我要投稿

RPA+大模型，真创新还是假热闹？

发布日期：2024-06-25 19:52:49 浏览次数： 1916 来源：数据猿

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

53AI，企业落地应用大模型首选服务商

产品：大模型应用平台+智能体定制开发+落地咨询服务

承诺：先做场景POC验证，看到效果再签署服务协议。零风险落地应用大模型，已交付160+中大型企业

160+中大型企业正在使用53AI

立即咨询预约演示

百度智能云邀53AI：共创AI新纪元，启航智能新时代

2024-05-27

钉钉恒星计划：53AI与百余位企业家及钉钉生态伙伴，共议“AI 浪潮下的新机遇”

2024-05-22

热点资讯

AI 大模型在金融行业应用深度分析 2024

2024-04-30

关于人工智能在金融领域的应用研究

2024-07-18

2024 年过半，AI 大模型在各行业的落地实践走到哪了？

2024-07-04

AI Agent在金融领域的应用场景与落地案例

2024-07-10

FinGPT：12.3k 星星！金融领域的开源大模型来了！

2024-06-11

开源金融AI平台，帮你自动写研报、做分析

2024-06-20

大模型在金融行业的应用场景

2024-03-29

大模型在金融领域落地思路与实践

2024-07-04

2024 年过半，AI 大模型在各行业的落地实践走到哪了？

2024-06-29

金融机构如何打造基于大模型的数字员工？

2024-07-10

大家都在问

AI 与大模型如何助力金融研发效能最大化？

2024-08-23

AI大模型落地金融：如何应对五大挑战？

2024-08-15

金融机构如何打造基于大模型的数字员工？

2024-07-10

2024 年过半，AI 大模型在各行业的落地实践走到哪了？

2024-07-04

2024 年过半，AI 大模型在各行业的落地实践走到哪了？

2024-06-29

金融分析中，LLM能否超越人类分析师？

2024-06-27

AI结合行业的玩法，你都知道了吗？

2024-06-26

RPA+大模型，真创新还是假热闹？

2024-06-25

开箱即用的企业大模型应用平台

工作+AI

业务+AI

AIx业务

大模型咨询

大模型定制

相关资讯

160+中大型企业正在使用53AI

百度智能云邀53AI：共创AI新纪元，启航智能新时代

钉钉恒星计划：53AI与百余位企业家及钉钉生态伙伴，共议“AI 浪潮下的新机遇”

热点资讯

AI 大模型在金融行业应用深度分析 2024

关于人工智能在金融领域的应用研究

2024 年过半，AI 大模型在各行业的落地实践走到哪了？

AI Agent在金融领域的应用场景与落地案例

FinGPT：12.3k 星星！金融领域的开源大模型来了！

开源金融AI平台，帮你自动写研报、做分析

大模型在金融行业的应用场景

大模型在金融领域落地思路与实践

2024 年过半，AI 大模型在各行业的落地实践走到哪了？

金融机构如何打造基于大模型的数字员工？

大家都在问

AI 与大模型如何助力金融研发效能最大化？

AI大模型落地金融：如何应对五大挑战？

金融机构如何打造基于大模型的数字员工？

2024 年过半，AI 大模型在各行业的落地实践走到哪了？

2024 年过半，AI 大模型在各行业的落地实践走到哪了？

金融分析中，LLM能否超越人类分析师？

AI结合行业的玩法，你都知道了吗？

RPA+大模型，真创新还是假热闹？

热门标签