以 AI 最大化自动化 ROI：实战手册 (下)

机器人流程自动化 (RPA) 只是起点——是基石，非终点。

上篇教您测试自动化项目与企业是否就绪 AI。本篇深入一线：自动化团队如何落地实施 AI。

AI 模型是自动化项目的加速器与放大器。

London School of Economics Leslie Willcocks 教授案例研究显示：RPA 首年 ROI 30%-200%。UiPath 客户中：DHL Global Forwarding Freight 1 个月回本，Postbank 达 2:1 ROI，更多佳绩。

回报只是开始：生产力跃升、员工敬业度提升、错误率下降。试想，认知智能注入自动化套件能释放何种威力？异常处理？人工介入？AI 全能赋能。

AI Playbook 网络研讨会（AI 峰会期间）上，dentsu international 美洲自动化负责人 Brian Klochkoff 与我共同剖析：引入 AI 模型如何解锁与创造价值。

设计 AI 执行支撑计划

上篇覆盖：去魅 AI 与激发可能性、论证 AI 投资必要性。赢得干系人支持后，不能浪费势能。需就绪执行计划，包含以下要素。

AI 治理与伦理

AI 治理与伦理为新兴领域，路径未铺平。企业与政府仍在探索治理面貌，尤其是伦理维度。

大体上，典型卓越中心 (CoE) 治理模型对 AI 与 RPA 同样适用。核心键——对 RPA CoE 亦关键——在于建立问责、透明、公平规则。

如何规避模型与数据的系统性偏见？需设置控制点，追溯决策至人、机器人或混合体。执行支撑计划此部分需含数据隐私与网络安全规则。

将治理与伦理置顶，因其必须是执行团队的专职使命。任何降级都会带来企业不愿承担的风险。

运营模式

我们多文探讨自动化运营模式：设计收益、建团队考量、释放全自动化潜能。

AI 语境下，运营模式核心必须是跨职能团队：业务、数据分析、RPA、支持多方汇聚。设计须打破孤岛，交互渠道高效、协作机会充分。

早期决定：自建模型还是用预训练模型。这将决定基建需求与资源配置，后续两节展开。

理想运营模式应具备结构弹性：随技术涌现与采纳能力整合新技术。整合与采纳须在软件开发生命周期 (SDLC) 与治理要求的现实约束下运行。

Klochkoff 指出：dentsu 视运营模式为「包裹一切的外壳」。故而聚焦创建全面文档并透明发布至内网：「让人读懂我们在做什么、如何参与。」

基础设施与支持

敲定治理与运营后，思考基建：AI 平台部署在本地、气隙隔离还是云端？机器部署在哪？如何托管喂养 AI 模型的数据？训练方法选型？

这些决策直接影响交付周期、人力投入、预算，必须审慎抉择。

人才技能

基建落定后，评估现有人才技能与缺口。核心资源是可提升技能应用 AI 的 RPA 开发者。数据科学家同样关键，理想场景是 RPA 开发者与数据科学家紧密协作的团队。

基于前序决策，可能提升现有人才，亦需审慎考虑外部招聘。需要混合型人才组合才能达成目标。

dentsu 构建人员画像：CoE 成员技能、奋斗目标、认证。Klochkoff 期许汇聚成「跨职能社区」。dentsu 致力打造治理管辖下的学习路径，助员工增强现有技能组合。

Klochkoff 强调：「技术演进太快，难跟上自身知识储备。」建议每周至少暂停一次，留时间给团队消化发布说明、网络研讨会、白皮书。「我们没总这么做，导致错失可嵌入方案的新功能。」

将 AI 融入现有 RPA 项目

执行支撑计划就绪，启动融合。融合 AI 双核：打通 RPA 与数据分析 CoE 协作、调整软件开发生命周期纳入 AI。

促进双 CoE 协作

CoE 通常呈两种模式，需差异化协作策略。

独立 CoE 模式：RPA 与数据分析 CoE 分属不同部门汇报。通常各自为战、相对独立。

为增强协作，RPA CoE 可主动触达数据分析 CoE。共同发掘协同受益的业务用例。可能需向数据分析团队科普 RPA，但相互理解收益巨大。

单一 CoE 模式：单一 CoE 融合所有自动化技术，汇报同一负责人——通常为首席数字官或首席自动化官。CoE 领导可利用整合优势，聚焦「自动化一切」使命。

无放之四海而皆准的模式。需结合组织目标与自动化旅程阶段，权衡利弊定夺。

随时间推移，随企业引入更多自动化技术，独立 CoE 模式趋向演化为单一 CoE 模式。

随着价值证明与向领导层与运营负责人阐述，他们阐释 AI 如何缓解人工介入挑战、延伸自动化处理「更复杂问题」的能力。

企业拥有 AI 与自动化技术组合后，自然思考如何让它们和谐共生。

调整软件开发生命周期 (SDLC)

独立 CoE 模式下，SDLC 峰值效能需双 CoE 编排。两技术大体遵循同一 SDLC，但细微差异改变最佳编排方式。为引入适配 AI 的结构，聚焦六大组件：

• 识别：从业务问题出发，非技术方案。汇聚 RPA、数据科学家、业务用户——理想情况下同室协作——识别适配 AI 方案的问题。首要判断：RPA 与 UiPath AI Center 能否解决该问题。若 AI Center 适配，明确 ML 模型应解决何问题。
• 设计：AI 分层需设计考量。设计起步时，判断 RPA 开发者是否需因引入 ML 调整方案设计。同时询问数据团队 ML 建模需要何种数据准备。
• 开发：此阶段允许 RPA 与数据科学家团队分头构建各自组件，前提是遵循各自 DevOps 规范。确定数据分析 CoE 与 RPA CoE 所需编排层级。明确端到端工作流中：上游技术输入如何生成下游技术输出。
• 测试：确保用户验收测试者与 CoE 知晓各 SDLC 阶段预期。RPA 相对确定性强，测试非过即不及。ML 讲究渐进改进，模型含置信度阈值，随时间提升。
• 部署：现代自动化技术进步让 AI Ops 比过往简单。判断 RPA CoE 是否承担 AI 模型部署至 AI Center。更新部署清单确保检查点到位。实际部署动作现已相当简化。
• 维护：明确团队如何缓解外部变更影响、部署后由哪团队维护 AI 模型。RPA 中人人知晓机器人运行状态；判断 ML 模型是否做「错」决策极难。可能需建仪表盘追踪置信度、阈值跌破触发告警。

RPA 与 AI SDLC 相似处多，差异处才是关键。

以 AI 集成将自动化战略推向新高度

AI 将自动化战略推向新高度。融合 AI 需组织能力与技术能力双重保障，但收益巨大。您的 SDLC、RPA 与数据分析 CoE、自动化项目——均需在 AI 引入前清晰、审慎地重估。

深入了解 AI 模型与 AI/自动化最佳实践，请观看完整 AI Playbook 网络研讨会回放。