研发和维护成本较高，对技术实力要求也更高。

在融合过程中，厂商需要综合考虑市场需求、技术能力、成本投入和客户反馈等多方面因素。每种方式都有其优势和局限，厂商需要根据自身资源和战略定位，选择最合适的策略。随着技术演进和需求变化，厂商也需要不断调整优化融合策略，以保持竞争力。

还存在哪些问题和挑战？

需要指出的是，在RPA与大模型融合的进程中，企业和技术供应商正共同面对一系列挑战，这些挑战涉及技术、法规、人才培养和成本效益等多个方面。

技术整合的复杂性是首要难题。大模型的集成需要解决与现有RPA系统的兼容性问题，同时保证系统稳定性和响应速度。正如艺赛旗指出的，需要根据应用场景在众多大模型中选择，涉及语言理解、知识获取、推理能力、数学技能、代码生成、智能体设计以及许可证等方面。另外，还需要设计和优化集成大模型的门控网络服务，以实现高效运行和管理，其中关键在于选择合适的专家模型并制定最优组合策略。

大模型对数据处理的能力要求极高，涉及数据量庞大、多样性及质量问题。企业必须确保有足够计算资源和存储能力来支持模型训练和部署，这直接影响到成本控制和规模化部署的可行性。

大模型的泛化能力是另一个关键点。虽然大模型在特定任务上表现出色，但要使其在多变的业务流程中保持高效准确，需要强大的适应性和灵活性。系统集成与兼容性问题同样重要，RPA系统必须与企业现有IT基础设施无缝集成，且不影响现有系统的稳定性和性能。

用户体验也不可忽视。大模型的引入旨在提升交互体验，但也对系统界面和交互设计提出高要求。系统的响应速度和准确性直接影响用户对产品的满意度和信任度。目前，融合技术还处于发展阶段，需要持续创新和优化。

除了技术难题，还有一系列问题需要解决。例如，在数据安全与隐私保护方面，随着自动化流程中涉及的敏感数据增多，企业必须确保数据处理活动符合法规，并采取有效措施防止数据泄露和滥用。人才培养与教育需求的挑战也不容忽视。RPA与大模型融合技术的发展速度远超现有人才培养体系，导致对复合型人才的需求远远大于供给。企业需要投入更多资源进行培训和教育，以填补这一缺口。长期投资与成本效益分析也是重要考量。初期投资较大，企业决策者需评估回报周期和长期价值。随着技术进步，企业还需考虑持续的更新和维护成本。

面对这些挑战，企业需要采取积极措施，如加强与技术供应商的合作、投资人才培养、制定长远技术发展策略等，以确保融合技术能带来最大化价值。同时，政策制定者和教育机构也需要关注这一领域的人才培养问题，通过制定相关政策和教育课程，为行业的健康发展提供人才保障。通过这些努力，RPA与大模型的融合技术将更好地服务于企业的数字化转型，推动整个社会的生产力进步。