超越节省的工时：为智能体自动化构建商业论证
智能体自动化，即能够推理并适应以完成任务的软件，正出现在人工智能卓越中心（AI CoE）的路线图中。但企业论证自动化投资的标准方式——节省的工时乘以人力成本再减去构建成本——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，我们介绍一个框架，AI CoE 领导者可用其构建能够捕捉智能体自动化全部价值的商业论证。您将了解为什么 RPA 时代的 ROI 模型存在不足、如何衡量它所遗漏的价值，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存在不足
经典的投资回报率（ROI）模型是为稳定、大批量、基于规则的工作而构建的：统计交易数量、测量分钟数、乘以综合费率、减去构建成本。RPA 正是凭借这些条件赢得了自己的地位。
该模型假设了它所服务的世界。它假设流程是稳定的，因此忽略了流程变化时维护自动化的成本。它假设任务是基于规则的，因此没有为异常情况设置条目。它假设工作就是全部职责，因此从不计算人工监督的成本。它将节省的一小时视为已入账的价值，而释放出的产能往往会被积压工作重新填满，永远不会体现在损益表（P&L）上。为将节省工时转化为成果的工作提供不足的资金，正是麦肯锡所说的企业不断犯的错误：成功的 AI 转型遵循“1:3:5 模式”，即“每在智能体技术上投入一美元，组织就在流程重新设计上花费三美元，在能力建设和采用上花费五美元。然而，大多数公司完全颠倒了这个公式”（麦肯锡，《智能体 AI 变革管理：弥合采用差距》，2026 年）。
我们假设自动化的价值存在于任务之中，但在智能体自动化中，大部分价值存在于任务周围：判断、异常情况、跨系统协调。真正的收益来自围绕智能体重新设计工作流，而不是将智能体投入一个未改变的流程中。
旧模型所遗漏的价值维度
更好的商业论证衡量四个价值维度，外加决定它们能否到达 P&L 的条件。我们称之为智能体价值模型。
时间节省。这仍然重要，但智能体将其扩展到固定规则 RPA 处理不佳或仅能通过大量异常逻辑处理的工作。衡量方式相同。智能体将其应用于更大的工作基础。
异常处理。异常情况承载了大部分成本。AWS 指南给出了规划范围：纠正一个错误的成本可能是原始交易的 1.5–4 倍，而人为错误可能占运营成本的 2–15%（AWS 规范性指南，《评估您当前的人工流程成本》）。返工倍数对您的团队捕获的异常进行定价。错误百分比对漏过的异常进行定价。仅考虑人力的案例两者都忽略了。
决策质量。智能体可以大规模应用统一策略，并记录决策依据，但一致性和错误率需要持续衡量。正如 AWS 所指出的，“低频、高价值的决策可能值得借助智能体辅助来提升决策质量，而非降低成本”（AWS Prescriptive Guidance，“Understanding agentic AI economics”）。在信贷、定价或风险领域，一个更好的决策所带来的价值，可能远超一年节省下来的分钟数。
变更韧性与维护经济性。这一点是双向的。脚本很脆弱：当屏幕或上游系统发生变化时，它们就会失效，需要有人重新构建。智能体能够吸收部分变化而无需重写，但它们将维护工作转移到评估、提示词、监控和模型运维上，而非消除维护，并且运行它们本身也有成本。该论证将避免脆弱脚本维护与持续的智能体运营成本相权衡，因此在频繁变化的流程中，数学计算可能有利于智能体，而在固化的流程中则未必。
统领以上四个方面的条件是价值实现：每一项收益都需要一个明确的机制，将运营改进转化为经济价值，并需要一位负责任的负责人。对于释放的劳动力，这意味着减少支出或将产能重新导向一个明确的、可衡量的成果。
考虑一个理赔分诊流程，附示例数据。该流程每年处理 200,000 件理赔，每件约 12 分钟（不含返工），全负荷成本为每小时 45 美元，基础成本约为 180 万美元。将常规的 70% 自动化，可释放约 28,000 小时，即约 126 万美元的产能，这还不包括这些理赔仍需的监督时间。这正是大多数案例出错的地方，因为释放工时并不等同于节省资金。只有当公司减少员工人数或削减承包商、加班或外包支出时，才会真正减少花费。否则，同样的人仍在工资单上，损益表永远不会看到这 126 万美元。如果人员流失和加班减少捕获了其中一半，该案例应计入约 630,000 美元，而非全额数字。
重新部署人员是更常见的结果，此时价值在于他们现在所产出的成果。对于每个释放的小时，计算重新部署的价值或现金成本削减，而非两者兼计。然后加上仅劳动力案例所看不到的部分。在需要纠正的 8%（16,000 件理赔）中，纠正成本约为处理成本（12 分钟按每小时 45 美元计算，约 9 美元）的 3.5 倍，即每年约 504,000 美元的纠正风险敞口。这是基线，而非智能体价值。价值在于智能体所消除的份额：40% 的削减，经 75% 的实现因子调整后，建模收益接近 151,000 美元。这还不包括任何单个改进的欺诈标记决策的定价。由于 12 分钟的基础时间不含返工，这一价值池与释放的产能不重叠。如果你的基线包含返工时间，请仅在一个价值池中计入这些节省。该版本的案例产生了一个财务部门可以为之辩护的数字。
为保持计算一致，请以相同方式估算每个价值池的规模并扣除成本，如下表所示。
| 价值池 | 基线 | 预期增量 | 实现因子 | 负责人 | | --- | --- | --- | --- | --- | | 释放的产能 | 小时数 × 全负荷费率 | 自动化百分比 | 仅在重新部署到明确成果或支出下降时计入 | 运营负责人 | | 异常与错误成本 | 纠正成本 + 错误损失 | 预期削减 | 捕获比例 | 质量负责人 | | 决策质量 | 更好决策的价值 | 每项决策的提升 | 可归因份额 | 领域负责人 | | 变更韧性与维护经济性 | 脚本的故障修复成本 + 停机时间 | 避免的重建、更快的变化适应 | 避免的重建份额，智能体成本在公式中净扣一次 | 工程负责人 |
将整个论证表述为一行公式，将每项收益分配到一个价值池，使重复计算无法蒙混过关：年度净价值 = 实现的产能价值 + 避免的纠正与错误成本 + 决策成果提升 + 避免的维护与停机时间，减去年度化实施成本，减去智能体运行时、集成、评估、监督、治理和变更管理成本，减去智能体引入的任何新错误造成的损失。智能体未消除的错误已位于避免成本项之外，因此不要再次扣除。对于多年期项目，在支出当年计入实施成本而非年度化，随着采用率增长逐步提升收益，并将年度现金流折现为净现值（NPV）。
Amazon Quick Automate（Amazon Quick 中的自动化服务）的三个早期部署展示了这些维度的实际运作。Kitsa 是一家临床试验站点选择公司，它自动化了从数十万个网站中提取 50 多个数据点的流程。据报告，其成本节省达 91%，数据获取速度提升 96%，覆盖率达 96%，并将低置信度案例路由给审核人员（时间节省与异常处理）。正如 Kitsa 联合创始人兼 CTO Rohit Banga 在 AWS Machine Learning Blog 文章中所指出的，大规模统一高质量站点数据打破了核心瓶颈。这使其 Site Finder Agent（智能体） 能够以更高精度评估更多站点。
dLocal 是一家跨境支付提供商，在受控评估中自动化了高达 75% 的商户合规审查。这释放了专家来处理复杂、高风险的案例（决策质量），并增加了对策略漂移的持续检查，这是定期人工审查所无法发现的（变更韧性）。dLocal 报告称，过去花费数小时进行常规检查的专家，现在将这些时间用于需要监管判断的案例。
而 Genpact 在多个 SAP 系统中自动化供应链风险，报告称将中断影响分析从 2–3 天缩短至几分钟。这是没有任何单一记录系统所拥有的跨系统协调（时间节省与决策质量）。这些部署都没有证明全部四个价值池，这就是为什么案例必须分别估算每一个。
优先级排序框架
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，即它需要多少推理、上下文和适应能力。第二个维度是决策风险，即出错的代价，这决定了你可以授予多少自主权。这两个维度均来自 AWS 经济指导，它们共同构成一个由指导委员会使用的二维矩阵。
低复杂度、低风险：保留在 RPA 上，因为智能体在此处只会增加成本而不增加价值。高复杂度、低风险是产能策略，因此应针对吞吐量和异常吸收进行自动化。高复杂度、高风险是决策质量策略，因此应保留人工介入，并以更好的决策为依据。低复杂度、高风险是护栏策略，因此应围绕该步骤强化控制，而不是添加它不需要的推理。
一个有用的捷径：如果一个人需要在系统之间移动，并在每一步解释模糊的上下文，就评估智能体方法。如果路径保持确定性，RPA 可能仍然更便宜。使用 Agentic Value Model 决定要衡量什么，并使用这个矩阵决定要优先处理什么。
图 1：智能体自动化优先级矩阵，坐标轴改编自 AWS Prescriptive Guidance，分类为示意性
为领导层构建论证
将投资呈现为一个工作流组合，而不是单个项目。McKinsey 的研究说明了孤立试点为何停滞：近三分之二的企业已经试验过智能体，但只有不到 10% 将其扩展到可衡量的价值（McKinsey，“Scaling agentic AI with data transformations,” 2026）。价值来自定义成果、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。向领导层提出三到五个优先领域，每个领域都有其四维论证。
赢得持怀疑态度的 CFO 的关键是停止规则：分阶段投资，设定明确的盈亏平衡目标，并预先定义停止资助表现不佳的智能体的节点。将每个领域与领导层已经跟踪的关键绩效指标（KPI）联系起来，无论是服务成本、周期时间、净推荐值还是合规风险敞口。并将治理视为加速推进的方式：有界自主、在高风险处进行监督，以及设计上可审计，让你随着证据积累扩大智能体自主权。
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。通过其自动化服务 Quick Automate，团队可以跨企业工作流编排 UI 操作、API 调用和人工审核。这会生成案例级执行数据，CoE 可以将其与运营和财务 KPI 结合，以在价值实现时进行衡量。
这种衡量将第一个项目转变为组合。在你寻找四个价值池之后，往往会在人员于系统之间移动、解释上下文并手动清理异常的地方发现它们。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，并证明数字。然后，随着每个新工作流报告结果，组合论证会不断累积。
结论
问题在于，智能体自动化在哪些方面能带来现有工具无法提供的价值，以及如何在支出前证明这一点。本文描述的纪律，即评估每个价值池、应用现实的实现因子并设定停止规则，正是使这种证明可信的关键。在一个工作流上证明价值的团队，可以用衡量结果而不是预测来资助下一个工作流。关于底层经济学，一个很好的起点是 AWS Prescriptive Guidance on agentic AI economics。
转载声明：本文为转载整理，原文版权归原作者及原站点所有。
原文作者：Manish Ballal；如有侵权，请联系管理员删除。
