智能体自动化 ROI 新框架：超越工时节省

智能体自动化（Agentic Automation）——一种能够推理并适应以完成任务的软件，正逐渐出现在 AI 卓越中心（AI CoE）的路线图中。然而，企业通常用于论证自动化投资价值的标准方法——即“节省工时 × 劳动力成本 - 构建成本”——是为基于规则的工具（如机器人流程自动化 RPA）设计的。该模型忽略了智能体所创造的大部分价值。

在本文中，我们将介绍一个框架，供 AI CoE 领导者使用，以构建能够捕捉智能体自动化全部价值的商业案例。你将了解为什么 RPA 时代的 ROI 模型存在不足、如何衡量其遗漏的价值，以及哪些工作流值得通过智能体进行自动化。

为什么传统商业案例存在不足

经典的投资回报率（ROI）模型是为稳定、高容量、基于规则的工作而构建的：统计交易数量，测量耗时分钟数，乘以包含间接费用的费率，再减去构建成本。RPA 正是凭借这些指标确立了其地位。

该模型假设了其所针对的世界环境。它假设流程是稳定的，因此忽略了随着流程变化而维护自动化的成本。它假设任务是基于规则的，因此没有为异常情况预留预算项。它假设执行任务就是工作的全部，因此从未计算人工监督的成本。此外，它将节省的一小时视为已入账的价值，但实际上释放出的产能往往被积压工作填满，最终并未体现在损益表（P&L）中。麦肯锡指出，企业在将节省的时间转化为实际成果的相关工作上投入不足，这是一个反复出现的错误：成功的 AI 转型遵循“1:3 模式”，即“每在智能体技术上投入一美元，组织需在流程重新设计上投入三美元，在能力建设和采用上投入五美元。然而，大多数公司完全颠倒了这一公式” (McKinsey, “Agentic AI change management: Closing the adoption gap,” 2026)。

我们曾假设自动化的价值存在于任务本身，但在智能体自动化中，大部分价值存在于任务周围：判断力、异常处理以及跨系统的协调。真正的收益来自于围绕智能体重新设计工作流，而不是简单地将智能体嵌入到未改变的流程中。

旧模型忽略的价值维度

更好的商业案例需要衡量四个价值维度，以及决定这些价值能否进入损益表的条件。我们称之为 智能体价值模型（Agentic Value Model）。

时间节省。 这一指标依然适用，但智能体将其扩展到了固定规则 RPA 难以处理或仅能通过大量异常逻辑才能应对的工作场景。衡量标准保持不变，只是智能体将应用范围扩大到了更广泛的工作基础。

异常处理。 异常往往占据了大部分成本。AWS 指南提供了规划参考范围：纠正一个错误的成本可能是原始交易成本的 1.5–4 倍，而人为错误可能占运营成本的 2–15% (AWS Prescriptive Guidance, “Assessing your current human-process costs”)。返工乘数用于量化团队捕获的异常成本，错误百分比则用于量化那些未被捕获而漏过的异常成本。纯劳动力场景通常忽略这两项因素。

决策质量。 智能体可以在大规模应用中执行统一策略并记录推理依据，尽管其一致性和错误率需要持续监测。正如 AWS 所指出的，“低量高值的决策可能值得通过智能体辅助来提升决策质量，而非单纯追求成本降低” (AWS Prescriptive Guidance, “Understanding agentic AI economics”)。在信贷、定价或风险管理中做出一个更好的决策，其价值可能远超一年所节省的时间成本。

变更韧性与维护经济性。 这一点具有双面性。脚本往往脆弱不堪：当界面或上游系统发生变更时，它们容易失效，需要人工重建。智能体能够吸收部分变化而无需重写代码，但这会将维护工作转移至评估、提示词工程、监控和模型运维等环节，而非彻底消除维护需求，且运行智能体本身也产生成本。因此，案例需权衡“避免的脆弱脚本维护成本”与“持续的智能体运营成本”。在频繁变更的流程中，数学计算可能倾向于使用智能体；而在流程冻结不变的情况下，结果则未必如此。

支配上述四个维度的核心条件是价值实现：每一项收益都需要有明确的机制，将运营层面的改进转化为经济价值，并指定负责人员。对于释放出的劳动力而言，这意味着要么减少支出，要么将产能重新配置到明确且可衡量的成果上。

考虑一个理赔分诊流程，并辅以示例数据。该流程每年处理 200,000 笔理赔，每笔耗时约 12 分钟（返工前），全负荷人力成本为每小时 45 美元，基础成本约为 180 万美元。若自动化其中常规的 70%，则可释放约 28,000 小时，相当于约 126 万美元的产能——但这尚未扣除这些理赔仍需的监督时间。大多数案例在此处出错，因为释放工时并不等同于节省资金。只有当公司减少员工数量或削减承包商、加班或外包支出时，实际支出才会降低。否则，相同的人员仍留在薪资单上，损益表（P&L）永远看不到这 126 万美元。如果通过自然减员和减少加班仅捕获其中一半，该案例应计入约 63 万美元，而非全额数字。

重新部署人员是更常见的结果，此时价值取决于他们现在所创造的价值。对于每一释放的工时，要么计算重新部署产生的价值，要么计算现金成本的减少，二者不可兼得。然后加上纯劳动力案例无法看到的部分。在需要修正的 8%（即 16,000 笔理赔）中，修正成本约为处理成本（按每小时 45 美元计算，12 分钟约合 9 美元）的 3.5 倍，由此产生约 50.4 万美元的年度修正敞口。这是基线，而非智能体（agent）带来的价值。真正的价值在于智能体消除的那部分：假设减少 40%，并按 75% 的实现系数调整，建模收益约为 15.1 万美元。这还未计入任何欺诈标记决策改进所带来的定价。由于 12 分钟的基础耗时不包含返工，这部分池子与已释放的产能不重叠。如果你的基线包含返工时间，则只在一个池子中计算这些节省。这种版本的案例能得出财务部门可以辩护的数字。

为了保持数学逻辑的一致性，请以相同方式估算每个价值池并净额化成本，如下表所示。

将全部内容表述为一行，并将每项收益归入单一池子以避免重复计算：年度净价值 = 已实现的容量价值 + 避免的纠正与错误成本 + 决策结果提升 + 避免的维护与停机时间 - 年化实施成本 - 智能体运行时、集成、评估、监督、治理及变革管理成本 - 智能体引入的新错误造成的损失。未被智能体消除的错误本就不在“避免的成本”项内，因此切勿二次扣除。对于多年期项目，应在支出当年计入实施成本而非进行年化分摊，随采用率增长逐步释放收益，并将各年度现金流折现为净现值（NPV）。

Amazon Quick 内部自动化服务 Amazon Quick Automate 的三个早期部署案例展示了上述维度的实际应用。临床试验站点选择公司 Kitsa 实现了对数十万个网站中超过 50 个数据点的自动提取。该公司报告称，在 96% 的覆盖率下，实现了 91% 的成本节约和 96% 的数据获取速度提升，并将低置信度案例路由给审核人员处理（体现时间节约与异常处理）。正如 Kitsa 联合创始人兼首席技术官 Rohit Banga 在 AWS 机器学习博客文章中指出，大规模统一高质量站点数据打破了核心瓶颈，使其 Site Finder Agent 能够以更高的精度权衡更多站点。

跨境支付提供商 dLocal 在受控评估中实现了高达 75% 的商户合规审查自动化。这使专家得以从常规工作中解放出来，专注于复杂的高风险案例（决策质量），并增加了针对政策漂移的持续检查，而这是周期性人工审查所遗漏的（变革韧性）。dLocal 表示，过去花费数小时进行例行检查的专家，现在将这些时间用于需要监管判断的案例上。

以及 Genpact，通过跨多个 SAP 系统自动化供应链风险，报告称将中断影响分析的时间从 2–3 天缩短至几分钟。这种跨系统协调是任何单一记录系统（system of record）都无法独立拥有的（体现在时间节省和决策质量上）。这些部署案例均未证明全部四个价值池，因此必须对每个价值池分别进行规模测算。

优先级排序框架

在两个维度上对每个候选工作流进行评分。第一个维度是任务复杂度，即所需的推理、上下文理解和适应能力程度。第二个维度是决策风险，即出错的成本，这决定了可以授予多少自主权。这两个维度均源自 AWS 经济学指南，共同构成一个供指导委员会使用的二维矩阵。

低复杂度、低风险：继续使用 RPA，因为在此场景下引入智能体只会增加成本而无法创造价值。高复杂度、低风险属于产能提升策略，因此应针对吞吐量和异常吸收能力进行自动化。高复杂度、高风险属于决策质量提升策略，因此应保持人在回路（human in the loop），并以更优的决策结果作为论证依据。低复杂度、高风险属于护栏设置策略，因此应加强该步骤的控制措施，而非添加其并不需要的推理能力。

一个实用的判断捷径：如果人员需要在不同系统间切换，并在每一步解读模糊的上下文，则应评估采用智能体方法。如果路径保持确定性，RPA 可能仍然更具成本效益。使用智能体价值模型（Agentic Value Model）来决定需要衡量什么，并使用此矩阵来决定优先处理什么。

图 1：智能体自动化优先级矩阵，坐标轴改编自 AWS 规范性指南（AWS Prescriptive Guidance），分类仅为示例

向领导层构建论证

将投资呈现为工作流组合，而非单一项目。麦肯锡的研究揭示了孤立试点为何停滞不前：近三分之二的企业曾尝试过智能体（agents），但只有不到 10% 的企业将其规模化并转化为实际价值 (McKinsey, “Scaling agentic AI with data transformations,” 2026)。价值源于明确定义成果、将智能体深度嵌入核心工作流，以及围绕智能体重构运营模式。向领导层提交三到五个优先领域，每个领域都需具备四维度的商业案例论证。

说服持怀疑态度的首席财务官（CFO）的关键在于设定止损规则：分阶段推进投资，明确盈亏平衡目标，并预先设定停止资助表现不佳智能体的节点。将每个领域与领导层已追踪的关键绩效指标（KPI）挂钩，无论是服务成本、周期时间、净推荐值（NPS）还是合规风险敞口。同时，将治理视为加速手段：通过限定自主权范围、在高风险环节加强监督以及设计内置的可审计性，随着证据的积累逐步扩大智能体的自主权。

开始使用 Amazon Quick

Amazon Quick 将研究、商业智能和自动化整合到一个智能体体验中。借助其自动化服务 Quick Automate，团队可以在企业工作流中编排 UI 操作、API 调用和人工审核。这会产生案例级别的执行数据，卓越中心（CoE）可将其与运营和财务 KPI 结合，以衡量正在实现的价值。

这种度量方式能将首个项目转化为投资组合。在寻找四大价值池后，你通常会发现它们存在于人员需要在系统间切换、解读上下文并手动处理异常的地方。将一个工作流投入生产，建立其价值池和运营成本的基线，指定负责人，并验证数据。随后，随着每个新工作流报告结果，投资组合的案例论证便会逐渐累积。

结论

问题的关键在于，智能体自动化（agentic automation）究竟在哪些方面创造了现有工具无法提供的价值，以及如何在投入资金之前证明这一点。本文所阐述的方法论——量化每个价值池、应用现实的实现系数并设定止损规则——正是使这种证明具备可信度的核心所在。那些能在单一工作流上验证价值的团队，可以基于实测结果而非预测数据来为下一个项目提供资金支持。关于其底层经济学原理，一个良好的起点是 AWS 关于智能体 AI 经济学的规范性指南。

---