智能体自动化，也就是能推理、能适应变化来完成任务的软件，正在出现在AI卓越中心（AI CoE）的路线图上。但公司用来论证自动化投资的标准方法——省下的工时乘以人力成本，再减去建设费用——是为机器人流程自动化（RPA）这类基于规则的工具设计的。这套模型漏掉了智能体创造的大部分价值。
本文介绍一个框架，供AI CoE负责人用来构建能捕捉智能体自动化全部价值的商业论证。你将了解为什么RPA时代的投资回报率模型不够用，如何衡量它漏掉的价值，以及哪些工作流值得用智能体来自动化。
为什么传统商业论证不够用
经典的投资回报率模型是为稳定、高频、基于规则的工作建立的：数交易量，量分钟数，乘以全负荷费率，减去建设成本。RPA就是靠这套逻辑站稳脚跟的。
这套模型假设了它所服务的世界。它假设流程是稳定的，所以忽略了流程变化时维护自动化的成本。它假设任务是规则驱动的，所以没有异常这一项。它假设工作就是全部，所以从不计算人工监督的成本。它把省下的工时当成已经落袋的价值，而释放出来的产能常常被积压的工作重新填满，根本到不了利润表。麦肯锡说，公司一直在犯的错误，就是没有为“把省下的工时转化成结果”这件事提供足够投入：成功的AI转型遵循“1:3:5模式”，即“在智能体技术上每投入1美元，组织要在流程重塑上花3美元，在能力建设和推广上花5美元。但大多数公司把这个公式完全倒过来了”（麦肯锡，《智能体AI变革管理：弥合采用差距》，2026年）。
我们默认自动化的价值藏在任务本身，但在智能体自动化里，大部分价值其实在任务周围：判断、异常、跨系统协调。真正的收益来自围绕智能体重设计工作流，而不是把一个智能体塞进一个没变过的流程里。
老模型漏掉的价值维度
一个更好的商业论证要量四个价值维度，外加一个决定它们能否进入利润表的条件。我们称之为智能体价值模型。
时间节省。这一项仍然算数，但智能体把它扩展到了固定规则RPA处理不好、或者需要大量异常逻辑才能勉强处理的工作上。衡量方式没变。智能体只是把它用在了更大的工作基数上。
异常处理。异常承载了很大一部分成本。亚马逊云科技的指导给出了规划区间：纠正一个错误的成本，可能是原始交易成本的1.5到4倍；人为错误可能占运营成本的2%到15%（AWS规范指导，《评估你当前的人工流程成本》）。返工倍数给的是团队抓到的异常定价。错误百分比给的是漏过去的异常定价。只算人力成本的方案，这两项全漏了。
决策质量。智能体可以大规模执行统一策略，并记录推理依据，但一致性和错误率需要持续测量。正如AWS指出的，“低频高价值的决策，可能值得用智能体辅助来提升决策质量，而不是为了降本”（AWS规范指导，《理解智能体AI经济学》）。在信贷、定价或风控上，一个更好的决策，价值可能超过一整年省下的分钟数。
变化韧性与维护经济性。这一项是双向的。脚本很脆弱：屏幕或上游系统一变，它就坏了，得有人重建。智能体能吸收一部分变化，不用重写，但它把维护转移到了评估、提示词、监控和模型运维上，并没有消除维护，而且运行本身也有成本。这笔账要把避免掉的脆弱脚本维护，和持续的智能体运营成本放在一起算。所以流程经常变的场景，账可能偏向智能体；流程冻结的场景，未必。
统领这四个维度的条件，是价值实现：每一项收益都需要一个明确的机制，把运营改善转化成经济价值，外加一个负责任的负责人。对于释放出来的劳动力，这意味着要么减少支出，要么把产能重新部署到一个明确的、可衡量的结果上。
省下的工时，不等于省下的钱
用一个理赔分诊流程来算一笔账，数字仅作示例。假设每年处理20万件理赔，每件大约12分钟（返工之前），全负荷人力成本每小时45美元，基础成本约180万美元。把其中70%的常规件自动化，释放出约2.8万小时，或者说约126万美元的产能，这是还没算这些理赔仍然需要的监督时间之前的数字。大多数方案就是在这里出错的，因为释放工时和节省开支是两回事。公司只有在少雇人、或者削减承包商、加班、外包支出时，才真正少花钱。否则，同样的人还在工资单上，利润表永远看不到那126万美元。如果人员流失和加班减少能捕获其中一半，账上应该记约63万美元，而不是全额。
把人重新部署是更常见的结果，那价值就是他们新产出的东西。每一个释放出来的小时，要么算重新部署的价值，要么算现金成本削减，不能两头都算。然后再加上只算人力成本的方案看不见的部分。8%的理赔需要纠正，也就是1.6万件。纠正成本是每件约9美元处理成本（12分钟按每小时45美元算）的3.5倍，约50.4万美元的年度纠正风险敞口。这是基线，不是智能体带来的价值。价值是智能体消除掉的那部分：减少40%，再乘以75%的实现系数，建模收益接近15.1万美元。这还没算任何一个被改进的欺诈标记决策值多少钱。因为12分钟的基础不含返工，这部分和释放出来的产能不重叠。如果你的基线包含返工时间，那些节省只能算在一个池子里。这个版本的账，能算出一个财务认得的数字。
热门跟贴