从 RPA 到 AI Agent,数字员工规模化落地的三大阶段

文章正文
发布时间:2024-04-10 08:26

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

内容已做精简,如需获取专家完整版视频实录和课件,请扫码领取。

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

为什么 RPA 在过去五年发展非常快?

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

RPA 究竟解决了什么问题?

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。

03

数字员工成为了员工 - 系统、员工 - 数据、系统 - 数据间的桥梁。

1、操作复杂的系统

2、处理各种类型的数据

3、和员工进行交互和协作

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。

1、降低 RPA 的开发的成本

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。

2、拓展 RPA 的应用的场景

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

案例一:AI Agent 赋能保险代理人

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。

以上场景可实现三大业务价值:

1、为客户提供更专业、更个性化的服务,提升客户的满意度。

2、提升保险订单转化率和订单金额。

3、让保险代理人的服务能力更强,可以服务更多的客户。

案例二:AI Agent 赋能财务报销工作

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。

案例三:AI Agent 覆盖 HR 招聘流程

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。

以上就是本次 AI Agent 数字员工规模化落地分享的内容,如需获取专家完整版视频实录和课件可扫码领取。

首页
评论
分享
Top