如何为 agentic automation 构建商业论证：超越节省工时

Agentic 自动化，即能够推理并适应以完成任务的软件，正出现在 AI 卓越中心（AI CoE）的路线图上。但企业论证自动化投资的标准方式——节省的小时数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，供 AI CoE 领导者用来构建能够捕捉 agentic 自动化全部价值的商业论证。你将了解为什么 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位置。

该模型假设了它所诞生的那个世界。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立条目。它假设工作就是全部职责，因此从不计算人工监督的成本。它把节省的一小时当作已入账的价值，而释放出的产能往往会被积压工作重新填满，永远无法到达损益表（P&L）。对将节省的时间转化为成果的工作投入不足，正是麦肯锡所说的企业一再犯的错误：成功的 AI 转型遵循“1:3:5 模式”，即“在 agentic 技术上每投入一美元，组织就要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个公式” （麦肯锡，《Agentic 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 agentic 自动化中，大部分价值存在于任务周围：判断、异常、跨系统协调。真正的收益来自围绕智能体重新设计工作流，而不是把智能体塞进一个一成不变的流程中。

旧模型遗漏的价值维度

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 Agentic 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、或只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数。

异常处理。异常承载了大部分成本。AWS 指南给出了规划范围：纠正一个错误可能花费原始交易成本的 1.5 至 4 倍，而人为错误可能占运营成本的 2% 至 15% （AWS Prescriptive Guidance，《评估你当前的人工流程成本》）。返工倍数为你团队捕获的异常定价。错误百分比为漏网的异常定价。仅考虑人力的案例把两者都遗漏了。

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 指出的，“低频高价值的决策可能值得引入智能体辅助，以提升决策质量，而非降低成本” （AWS 规范性指导，“理解智能体 AI 经济学”）。在信贷、定价或风险领域，一个更好的决策可能远超一年节省的分钟数。

变更韧性与维护经济学。 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，需要有人重建。智能体无需重写就能吸收一些变化，但它们将维护工作转移到评估、提示词、监控和模型运维上，而不是消除维护，并且运行它们本身也有成本。该案例将避免的脆弱脚本维护成本与持续的智能体运营成本相抵，因此在经常变化的流程中，计算可能有利于智能体，而在冻结的流程中则可能不然。

支配这四者的条件是价值实现：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，并需要一个负责任的负责人。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、可衡量的成果。

考虑一个理赔分诊流程，数字仅作示例。它每年处理 20 万件理赔，每件约 12 分钟（返工前），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 2.8 万小时，即约 126 万美元的产能，这还不包括这些理赔仍需要的监督时间。大多数案例正是在这里出错，因为释放工时并不等于节省资金。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，才会真正减少支出。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。如果人员流失和减少加班能捕获其中一半，该案例应计入约 63 万美元，而不是全额。

重新部署人员是更常见的结果，此时价值就是他们现在所产出的东西。对于每个释放的工时，计算重新部署价值或现金成本削减，但不要两者都算。 然后加上仅劳动力案例看不到的部分。在需要纠正的 8%（1.6 万件理赔）中，纠正成本约为每件处理成本（12 分钟按每小时 45 美元计算，约 9 美元）的 3.5 倍，即每年约 50.4 万美元的纠正风险敞口。这是基线，不是智能体价值。价值在于智能体消除的份额：减少 40%，再乘以 75% 的实现因子，模型化收益接近 15.1 万美元。这还没有算上任何一个改进的欺诈标记决策的价值。由于 12 分钟的基础时间不包括返工，这个池与释放的产能不重叠。如果你的基线包括返工时间，请只在一个池中计算这些节省。这种版本的案例产生了一个财务部门可以辩护的数字。

为了保持计算一致，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。

将整件事用一行表述，把每项收益归入一个池子，这样重复计算就无法蒙混过关：年度净价值 = 已实现产能价值 + 避免的纠正与错误成本 + 决策结果提升 + 避免的维护与停机，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，减去代理引入的任何新错误造成的损失。代理未能消除的错误本就位于避免成本项之外，因此不要再次减去它们。对于多年期项目，在支出的当年计入实施成本，而不是将其年度化，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如何发挥作用。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。该公司报告称，在 96% 的覆盖率下，成本节省了 91%，数据获取速度提高了 96%，并将低置信度案例转交给审核人员（节省时间和异常处理）。正如 Kitsa 联合创始人兼 CTO Rohit Banga 在 AWS Machine Learning Blog 文章中指出的，大规模统一高质量站点数据打破了一个核心瓶颈。这使其 Site Finder Agent 能够以更高的精度权衡更多站点。

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），并增加了对政策漂移的持续检查，而定期人工审查会遗漏这一点（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 天缩短到几分钟。这是那种没有任何单一记录系统负责的跨系统协调（节省时间和决策质量）。这些部署都没有证明全部四个池子，这就是为什么该案例必须分别衡量每一个。

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。这两个维度都来自 AWS 经济性指南，它们共同构成一个可由指导委员会使用的二维矩阵。

低复杂度、低风险：将其保留在 RPA 上，因为代理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，因此为吞吐量和异常吸收而自动化。高复杂度、高风险是决策质量策略，因此保留人工在环，并以更好的决策为理由。低复杂度、高风险是护栏策略，因此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：如果一个人跨系统操作并在每一步解读模糊的上下文，就评估智能体方案。如果路径保持确定性，RPA 可能仍然更便宜。使用 Agentic Value Model 来决定衡量什么，用这个矩阵来决定优先做什么。

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

将投资呈现为一组工作流组合，而非单个项目。麦肯锡的研究揭示了孤立试点为何停滞：近三分之二的企业尝试过智能体，但只有不到 10% 将其扩展到产生切实价值 （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，每个领域都附上其四维论证。

说服持怀疑态度的 CFO 的关键一招是止损规则：分阶段投资，设定明确的盈亏平衡目标，并预先设定停止为表现不佳的智能体提供资金的节点。将每个领域与领导层已在追踪的关键绩效指标（KPI）挂钩，无论是服务成本、周期时间、净推荐值还是合规风险敞口。并将治理视为加速的方式：有界自主、高风险处监督、设计上可审计，让你随着证据积累逐步扩大智能体自主权。

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。借助其自动化服务 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。这会产生案例级执行数据，CoE 可将其与运营和财务 KPI 结合，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。在寻找四个价值池之后，你往往会在人员跨系统操作、解读上下文并手动清除异常的地方发现它们。将一个工作流投入生产，对其价值池和运营成本进行基线测量，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，以及如何在花钱之前证明这一点。本文描述的纪律——评估每个价值池、应用现实的实现因子并设定止损规则——正是让这种证明可信的关键。在一个工作流上证明价值的团队，可以用实测结果而非预测来资助下一个。关于底层经济学，一个很好的起点是 AWS Prescriptive Guidance on agentic AI economics。

关于作者

Manish Ballal

Manish 是 AWS 旗下 Amazon Quick 的产品合作负责人，负责构建战略合作伙伴关系，为客户带来代理式 AI 解决方案。此前，作为 Amazon Quick Automate 的创始产品上市负责人，他主导了该产品从最初概念到全球发布的商业化进程。他拥有超过 20 年的经验，涵盖咨询、企业销售、产品管理以及金融服务、医疗健康与生命科学、科技领域的上市工作。他的工作始终伴随着企业自动化的演进，从基于规则的机器人流程自动化到 AI 驱动的代理式工作流。

Sumit Wasuja

Sumit 是一位产品负责人，他的工作帮助塑造了自动化从基于规则的流程编排到智能代理式工作流的演进。作为 AWS 旗下 Amazon Quick Automate 的创始产品负责人，他领导开发代理式 AI 系统，帮助组织自动化复杂的端到端业务流程，从自然语言描述到在人工监督下运行的可执行工作流。近二十年来，Sumit 为金融服务、医疗健康、能源和科技领域的一些全球最大型企业提供咨询并领导转型，帮助他们通过逐步应用自动化、AI 和人机协作，重新构想工作的完成方式。