如何为 agentic automation 构建商业案例：AWS 提出 Agentic Value Model

智能体自动化——即能够推理并自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——是为机器人流程自动化（RPA）这类基于规则的工具设计的。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充分体现智能体自动化全部价值的商业论证。你将了解为何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实现自动化。

为何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、测量耗时分钟数、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。

该模型假定世界就是它当初为之构建的那个样子。它假定流程是稳定的，因此忽略了流程变化时维护自动化的成本。它假定任务是基于规则的，因此没有为例外情况设置任何条目。它假定工作本身就是全部职责，因此从不计算人工监督的成本。它还把节省下来的小时当作已落袋的价值，而释放出的产能往往会被积压工作重新填满，永远无法体现在损益表（P&L）上。对将节省小时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“在智能体技术上每投入1美元，组织就要在流程重新设计上投入3美元，在能力建设和采用上投入5美元。然而，大多数公司完全颠倒了这一公式” （麦肯锡，《智能体AI变革管理：弥合采用差距》，2026年）。

我们假定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、例外情况、跨系统协调。真正的收益来自围绕智能体重新设计工作流，而不是把一个智能体塞进一成不变的流程里。

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，外加决定它们能否体现在损益表上的条件。我们称之为智能体价值模型。

时间节省。这仍然算数，但智能体将其扩展到固定规则RPA处理效果不佳、或只能通过大量例外逻辑处理的工作。衡量方式相同。智能体将其应用于更大的工作基数。

例外处理。例外情况承载了大部分成本。AWS指南给出了规划区间：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规范性指导，《评估你当前的人工流程成本》）。返工乘数为你的团队捕获的例外定价。错误百分比为漏网的例外定价。仅考虑人工的案例把两者都遗漏了。

决策质量。智能体能够以规模化方式应用统一策略，并记录决策依据，但一致性和错误率仍需持续衡量。正如 AWS 所指出的，“低量、高价值的决策或许值得引入智能体辅助，以提升决策质量，而非降低成本”（AWS Prescriptive Guidance，《理解智能体 AI 经济学》）。在信贷、定价或风险领域，一次更优的决策，其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。这一点具有两面性。脚本很脆弱：一旦界面或上游系统发生变化，脚本就会失效，需要有人重新构建。智能体能够吸收部分变化而无需重写，但它们把维护工作转移到了评估、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，因此在频繁变化的流程中，这笔账可能有利于智能体，而在冻结不变的流程中则未必。

支配上述四个方面的共同条件是价值实现：每一项收益都需要有明确的机制，将运营改进转化为经济价值，并需要有一位可问责的负责人。对于释放出的劳动力，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。

以一个理赔分诊流程为例，数字仅作说明。该流程每年处理 200,000 件理赔，每件约 12 分钟（不含返工），全负荷人工成本为每小时 45 美元，基础成本约为 180 万美元。将其中 70% 的常规部分自动化，可释放约 28,000 小时，即约 126 万美元的产能，这还未计入这些理赔仍需的监督时间。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，才会真正少花钱。否则，同样的人仍在工资单上，损益表永远看不到这 126 万美元。如果人员自然流失和减少加班能捕获其中一半，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东西。对于每个释放出的工时，只计入重新部署的价值或现金成本削减中的一项，不可两者兼计。然后再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，纠正成本约为每件处理成本（12 分钟按每小时 45 美元计，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：减少 40%，再乘以 75% 的实现系数，模型化收益接近 151,000 美元。这还未计入任何一项改进后的欺诈标记决策的价值。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，则只在一个价值池中计入这些节省。这一版本的案例能得出财务部门可以站得住脚的数字。

为保持计算一致，请以相同方式估算每个价值池的规模，并对成本进行净额处理，如下表所示。

将整件事表述为一行，把每项收益归入一个池子，以免重复计算悄然发生：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。代理未消除的错误已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，在支出当年计入实施成本，而不是将其年度化，随着采用增长逐步提升收益，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 多个数据点的过程。据报告，其成本节省达 91%，数据获取速度提升 96%，覆盖率达 96%，并将低置信度案例转交审核人员（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 能够以更高精度权衡更多站点。

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些（变更韧性）。dLocal 报告称，过去在例行检查上花费数小时的专家，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。这正是没有任何单一记录系统所拥有的跨系统协调（节省时间和决策质量）。这些部署都没有证明所有四个池子，这就是为什么案例必须分别评估每一个。

优先级排序框架

在两个轴上对每个候选工作流评分。第一个是任务复杂性，即它需要多少推理、上下文和适应能力。第二个是决策风险，即出错的成本，这决定了你可以授予多少自主权。两个轴都来自 AWS 经济性指南，它们共同构成一个指导委员会可以使用的二维矩阵。

低复杂性、低风险：保留在 RPA 上，因为代理在此处增加成本而不增加价值。高复杂性、低风险是产能策略，因此自动化以提高吞吐量和异常吸收能力。高复杂性、高风险是决策质量策略，因此保留人在环路中，并以更好的决策为依据。低复杂性、高风险是护栏策略，因此围绕该步骤加强控制，而不是添加它不需要的推理。

一个有用的捷径：如果一个人跨系统移动并在每一步解读模糊上下文，就评估采用智能体方案。如果路径保持确定性，RPA 可能仍然更便宜。使用 Agentic Value Model 决定衡量什么，使用这个矩阵决定优先做什么。

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，而不是单一项目。McKinsey 的研究说明了为什么孤立试点会停滞：近三分之二的企业已经试验过智能体，但不到 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 的关键是一条停止规则：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经在跟踪的关键绩效指标（KPI）关联起来，无论是服务成本、周期时间、净推荐值还是合规风险敞口。并将治理视为加速的方式：有边界的自主性、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性。

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，团队可以编排企业工作流中的 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 配对，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，你往往会在一个人跨系统移动、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，建立其价值池和运营成本的基线，指定负责人，并证明这个数字。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停止规则——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，可以用衡量结果而非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。

关于作者

Manish Ballal

Manish 是 AWS 旗下 Amazon Quick 的产品合作负责人（Principal, Product Partnerships），负责构建战略合作伙伴关系，为客户带来 agentic 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。他在金融服务、医疗健康与生命科学以及科技行业拥有超过 20 年的咨询、企业销售、产品管理和上市经验。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，到由 AI 驱动的工作流和 agentic 工作流。

Sumit Wasuja

Sumit 是一位产品领导者，他的工作推动了自动化从基于规则的流程编排向智能化、agentic 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 agentic AI 系统的开发，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、能源和科技领域一些全球最大的企业提供咨询并领导转型，通过逐步应用自动化、AI 和人机协作，帮助他们重新构想工作的完成方式。