一家中型物流公司的财务总监在2026年6月撤下了已经跑了三年的发票录入RPA。撤下的原因不是机器人坏了，而是它太“笨”了。
6月初，三家主要客户的发票格式几乎同时做了微调：一家把税号从抬头移到页脚，一家新增了二维码区域，还有一家把金额栏的字体从宋体换成了等线。这些对人类来说几乎无感的变化，直接让RPA的识别率从96%跌到41%。财务部不得不临时抽调三个会计花了整整一周手工补录——而那个RPA机器人还在按既定的脚本，机械地截取着已经不存在的位置坐标。
这不是孤例。据IDC在2026年中发布的《中国RPA+AI解决方案市场份额报告》，传统基于屏幕抓取和规则引擎的RPA项目，维护成本已经占到三年总拥有成本的42%以上。更致命的数字是：在页面结构每月都可能微调的场景中，规则式RPA的存活周期已从2023年的平均18个月，缩短到了2026年的不到7个月。
超智咨询在2026年7月的一篇技术演进分析中，把自动化的发展划成了三道清晰的浪潮：第一波是纯规则驱动的RPA，模拟人类在屏幕上的点击和输入；第二波是IPA（智能流程自动化），在RPA上叠加OCR、NLP等感知模块；第三波——也就是当下——是代理自动化（Agentic Automation），让AI代理理解任务目标，自主规划步骤，并在执行中动态纠偏。Perform Global的分析更直接，认为传统RPA已经“死了”，未来属于Agentic Automation。
这个划分不是文字游戏。区别的核心在于：传统RPA执行的是“动作序列”，而AI代理执行的是“意图”。
以发票处理为例。传统RPA的脚本逻辑是：“打开文件→定位坐标(240, 680)→截取文本→匹配正则表达式→填入ERP字段”。当发票模板从5种扩展到50种，维护这套坐标和正则规则的工程量会指数级上升。某制造企业的RPA运维团队曾透露，他们的规则文件已经膨胀到1.8万行，每次维护都像拆炸弹。
而AI代理的处理逻辑完全不同。它接收的指令是：“从这份文档中提取供应商名称、发票号码、金额和税额，并填入对应字段。”至于这些信息在文档中的位置、格式、呈现方式，代理自己调用多模态模型去理解——它看发票就像人看发票一样，不是找像素坐标，而是理解文档的语义结构。Oracle中国在介绍其新一代RPA平台时也确认了这一趋势：当流程与AI代理结合，RPA不再是执行脚本的引擎，而是变成了代理的手和脚——代理负责思考和决策，RPA负责在需要时执行具体的系统操作。
两笔账，新旧方案的真实差距
第一笔账：金融发票处理
一家中型制造企业在2025年底将应付账款流程从传统RPA迁移到了AI代理方案。迁移前的数据：规则式RPA覆盖了87%的标准发票模板，每月处理约1.2万张发票，维护团队2人专职负责模板更新和规则调试。每年因格式变更导致的漏单和错单，平均造成约37万元的财务重工成本和供应商纠纷。
迁移后：AI代理方案（基于国内某头部AI厂商的多模态模型+RPA执行层）不再维护发票模板库。上线三个月内，发票模板从原先维护的87种自然扩展到300多种，无需任何人工配置。异常处理从“机器人报错→人工介入”变成了“代理识别异常→判断是否可修复→不可修复则生成结构化工单并附上置信度评分”。
ROI的关键变化不在处理速度——新旧方案的单张处理时间都在20-30秒——而在于维护成本。原方案每年约15万元的模板维护和规则编写费用归零。财务重工成本从每年37万元降至约5万元（主要来自代理判断后仍需人工复核的极端边缘案例）。整体ROI从迁移前的1:2.3提升到1:4.7。
某股份制银行的案例更直观。2026年6月底，其财务共享中心的RPA脚本因供应商发票模板从“航天信息版”换成“百望版”而集体报错，3400张发票被退回人工。7月初上线AI代理版本后，3400张异常发票中，AI代理自主处理了3120张，剩下280张转人工兜底。整个迁移用了11天，比预期的30天短了一半多。
第二笔账：物流异常调度
物流行业的异常处理一直是RPA的禁区。天气导致的线路中断、收货方临时变更卸货时间、回单丢失后的责任追溯——这些场景没有固定流程，每一步都依赖人的经验判断。
一家华东物流公司在2026年Q1部署了AI代理处理异常调度。代理接入了GPS、气象、运单和司机App四个数据源。当系统检测到某车辆在高速上停留超过45分钟（预设阈值），代理会自动执行：查询该路段实时路况和天气→判断是事故拥堵还是车辆故障→如果是事故拥堵，估算延误时间并自动推送通知给收货方→如果是车辆故障，自动检索附近维修点并生成调度方案→所有操作记录同步生成工单。
部署前，这类异常每天约30起，调度员平均每起耗时18分钟。部署后，约65%的异常由代理全程闭环处理，无需人工介入。调度员的工作内容从“处理每一件异常”变成了“审核代理的判断和处理结果”。
另一家华东物流企业的数据更具体：2025年初用传统RPA处理运单异常时，每天4000单里有600单需要人工兜底，异常处理平均耗时47分钟。2026年2月上线AI代理驱动系统后，通过多模态识别、闭环决策和异常回写，三个月后异常率从15%降到6.8%。
软性替代：岗位还在，技能变了
2026年讨论AI代理时，一个常见的误区是把“替代”理解为岗位消失。但上述案例指向了更复杂的现实：岗位还在，但岗位的内容、技能要求和价值产出方式已经变了。
传统RPA时代，企业买的是“效率”——让一个人干两个人的活。AI代理时代，企业买的是“弹性”——让系统能处理那些原本必须靠人的经验和判断才能完成的任务。
这对企业组织结构的冲击比简单的裁员更深远。财务部门不再需要“懂RPA脚本维护”的人，但需要“能评估代理输出质量、能定义异常处理策略”的人。物流调度室不再需要“能快速打电话协调”的人，但需要“能分析代理决策日志、能优化调度规则”的人。
这些新岗位的用人标准还在形成中。但一个明确的信号是：2026年Q2起，主流RPA厂商（包括来也科技、弘玑、达观数据等）的招聘方向已经从“RPA实施工程师”转向了“智能自动化解决方案架构师”——要求候选人既理解业务流，又理解LLM的能力边界和提示工程。
更深层的影响是流程所有权。当AI代理可以自主决策“这张发票该不该入账”时，最终审批人从业务人员变成了模型运维和合规团队。这不是岗位消失，而是岗位重组。
但权限问题也随之而来。正如我们在《Agent能操作ERP了，企业还敢发管理员权限吗》中讨论过的：当Agent开始调用接口、操作ERP时，传统RBAC已经不够用。企业必须把临时授权、人工确认、执行审计放进同一条控制链，否则一次异常调用就可能触发数据合规事故。
落地前必须想清楚的三件事
第一，流程里有多少比例是非结构化数据？低于30%的流程，传统RPA仍然够用；高于50%的流程，AI原生方案才有显著优势。
第二，异常处理路径是否清晰？AI代理需要明确的“兜底边界”——哪些异常可以自主处理，哪些必须人工确认，哪些需要合规复核。这套规则要在项目启动前就和业务、合规、IT三方对齐。
第三，算力账要提前算。AI原生RPA不是“换一套软件”那么简单。视觉语言模型和大模型推理对算力的需求，比传统RPA高出两个数量级。一家大型银行的财务共享中心，每天要处理上万张发票，每张都需要多模态识别和LLM校验，峰值算力需求不容小觑。正如我们在《8000P园区第二年，开始算细账》中提到的，GPU利用率、PUE和异构迁移成本正在更直接地影响园区账本，RPA这类并发量惊人的业务同样绕不开这笔账。
IDC的报告显示，2024年中国RPA+AI解决方案市场中，嵌入AI代理能力的产品增速是纯RPA产品的3.2倍。这个差距在2026年上半年进一步拉大。不是因为AI代理比RPA更快，而是因为企业终于意识到：在一个页面改版、格式变更、流程调整已成常态的商业环境里，靠人工维护规则库的自动化，本身就是一个不可持续的悖论。
那家撤下RPA的物流公司财务总监最后说了一句话：“我不是在换软件，我是在换一种自动化思路。”这句话可能比任何报告都更能说明2026年RPA行业正在发生的事。
