Beyond hours saved: Building the business case for agentic automation

超越节省时间：构建智能代理自动化商业案例 | 人工智能

超越节省时间：构建智能代理自动化的商业案例

智能代理自动化（agentic automation）是一种能够推理并适应以完成任务的软件，它正在出现在人工智能卓越中心（AI CoE）路线图中。但企业通常用“节省时间乘以人工成本减去开发成本”这一标准方式来证明自动化投资的合理性，这种模型是为基于规则的工具（如机器人流程自动化，RPA）设计的。这种模型忽略了代理（agent）创造的大部分价值。

在本文中，我们将介绍AI CoE领导者可以使用的框架，以构建能够全面体现智能代理自动化价值的商业案例。您将了解为何RPA时代的投资回报率（ROI）模型存在局限性，如何衡量其遗漏的价值，以及哪些工作流程值得通过代理进行自动化。

传统商业案例为何不足

经典的投资回报率（ROI）模型是为稳定、高流量、基于规则的工作设计的：统计交易数量，测量耗时，乘以人工费率，再减去开发成本。RPA正是基于这些条件获得其地位的。

该模型假设了它所构建的世界。它假设流程是稳定的，因此忽略了自动化在流程变化时的维护成本。它假设任务是基于规则的，因此没有针对异常情况的条目。它假设工作就是全部任务，因此从未计算人工监督的成本。它将节省的时间视为已存入的价值，而实际上释放出的产能往往被积压任务重新填满，从未触及损益表（P&L）。麦肯锡指出，企业持续犯下的错误是低估了将节省时间转化为成果所需的工作：成功的AI转型遵循“1:3:5模式”，即“每投入1美元用于智能代理技术，企业需投入3美元用于流程再造，5美元用于能力构建和采纳”。然而，大多数公司完全颠倒了这一公式（麦肯锡，《智能代理AI变革管理：弥合采纳差距》，2026）。

我们假设自动化价值存在于任务本身，但在智能代理自动化中，大部分价值围绕任务展开：判断、异常处理、跨系统协调。真正的收益来自于围绕代理重新设计工作流程，而非将代理嵌入不变的流程中。

旧模型遗漏的价值维度

更好的商业案例应衡量四个价值维度，并考虑决定这些价值是否能触及损益表的条件。我们称之为“智能代理价值模型”。

时间节省。这仍然有效，但智能代理将其扩展至固定规则RPA处理不佳或仅通过大量异常逻辑处理的任务。衡量方式保持不变，但智能代理将其应用于更广泛的工作基础。

异常处理。异常承担了大部分成本。AWS指南提供了规划范围：纠正错误的成本可能是原始交易的1.5至4倍，人为错误可能占运营成本的2%至15%（AWS指导原则，《评估当前人工流程成本》）。重做成本倍数衡量团队发现的异常成本，错误百分比衡量未被发现的异常成本。仅考虑人工成本的案例会忽略这两者。

决策质量。代理可以按规模应用带有记录推理过程的通用策略，但一致性和错误率需要持续测量。正如AWS所指出的，“低频高价值决策可能通过代理协助提升决策质量而非降低成本来证明其合理性”（AWS Prescriptive Guidance，《理解代理AI经济学》）。信贷、定价或风险领域的一个更好决策可能超过一年节省时间的总价值。

变更弹性和维护经济性。这一点具有双向性。脚本是脆弱的：当屏幕或上游系统发生变化时，它们会失效并需要重新构建。代理可以吸收部分变化而无需重写，但它们将维护工作转移到评估、提示、监控和模型运营中，而非消除维护需求，且运行代理本身也存在成本。该场景的净收益是避免了脆弱脚本的维护成本，与代理持续运营成本进行权衡，因此在频繁变更的流程中可能更倾向于代理，而在固定流程中可能并非如此。

支配这四个条件的核心是价值实现：每个收益都需要一个明确的机制，将运营改进转化为经济价值，并指定可问责的所有者。对于释放的劳动力，这意味着减少支出或将产能重新导向可命名、可衡量的结果。

以理赔分类流程为例，附有说明性数据。该流程每年处理20万起理赔，每起约需12分钟（不包括返工），每小时全负荷成本为45美元，基准成本约为180万美元。如果将70%的常规流程自动化，可释放约28,000小时产能，即约126万美元的产能（在这些理赔仍需监督时间的前提下）。这是大多数案例出错的地方，因为释放工时并不等同于节省成本。公司只有在减少员工数量或削减承包商、加班或外包支出时才会节省成本。否则，同一批员工仍保留在工资单上，损益表永远看不到这126万美元。如果流失率和加班削减能捕获其中一半，案例应仅体现约63万美元，而非全额。

重新部署人员是更常见的结果，此时价值体现在他们现在产出的内容。对于每释放的工时，计算重新部署的价值或现金成本减少，而非两者兼有。然后添加劳动力案例无法看到的部分。在需要修正的8%案例（16,000起理赔）中，修正成本为处理成本（每12分钟45美元）的3.5倍，即每年约504,000美元的修正风险暴露。这是基准线，而非代理价值。价值体现在代理消除的部分：40%的减少率乘以75%的实现系数，模型效益约为151,000美元。这尚未计入单个改进的欺诈标志决策的价值。由于12分钟基准线排除了返工时间，该池与释放产能不重叠。如果基准线包含返工时间，需将这些节省计入一个池中。该版本的案例能生成财务部门可辩护的数字。

为保持数学一致性，以相同方式量化每个价值池并净成本，如下表总结。

价值池

基准线

预期差额

实现系数

负责人

释放产能

工时×负载率

自动化百分比

仅当重新部署到可命名结果或支出减少时

运营负责人

异常和错误成本

修正成本+错误损失

预期减少

捕获比例

质量负责人

决策质量

更好决策的价值

每决策提升

可归属份额

领域负责人

变更韧性与维护经济学

故障修复成本与脚本停机时间

避免重建，实现更快的变更适应

公式中已一次性抵消代理成本的重建避免比例

工程负责人

将所有内容表述为一行，将每项收益分配至独立池以防止重复计算：年度净价值 = 实现的容量价值 + 避免的修正和错误成本 + 决策结果提升 + 避免的维护和停机时间，减去年度化实施成本，减去代理运行时、集成、评估、监督、治理和变更管理成本，减去代理引入的新错误造成的损失。代理未消除的错误已排除在避免成本项之外，因此无需再次扣除。对于多年期项目，应在支出当年确认实施成本而非年度化分摊，按采用率增长阶梯式确认收益，并将年度现金流折现为净现值（NPV）。

亚马逊快速自动化（Amazon Quick Automate）的三次早期部署展示了这些维度的实际效果。Kitsa（一家临床试验站点选择公司）实现了对数十万个网站上50多个数据点的自动化提取。该公司报告称在96%覆盖率下实现了91%的成本节约和96%更快的数据获取速度，将低置信度案例路由给审核人员（节省时间并处理例外情况）。如Kitsa联合创始人兼CTO Rohit Banga在AWS机器学习博客文章中所述，规模化统一高质量站点数据打破了核心瓶颈，使站点查找代理能够更精确地评估更多站点。

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。这使专家能够专注于复杂高风险案例（决策质量），并增加持续检查以发现周期性人工审查可能遗漏的政策偏移（变更韧性）。dLocal报告称，过去花费数小时处理常规检查的专家现在将这些时间用于需要监管判断的案例。

Genpact通过在多个SAP系统中自动化供应链风险分析，将中断影响分析时间从2-3天缩短至数分钟。这种跨系统协调能力是任何单一系统都无法独占的（节省时间并提升决策质量）。这些部署案例并未全部证明四个收益池，因此每个案例都需要单独量化每个收益池。

优先级评估框架

从两个维度对每个候选工作流进行评分。第一个维度是任务复杂度，即需要多少推理、上下文和适应性。第二个维度是决策风险，即出错成本，这决定了你能授予多少自主权。这两个维度均来自AWS经济学指南，共同构成一个二维矩阵供指导委员会使用。

低复杂度、低风险：保持在RPA（机器人流程自动化）上，因为在此场景中代理会增加成本但不增加价值。高复杂度、低风险是容量提升场景，应通过自动化提高吞吐量和异常吸收能力。高复杂度、高风险是决策质量场景，应保持人工参与并以更优决策作为依据。低复杂度、高风险是防护措施场景，应在该步骤强化控制而非添加不必要的推理。

一个实用的捷径：如果一个人在跨系统移动时需要在每个步骤中解释模糊的上下文，应考虑采用智能体方法。如果路径保持确定性，RPA可能仍然更经济。使用智能体价值模型来决定需要衡量的内容，并使用该矩阵来决定优先事项。

图1：智能体自动化优先级矩阵，坐标轴改编自AWS指导原则，包含示例分类

构建领导层支持的案例

将投资呈现为工作流组合而非单一项目。麦肯锡的研究表明了为什么孤立的试点会停滞：近三分之二的企业尝试过智能体，但不到10%的企业将其扩展到可衡量的价值（麦肯锡，《通过数据转型扩展智能体AI》，2026）。价值来源于定义成果、将智能体深度嵌入核心工作流，并围绕它们重新设计运营模式。向领导层展示三到五个优先领域，每个领域都包含其四维案例。

说服持怀疑态度的CFO的唯一方法是设定停止规则：以明确的盈亏平衡目标分阶段进行投资，并在预定义的节点停止对表现不佳的智能体的资助。将每个领域与领导层已追踪的关键绩效指标（KPI）关联起来，无论是服务成本、周期时间、净推荐值（NPS）还是合规风险暴露。将治理视为加快进程的方式：通过有限自主权、高风险领域的监督和设计上的可审计性，随着证据积累逐步扩大智能体的自主权。

从Amazon Quick入门

Amazon Quick将研究、商业智能和自动化整合到统一的智能体体验中。通过其自动化服务Quick Automate，团队可以在企业工作流中协调UI操作、API调用和人工审核。这会产生CoE可以与运营和财务KPI结合的案例级执行数据，从而衡量实现的价值。

这种衡量方式将首个项目转化为投资组合。在寻找四个价值池后，你通常会发现在人员跨系统移动、解释上下文并手动处理异常的任何地方都能找到这些价值池。将一个工作流投入生产，确定其价值池和运营成本基准，指定负责人并验证数字。然后，随着每个新工作流报告结果，投资组合案例会不断积累。

结论

关键问题是智能体自动化在哪些方面能提供现有工具无法实现的价值，以及如何在投入资金前证明这一点。本文描述的纪律——量化每个价值池、应用现实的实现系数、设定停止规则——正是使这种证明可信的关键。在单一工作流上证明价值的团队，可以基于实际结果而非预测来资助下一个项目。关于底层经济模型，一个好的起点是AWS关于智能体AI经济的指导原则。

作者简介

'"` /think