这些能力将帮助业务流程下游和多项业务活动实现自动化和智能化。传统的RPA主要专注于操作流程的自动化，智能地拆解任务中的各个步骤进行单点处理。然而，如今大型语言模型能够从整体流程入手进行自动化改造。所有的SOP都有不同的维度，涉及数据、文档和应用流程。在大语言模型的基础上，更值得优先解决的应该是数据和文档的问题。例如，如何通过文本生成SQL，如何利用文本使用BI工具，如何从文档中提取信息，以及如何对各种文档进行比对和统计等问题。

尽管很多头部互联网公司早已经在很多业务场景中实现了AI驱动的流程自动化。但过去这些公司面临的最大问题是ROI很不理想。在大模型时代，企业可以采用更高性价比、更适合SaaS化、更智能的基础设施，驱动业务流程的自动化发展。

以企业中长期存在一个非常典型的场景，同时也是一个痛点为例，即每个人都会加入大量的工作微信群和飞书群，但由于信息分散在各个地方，因此当项目负责人更换或客户提出重要需求时，业务人员不得不只能手动浏览所有群内信息才能了解详细情况。现在，借助AI技术，企业可以轻松地避免这种情况，实现信息的自动化整理和分析。

另一个方面是可以通过AI增强专家的影响力，来提高企业管理效率。过去，由于人力资源和成本等问题，很多任务无法安排最资深的人来执行。如今，专家可以通过将其经验赋予AI Agent，然后在每个环节利用Agent来增强基层员工。这种增强效果将使企业业务流程更加高效。

另外，周健还强调了当前AI作为“Connected”的关键角色在业务流程自动化中发挥着关键作用。一个业务流程通常会涉及多个角色，业务任务和业务活动属于其中的单一角色。在过去，企业通常使用BPM（业务流程管理business process management）或工作流引擎推动业务事项在不同角色之间进行流转，从而推动业务的进一步发展。但现在利用AI Agent可以设计出很多自动化功能，超越甚至取代原来的工作流引擎。比如在澜码内部，他们的开发人员探索性利用AI实现自动订阅、预订、监测项目、客户管理的各种变化和进度。

长期以来，企业进行自动化改造主要都是为了“降本增效”，但在周健看来，AI Agent的核心价值则是帮助提高业务人员的工作质量。企业内部的竞争优势通常都是由其最高级的专家的水平所决定，但对专家的依赖性越高，风险也越大。现在利用AI agent，企业可以复制专家的分身，即使只达到专家70% 的水准也非常有价值。而且还可以通过增加显卡等方式来增加专家响应各种任务的能力。所以AI agent目前最主要的作用是增收，以及解决一些合规问题。

举例来讲，猎头公司本身就是需要持续增效的企业，提高效率意味着其会有更多的收入。同样，软件外包公司招聘也是一个增收部门。假设软件外包公司原先有100个招聘专员，大部分招聘专员平均每月只能招聘一人，但最厉害的招聘专员一个月能够招聘10个人。现在如果能把最强招聘专员的技能封装到AI agent里，在其辅助下，可以将其他招聘专员的效率提升到平均每人每月能够招聘4-6人，甚至更多，企业就能获得更多的收入。这是澜码科技在解决的问题，也是AI agent能够起到重要价值的地方。

并且在大模型的帮助下，这些SOP的执行也更灵活。在过去，诸如Excel、计算器或其他软件只能替代一些固定和逻辑性的任务，无法替代人类的角色判断和软性沟通。例如，一直以来，业务人员在提交报销单时，常规流程是不仅需要在系统上进行操作，还需要进行口头沟通以确认事项。但ERP软件只能完成报销单的“提交”操作，无法替代或者执行沟通过程。但现在有了AI的介入，一些灵活沟通动作也可以通过自动化来完成。

另外，在利用AI进行流程自动化改造的过程中，还必须考虑一个重要因素。在现实世界的企业内部，完成一项任务通常需要多人协作。现在假设其中一些人要被替换为Agent，这不只是一个人和一个Agent的互动，而是一个人和多个Agent，或者多个人和多个Agent的互动。这就引发了一个关键问题：在执行这个流程的过程中，何时引入人类的参与？何时引入Agent？Agent应负责完成哪个部分？以及机器如何更好地与人类员工协作？通俗来说，就是要将以前只有人类参与完成的众多业务流程改造为由机器、大模型、Agent和人类共同来完成的模式。

也因此探索人与Agent之间的有效协作方式是其中的核心挑战。

Tyrion正在通过打破传统交互模式，尝试探索将多个Agent与多个人类的互动结合起来的新交互模式来解决这个问题。其次，通过提升Agent的深度思考能力以及对于人类意图的有效理解，创造一种更智能、高效的业务流程协同体验，使得机器与人之间的合作更加顺畅和自然。

如果所有的Workflow都由人类完成，我们会司空见惯，把它当成非常常规的业务流程。然而，目前还没有一家企业能够让多个Agent也参与其中，这是Tyrion正在努力解决的问题。

刘煜晨承认对企业的业务流程重塑和人机协作意识的改造确实是一项艰巨任务。这必定是一个要耗费很长时间，让所有人逐步学习接受的过程。但随着AI数字化的发展，企业最终必定都将走向这个形态。并且毋庸置疑，数字员工在特定任务上肯定比人类员工更可靠，成为主要替代力量。就像工业自动化替代了人类工作的一部分，软件又替代了另一部分白领工作，AI Agent正推动第三阶段的流程自动化转型，替代更多人工重复性工作。当然并不意味着完全取代人类，而是实现与人类的有机协作。

在工业时代，人们思考工业流水线哪些任务应该由机器替代；软件发展初期，所有人也曾思考软件应该替代人类工作流中的哪一部分，如今在大语言模型和AI Agent的时代亦是如此。挑战在于我们尚未有这方面的先例，还需要通过进行“需求探索”来规模化应用Agent，而这还处于非常早期的阶段。

他指出，曾经由阿里巴巴提出的中台组织将逐渐被AI Agent替代。未来企业流程可能演变为大前台和大后台的组织结构，中间的信息传递和总结等任务将完全由agent替代。这些 agent将负责传递各种信息和总结概要，最终传递给部门负责人和中台资源能力负责人，推动他们做出决策。这意味着在数字时代，科层制的传统模式将会面临更加敏捷和自动化的转变。

其次，在周健看来，传统B端软件在技术上一直存在瓶颈，缺乏明显的技术突破，无论是DevOps、AI 1.0，或是其他很多技术都属于一次性的突破。包括RPA也主要只解决了应用层面的问题，仅限于执行最终的操作。然而，大语言模型的语言理解和逻辑推理能力作为通用性的突破，使其在各种场景中都能得到应用，同时ToB软件的商业逻辑也在发生变化。

过去，ToB企业主要盈利模式是通过找到合适的客群和决策者，根据行业和职能来签约。而且国内的情况更为特殊，IT预算主要集中在央企，行业主要是银行和金融，客群主要是CFO、CHO、HR、营销部门等。但如今，AI agent可以直接在岗位上替代人类，将直接削减雇佣一部分人类员工的预算和岗位，这也是与传统ToB软件企业不同的逻辑。这意味着将出现很多不同的新机会，另外某种程度上也是对传统ToB软件厂商的降维打击。周健介绍，澜码科技当前实际上聚焦的正是研究国内有哪些岗位的工作内容具有高度复用性和复制性，并通过AI Agent将其中的专家知识进行数字化沉淀，最终实现人机融合。

对此周健还补充表示，面对这种情况，训练垂直行业大模型或许不是正确的路线。大模型的本质正是对知识的压缩。他认为，同一行业的不同岗位，知识的重叠度很高；不同行业的同一岗位，知识的重叠度也会更高。反之，不同行业的不同岗位，知识的重叠度非常低。例如，一名银行行长和一名保险公司的CEO行业知识的overlap肯定是比较高的；一名银行的Java工程师和一名保险公司的Java工程师的行业知识overlap也是很高的。反之，一名Java工程师和一名银行行长知识的overlap会非常低。这就给了AI Agent重塑组织流程的机会。并且从岗位角度切入，复制性会更强。因此，AI Agent最终抢占的是HR的预算，通过用AI agent来替代不同岗位，最终帮助企业实现收益。

1913年，亨利·福特（Henry Ford）借鉴美国管理学家弗雷德里克·温斯洛·泰勒（Frederick Winslow Taylor）提倡的“作业标准化（泰勒制）”，发明了世界第一条流水线——福特汽车流水线，自此实现了机械化的大工业，大幅度提高了劳动生产率，出现了高效率、低成本、高工资和高利润的局面。之后就诞生了ERP（Enterprise Resource Planning，企业资源规划）软件系统，通过集成不同的业务流程和部门，提高企业的效率、协同作用和决策支持。但当前，知识工作者的工作流程不够标准化，无法形成服务工种的ERP，这是一个重要的结构性机遇。

周健解释道，企业上层管理者需要员工的工作有标准化接口，而员工的工作又是柔性和个性化的。AI Agent的出现恰好可以解决这个矛盾，通过将员工的流程标准化改造，将为ToB软件形态的重塑奠定重要基础。

对于ToB软件的发展方向，刘煜晨也持相近观点，他认为大语言模型和AI Agent的出现为企业软件领域也带来了全新的颠覆性机遇，更大地激发了底层需求潜力。这使得新晋的AI Native公司们有机会建立起类似于Salesforce或SAP这样的软件巨头。刘煜晨强调，尽管Salesforce、Adobe和SAP等ToB软件巨头去年也纷纷推出了多款AI应用，但这些应用主要还是依附在它们已有产品的某些具体功能点上。相较之下，真正用好大语言模型和生成式AI带来的强大能量更需要用AI Native的方式重新思考企业软件的形态，重新去观察那些企业中许多分散的、以前只能由人工完成的流程，现在可以用机器来替代，这才是未来真正的机遇。

- END -