RPA+大模型，真创新还是假热闹？

大数据产业创新服务媒体

——聚焦数据 · 改变商业

---

在数字化转型的浪潮中，RPA（Robotic Process Automation）技术以其高效、稳定的特性，成为了企业自动化的宠儿。RPA的发展历程可谓迅猛，从最初的简单脚本自动化，到如今的智能流程自动化、超级自动化，RPA正逐步渗透至企业的每一个业务流程中。然而，随着企业对自动化深度和广度的要求不断提高，RPA技术也面临着新的挑战和机遇。

近年来，一股新兴技术潮流——大模型技术，正以其强大的数据处理能力和自然语言理解力，为RPA行业带来革命性的影响。大模型，特别是以ChatGPT为代表的生成式AI模型，其在理解复杂文本、生成自然语言描述方面的能力，为RPA的智能化升级提供了新的思路和工具。

数据猿观察到，无论是国外还是国内，不少RPA厂商纷纷引入大模型技术，旨在通过这一技术的融合，打破传统自动化的边界，实现业务流程的深度智能化，进而推动整个行业的变革。接下来，我们就这一现象进行深入分析。

国内有哪些厂商在融合大模型？

国内RPA市场正站在数字化转型的风口浪尖，展现出强劲的发展势头。随着国内企业对业务流程自动化需求的激增，RPA技术以其快速部署、高效运作的特性，迅速成为企业提质增效的重要工具。在金融服务、电信、制造业等多个行业中，RPA正助力企业实现业务流程的自动化与智能化，特别是在高数据量、重复性劳动密集的业务场景中，RPA的应用价值日益凸显。

在RPA与大模型的融合应用方面，国内有多家厂商都在进行积极的探索。

实在智能——垂直大模型TARS与AI Agent

随着大模型时代的到来，作为AI准独角兽和超自动化企业，实在智能除发布自研的、具备“效果可用、成本可控、定制化训练、私有化部署”等差异化优势的垂直大模型TARS外，还积极探索大模型与RPA的结合，发布了可以“一句话生成数字员工”的实在AI Agent智能体产品。数据猿发布的文章《终于，AI大模型长出了自己的手脚 》，对实在智能的相关技术产品有更深入的介绍。

通过实在Agent，用户可通过文本或对话直接生成数字员工，实现“你说，PC做”。实在Agent基于“TARS+ISSUT”双模引擎，轻松成为拥有“大脑”与“眼睛和手脚”的超自动化智能体，他可自主拆解任务、感知环境、执行反馈并记忆历史经验，进一步降低RPA使用门槛。实在Agent智能体既是个人用户的AI助理，也是政企员工的办公助手，是实在智能为各行各业输送的新质生产力。

艺赛旗——旗旗助手（AI-agent）

在OpenAI推出ChatGPT之初，艺赛旗就积极拥抱大语言模型技术，在围绕易学、易用和稳定的RPA产品演进方向上，将大模型与RPA进行深度融合。易学方面，利用大模型的语义理解能力，智能推荐完成该任务的操作步骤，方便用户快速掌握RPA的流程开发，提高学习效率和使用体验。易用方面，借助大模型生成式AI能力，根据用户指令，将自然语言转化为代码，并集成到RPA设计器中，以提高开发者的流程开发效率。

此外，艺赛旗推出的旗旗助手（AI-agent），通过集成大模型的能力，基于用户的自然语言输入，可将其转化为可执行指令，并自动判断处理、执行自动化流程，同时，还能以人类能理解的语言形式返回处理结果。

稳定性方面，在流程开发过程中，艺赛旗利用大模型的知识库，协助开发者进行问题定位和错误排查，从而增强流程稳定性。

金智维——基于K-Agent平台打造了金智维Kopilot

金智维基于RPA+LLM打造金智维AI Agent类产品K-Agent平台，该平台具备智能交互、思考、分析和决策等能力。此外，用户基于K-Agent平台，可以实现快速开发、部署各类智能助手（Copilot）型数字员工，从而应对不同的业务场景需求。数据猿发布的文章《最强大脑遇上最灵双手，新质生产力有了最强助手》，对其有更深入的分析。

智能助手依托精调的领域模型，能够自主分析任务指令并规划操作流程，使用RPA脚本调用对应的平台或应用，高效优质地完成业务需求，给出执行结果反馈或者问答用户问题，将复杂的业务决策转化为可执行的业务能力。

在技术上，K-Agent借助组合式大模型技术、RPA技术等，强化智能助手的学习机制，让模型越用越聪明；在场景上，K-Agent植入行业专精知识库，保证行业所要求的知识的覆盖度、专业性、合规性和正确性，降低个性化服务成本。

影刀——影刀GO(极简应用）、影刀Copilot（魔法指令）、影刀AI Power

影刀公司在整合RPA与大模型技术方面取得了显著进展，主要发布了影刀AI Power这款产品，以及在影刀RPA融合AI能力，推出影刀GO、影刀Copilot两个新功能。

具体来说，影刀GO（极简应用）通过提供一个搜索和快速访问办公工具的界面，提升了办公生产力。影刀Copilot（魔法指令）允许用户通过聊天界面生成RPA指令，简化操作流程。

在实际操作中，大模型与RPA融合的主要挑战，包括大模型的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和模型调优需求。为了解决这些问题，影刀推出了影刀AI Power，其是一个全新的无代码AI开发工具，它集成了企业知识库、全球多元大模型和丰富的AI组件，通过可视化工作流设计和多样集成调用功能，致力于打造一个高效的企业级AI解决方案。目前，该方案已经在招聘、客服、直播和运营等多个场景中展示了良好的应用效果。

此外，弘玑、来也科技等企业，也在进行积极的探索。弘玑Cyclone积极探索RPA与大模型的结合，通过模型微调技术，将GPT与原有及新开发的组件封装，构成多个智能组件，并通过自然语言或API驱动。来也科技推出了基于大语言模型的产品“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市场经过多年的发展，已经形成了一个成熟且竞争激烈的生态。以UiPath、Automation Anywhere和Blue Prism为代表的头部企业，凭借早期的市场进入优势和强大的技术创新能力，占据了市场的主导地位。这些厂商不仅提供基础的RPA工具，还通过整合AI、数据分析等前沿技术，推动了RPA向智能化、平台化的方向发展。

国外RPA市场呈现出以下特点：一是技术创新活跃，厂商们竞相开发更具竞争力的产品和解决方案；二是市场集中度较高，大型厂商通过并购、合作等方式，不断扩大市场份额；三是随着AI技术的融合，RPA的智能化水平不断提高，为市场带来了新的增长动力。

在RPA与大模型融合应用方面，国外的RPA厂商也走在前列。

1. UiPath——整合生成式AI技术

UiPath是全球RPA行业的领军企业，提供一套完整的自动化平台，涵盖从发现、自动化到运行和优化的全流程，服务于全球数千家企业客户。

UiPath在引入大模型技术方面表现积极，通过整合生成式AI技术，UiPath增强了其RPA产品的智能化水平，使得自动化流程更加智能和高效。UiPath通过集成NLP、OCR等AI技术，为客户提供端到端的自动化解决方案。

2. Automation Anywhere——发布了GPT插件

Automation Anywhere是另一家全球知名的RPA厂商，其产品同样覆盖自动化的全生命周期，并且在全球拥有广泛的客户基础和市场影响力。

Automation Anywhere积极探索将AI技术融入其RPA平台，以提升自动化流程的智能化水平。公司已经官宣或者发布了GPT插件，并提供了相关教程与视频，指导用户如何利用大模型技术。

3. 微软（Power Automate）——融入大模型

微软作为全球科技巨头，在RPA领域通过Power Automate提供服务，该服务允许用户创建自动化工作流程，连接各种应用和服务。

微软利用其在AI领域的强大研发能力，将大模型技术融入Power Automate，增强了RPA的智能化功能。

4. NICE——与ChatGPT的集成

NICE作为智能自动化厂商，提供包括RPA在内的多种智能自动化解决方案，其产品广泛应用于金融、保险、电信等多个行业。

NICE是率先宣布与ChatGPT技术集成的公司之一。通过与ChatGPT的集成，NICE在RPA与大模型的结合上迈出了重要一步，这标志着其在利用大模型提升RPA智能化方面的进展。

为什么要将大模型融入RPA？

既然这么多RPA厂商都在想办法将大模型与RPA实现融合，那么，他们为什么要这么做呢，会带来哪些好处？

在数字化转型的浪潮中，企业对于自动化和智能化的需求日益增长，这不仅推动了RPA技术的广泛应用，也催生了将其与大模型技术融合的迫切需求。RPA技术原本在执行重复性、基于规则的任务方面具有显著优势，但面对更为复杂的业务场景，尤其是涉及非结构化数据处理和复杂决策时，传统RPA的局限性开始显现。正是这种市场需求的演变和技术发展的必然，促使RPA厂商寻求与大模型技术的深度融合。

大模型技术，凭借其在自然语言处理、深度学习和强化学习等领域的突破性进展，为RPA带来了新的发展机遇。这种融合不仅满足了市场对于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推动力。通过引入大模型，RPA系统能够更加精准地理解自然语言指令，执行更为复杂的文本和数据分析任务，从而在业务流程中实现更深层次的自动化和智能化。

此外，随着企业对于数据驱动决策需求的增长，融合大模型的RPA系统能够更有效地处理和分析大量非结构化数据，为企业决策提供更加精准和前瞻性的支撑。这种数据驱动的决策模式，不仅提升了企业的运营效率，也为企业在激烈的市场竞争中保持竞争优势提供了有力支持。

在技术层面，RPA与大模型的融合带来了核心优势的显著提升。融合后的RPA系统在自然语言处理能力上得到了增强，能够更准确地理解和执行用户的指令，处理更为复杂的文本任务。同时，决策支持与分析能力的提升，使得RPA系统能够基于数据提供更深层次的业务洞察和优化建议。此外，自动化应用场景得到了扩展，RPA不再局限于传统的数据录入和处理，而是可以扩展到客户服务、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的优化，使得RPA系统更加易于使用，能够更好地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厂商在这一领域的探索和实践，证明了RPA与大模型融合的有效性和可行性。通过技术创新和产品升级，不仅提升了RPA产品的智能化水平，也为企业数字化转型提供了强有力的支持。随着技术的不断进步和应用场景的深入挖掘，预计RPA与大模型的融合将进一步深化，推动RPA行业的快速发展，并为企业带来更加智能化、自动化的解决方案。

具体应该怎样融合？

接下来，我们来更进一步，看看要将RPA与大模型融合，都有哪些具体的方式。在RPA与大模型技术融合的实践中，不同厂商采取了多样化的技术路线和实现策略，以期达到提升产品智能化水平、拓宽应用场景的目的。以下是几种主要的融合技术实现方式，以及它们的优势、适用场景和潜在局限。

1. 智能组件与API的封装

许多RPA厂商选择将大模型技术封装为独立的智能组件或API，供开发者和业务人员调用。这种方式的优势在于它的灵活性和易用性，允许用户在不影响现有RPA流程的情况下，引入AI能力。例如，通过调用NLP API理解用户输入的自然语言指令，RPA机器人可以执行更复杂的任务。然而，这种封装方式可能面临集成度不高的问题，对于非技术用户来说，理解和使用这些组件可能存在一定的门槛。

2. 平台级集成与服务创新

一些厂商则采取了更为深入的集成策略，将大模型技术直接嵌入到RPA平台的核心。这种集成方式使得AI能力成为平台的原生服务，用户可以在RPA平台内直接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。平台级集成有助于提供更加流畅和一致的用户体验，同时也可以更好地保证系统的稳定性和性能。不过，这种集成方式可能会限制用户对AI模型的定制化需求，且对于平台的技术要求较高。

3. 私有化部署与模型微调

为了满足企业对数据安全和个性化需求的考量，部分RPA厂商提供了私有化部署的解决方案。企业可以在本地环境中部署和运行大模型，同时根据特定的业务需求对模型进行微调。私有化部署确保了数据的安全性和可控性，而模型微调则使得AI能力更加贴合企业的业务场景。但是，私有化部署通常需要企业具备一定的技术能力，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的大模型，并提供定制化服务以满足特定行业或企业的自动化需求。通过原生模型，厂商可以更深入地优化模型性能，并提供更加定制化的服务。这种方式的优势在于它能够提供高度定制化的解决方案，更好地满足客户的个性化需求。不过，原生模型的研发和维护成本较高，且对厂商的技术实力有较高要求。

在实现RPA与大模型技术融合的过程中，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。每种融合方式都有其特定的优势和局限，厂商需要根据自身的资源和战略定位，选择最合适的融合策略。同时，随着技术的不断进步和市场需求的变化，厂商可能需要不断调整和优化其融合策略，以保持竞争力。

还存在哪些问题和挑战？

需要指出的是，在RPA与大模型技术融合的进程中，企业与技术供应商正共同面对一系列挑战，这些挑战不仅涉及技术层面，也关乎法规、人才培养以及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，同时保证系统的稳定性和响应速度。正如艺赛旗指出的那样，我们需要根据应用场景的不同，在众多大模型中做出选择，这可能涉及到语言理解、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的考量。另外，我们需要设计和优化集成大模型的门控网络服务，以实现高效的模型运行和管理。其中的困难点是需要选择合适的专家模型，并制定出最优的组合策略，以便将模型生成的最佳路径和结果反馈给用户。

大模型对数据处理的能力要求极高，这不仅涉及到数据量的庞大，还包括数据的多样性和质量。企业必须确保拥有足够的计算资源和存储能力，以支持大模型的训练和部署，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，尽管大模型在特定任务上表现出色，但要使其在多变的企业业务流程中保持高效和准确，需要模型具备强大的适应性和灵活性。这同样适用于系统集成与兼容性问题，因为RPA系统必须与企业现有的IT基础设施无缝集成，且不影响现有系统的稳定性和性能。

用户体验也是一个不可忽视的方面，大模型的引入旨在提升用户与RPA系统的交互体验，但这也带来了对系统界面和交互设计的高要求。同时，系统的响应速度和准确性会直接影响用户对RPA产品的满意度和信任度。

目前，大模型与RPA的融合技术还处于发展阶段，需要持续的技术创新和系统优化。

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日益增多，企业必须确保其数据处理活动符合法律法规，并采取有效措施防止数据泄露和滥用。此外，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，导致市场上对此类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人才培训和教育，以填补这一缺口。长期投资与成本效益分析也是一个重要考量，融合技术的初期投资较大，企业决策者需评估这一投资的回报周期和长期价值。随着技术的不断进步，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、制定长远的技术发展策略等，以确保RPA与大模型融合技术能够为企业带来最大化的价值。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。

文：一蓑烟雨 / 数据猿
责编：凝视深空 / 数据猿