一、企业为什么又开始谈RPA ？

最近和几家企业聊智能体落地，一个很明显的变化是：年初大家还在讨论 “ 能不能让 Agent 把整条流程都做了 ” ，现在更常问的是， “ 哪些步骤继续交给大模型，哪些步骤应该换回 RPA ？ ”

这不是技术倒退，而是企业开始算总账。

比如每天早上登录多个系统，下载经营报表，改文件名，归档，再把数据录入分析模板。让智能体每次重新看页面、理解目标、决定点击顺序，当然也能做；但任务一旦每天重复几百次，模型调用、页面识别、失败重试和人工复核都会累积。RPA 把同一套规则固化后，执行路径更短，结果也更容易预测。

所以，企业重新重视RPA ，不是因为大模型没用，而是终于分清了 “ 需要思考的工作 ” 和 “ 只需要稳定执行的工作 ” 。

二、Token 消耗是不是主因？只说对了一部分

Token 确实会影响成本。模型需要读取提示词、历史上下文、业务文档和工具返回结果，再生成判断或操作指令。流程越长、携带的数据越多、调用次数越频繁，费用越容易被放大。缓存可以降低部分重复输入的成本，但不能消除每一次执行中的推理、工具调用和异常处理。

真正需要警惕的是，企业很容易只看模型单价，却忽略完成一项任务到底用了多少轮调用。一个流程如果要 “ 读取页面 — 判断下一步 — 调用工具 — 检查结果 — 失败后重试 ” ，实际成本不只是 Token ，还包括运行时间、失败重跑、人工复核和后续维护。

可以把它理解为一笔总账：

一项自动化任务的总成本 = 模型调用 + 执行与重试 + 人工复核 + 流程维护。

当任务低频、变化多、需要理解时，多花一些Token 往往值得；当任务高频、规则固定、容错率低时，让模型每次重新思考，反而是一种浪费。

三、比Token 更贵的，是三类隐性成本

1. 执行结果不够确定

大模型擅长处理模糊信息，但企业流程经常要求同样输入必须得到同样动作。下载哪一天的报表、文件保存到哪个目录、金额填入哪个字段，这些步骤没有必要追求 “ 灵活 ” 。一旦页面理解或工具调用出现偏差，后面的分析结果也会跟着错。

2. 错误之后还要有人复核

智能体偶尔做错一次，在演示中可能只是小问题；放到每天数千次的业务操作里，就会变成人工核对清单。企业省下了操作时间，却新增了一支 “ 盯着 AI” 的队伍，效率并没有真正提高。

3. 权限、审计和责任更复杂

进入财务、人事、采购等核心系统后，企业必须知道谁发起任务、机器人用了什么账号、改了哪些数据、失败后停在哪里。模型能完成操作，不等于流程已经满足权限分级、日志留痕和责任追踪要求。

这三项成本加起来，往往比Token 本身更能决定项目是否长期运行。

四、哪些工作交给RPA ，哪些交给智能体？

最实用的判断方法，是看任务中 “ 规则 ” 和 “ 理解 ” 各占多少。

RPA 适合登录系统、下载报表、复制录入、文件归档、批量查询和固定通知。这些动作路径清楚、频率高，企业更看重稳定、速度和留痕。

智能体适合阅读合同、理解邮件、归纳异常、解释指标波动、生成分析初稿。这些任务输入不统一，需要结合上下文作出判断。

两者结合，适合 “ 先理解，再执行 ” 的流程。例如，大模型从邮件和附件中识别业务意图，判断需要查询哪些数据； RPA 再登录对应系统完成下载、录入和回传；遇到金额异常、付款审批或规则之外的情况，交给人工确认。

关键不是选RPA 还是选 Agent ，而是不要让模型承担机械动作，也不要让 RPA 假装理解复杂语义。

五、企业不是 “ 用回 RPA” ，而是在重做 RPA+AI 分工

这一轮变化，更像是从 “ 智能体包办一切 ” 回到工程化分工：大模型负责理解和判断， RPA 负责稳定执行，人工负责关键确认和例外处理。

以金智维公开的K-APA 路线为例，它把大模型与 RPA 结合，用 AI 辅助完成流程理解和自动化配置，再让成熟脚本或操作指引在高频任务中重复使用。这样做的价值不只是节省模型调用，也在于让流程具备本地部署、权限管理、执行控制、日志记录和异常告警等企业运行所需的管理能力。具体效果仍要放到企业自己的系统、数据量和异常率中验证。

企业设计方案时，可以先问五个问题：任务是否高频？规则是否稳定？出错后影响多大？是否需要跨系统操作？结果是否必须审计？前两项越明确，RPA 的价值越高；非结构化信息越多，越需要大模型；风险越高，越要保留人工确认。

RPA 重新受到重视， Token 成本是导火索，却不是根本原因。企业真正买单的，从来不是一次漂亮的智能演示，而是一条能连续运行、成本可算、异常可接管、责任可追踪的业务流程。