RPA + AI：为什么没有“智能”的自动化一定失败，而没有“治理”的智能同样不可落地

引言

过去几年，RPA（机器人流程自动化） 被广泛用于提升效率，
通过模拟人工操作来完成大量重复性工作。

与此同时，AI（人工智能） 被寄予厚望，希望它能够理解文档、辅助判断、提高决策质量。

但在实际落地过程中，越来越多的企业发现一个现实问题：

只有 RPA，系统会变得脆弱
只有 AI，系统难以被信任
二者若没有治理机制，最终都会失败
Related Posts
企业最终会选择哪种 AI：GPT 风格，还是 Gemini 风格？
GPT-5.2 在哪些真实业务场景中明显优于 GPT-5.1
ChatGPT 5.2 与 5.1 的区别 —— 用通俗类比来理解
边缘计算中的计算机视觉：低算力环境下的挑战与中国市场的新机遇
Simplico —— 面向中国市场的企业级 AI 自动化与定制软件解决方案
基于 AI 的预测性维护——从传感器到预测模型的完整解析
会计行业中的 AI 助手——能做什么，不能做什么

本文将从中国企业的真实 IT 环境出发，
探讨 RPA + AI 如何以可控、可审计、可扩展的方式真正落地。

RPA 的优势与天然边界

RPA 非常擅长以下场景：

Web 系统数据录入
系统间信息复制
文件上传 / 下载
固定流程的重复执行

但 RPA 有一个根本限制：

RPA 不“理解”业务，只“执行”操作

一旦流程中出现：

多种文档格式
多语言内容
例外情况
需要人工判断

RPA 的稳定性和维护成本就会迅速恶化。

这是架构问题，不是工具问题。

仅依靠 AI 同样不可行

AI 在以下方面非常强大：

非结构化文档理解
信息抽取与分类
风险识别
决策建议

但 AI 的本质是 概率性系统：

AI 给出的是“建议”，不是“裁决”
AI 提供的是“置信度”，不是“责任”

在强调：

合规
内控
审计
可追溯性的中国企业环境中

让 AI 直接执行业务操作是不可接受的风险。

关键洞察：RPA 与 AI 的职责必须分离

许多项目失败，源于一个错误假设：

让 RPA “思考”
让 AI “动手”

一个可持续的划分方式是：

能力	职责
AI	理解、分析、给出建议
规则 / 策略	强制执行公司政策
人	审批、决策、承担责任
RPA	执行系统操作
Workflow	编排、控制、审计

总结一句话：

AI 负责“判断建议”
人负责“决策负责”
RPA 负责“稳定执行”
Workflow 负责“全过程治理”

可落地的 RPA + AI 架构（无 API 系统前提）

在中国企业中，大量核心系统仍然是
只能通过 Web GUI 访问、没有 API 的存量系统。

下面是一种在现实条件下可行的参考架构：

flowchart TD
    U["业务人员（财务 / 采购 / 物流 / 法务）"] --> P["业务入口门户"]
    P --> S["文档存储（MinIO）"]
    P --> W["流程引擎（Camunda BPMN/DMN）"]

    W --> O["OCR 文档识别（Tesseract：中/英/日/泰）"]
    O --> A["AI 分析层（私有大模型）"]
    A --> R["规则 / 策略引擎（DMN / Policy）"]

    R -->|低风险| X["自动执行请求"]
    R -->|高风险 / 低置信度| H["人工审批 / 复核"]

    H -->|批准| X
    H -->|拒绝| E["终止流程 + 记录原因"]

    X --> B["RPA 执行器（Robot Framework）"]
    B --> G["存量 Web 系统（无 API）"]

    W --> D["流程数据库（PostgreSQL）"]
    W --> L["审计日志（ELK）"]
    B --> L