摘要：当整个行业都在讨论 Agent 会不会取代传统自动化时，一家全球软件厂商却准备把 RPA 买进自己的 Agent 平台。

9月28日，HCLTech 旗下软件业务部门 HCLSoftware 宣布拟收购企业级 RPA 厂商 Robotiq.ai，计划将其能力引......

当整个行业都在讨论 Agent 会不会取代传统自动化时，一家全球软件厂商却准备把 RPA 买进自己的 Agent 平台。

9月28日，HCLTech 旗下软件业务部门 HCLSoftware 宣布拟收购企业级 RPA 厂商 Robotiq.ai，计划将其能力引入 HCL UnO Agentic 平台。

HCLSoftware宣布拟收购企业级RPA厂商

HCLSoftware 在公告中给出的理由很直接：企业需要的 AI，不能只是会推理，还得能在复杂业务环境中可靠地把事情做完。按照公告安排，这笔交易预计于2026年11月完成，目前仍属于拟收购阶段。

这个动作很有意思。过去几年，我们经常听到“大模型来了，RPA是不是过时了”的讨论。如今 Agent 越来越能理解指令、拆解任务，为什么企业还要重新重视 RPA？

这不是技术路线“走回头路”，而是 Agent 真正走进企业后，必须补上从“想明白”到“做成事”的那一段距离。

一、Agent会思考，但企业需要的是能干活

Agent 会思考了，工作却不一定能做完。假设财务部门要完成一次跨系统的月度核对：从一个业务平台取明细，到 ERP 核对数据，再进入 OA 提交审批。对人来说，这就是在几个系统之间切换、查询、比对、录入和提交。

大模型可以理解任务要求，帮助识别非结构化单据中的信息；Agent 可以进一步把目标拆成步骤，决定先查什么、何时调用哪个工具。

但流程走到“登录已有系统、填入字段、点击提交”时，问题就来了：如果系统没有开放合适的 API，或者接口只能读取部分信息，最后几步谁来做？

这正是 RPA 仍有价值的地方。

企业不必为了让 AI 执行一个任务，就先把运行多年的业务系统全部改造一遍。它可以按照既定规则操作已有应用界面，完成一系列确定性的点击、输入和数据搬运动作。

HCLSoftware新闻公告指出，RPA能力可以支持AI驱动的工作流完成自动化操作

HCLSoftware 此次看中的，也是这个执行缺口。公告特别指出，Robotiq.ai 的 RPA 能力可以支持 AI 驱动的工作流在 API 缺失或能力不足的应用中完成自动化操作，从而把平台能力从决策与编排进一步延伸到执行。

Agent 可以决定“下一步该干什么”，却仍需要合适的工具把那一步落实到系统里。两者的关系，与其说是替代，不如说是各司其职。

二、Agent与RPA，从来不是一道简单的替代题

如果把复杂的企业任务拆开，就会发现，大模型、Agent与RPA各自承担着不同的工作。大模型负责理解，Agent负责组织，RPA负责执行特定操作。

大模型理解自然语言、处理非结构化信息，为分析判断提供支持。

Agent围绕目标规划任务：需要哪些信息？调用什么工具？遇到不同结果，又该如何调整步骤？

RPA则擅长规则明确的软件操作，例如查询、录入、复制、提交等。以财务对账为例，Agent可以规划核对流程，调用工具获取单据与系统记录，再完成信息比对和异常整理。能够通过API读取的数据，可以直接调用接口；对于没有合适API的系统，则可以考虑通过RPA操作界面。

大模型、Agent、RPA三者不同能力各司其职

不同能力各司其职，才能让任务从规划走向执行。

当然，RPA也不是万能的。传统RPA更适合规则明确、路径稳定的流程。当页面变化、业务出现异常时，固定脚本可能面临维护成本增加、适应性不足等问题。

而Agent的引入，为自动化增加了更灵活的任务理解、规划与工具协调能力。Agent的出现，并没有让自动化技术失去价值，而是改变了它们在企业工作流程中的角色。

过去，RPA更多围绕预设规则独立运行；在Agent驱动的任务中，它可以作为执行工具之一，与API及其他自动化方式配合。与其讨论谁取代谁，不如关注它们能否共同把一项业务真正完成。

三、企业级Agent的下一道门槛：从能执行到可靠执行

如果说大模型解决了部分“理解任务”的问题，那么企业级Agent还需要面对另一项挑战：一次演示能够成功，不代表一项业务能够长期稳定运行。

企业的工作环境远比演示场景复杂。智能体可能需要跨越多个系统，处理不同格式的数据，还要面对页面变化、权限限制、系统异常，甚至临时调整的业务规则。

因此，单纯追求自动化程度，并不足以证明一项任务具有实际应用价值。

财务数据处理场景下涉及的业务风险不同

比如，同样是财务数据处理，自动读取报表与直接修改关键财务数据、提交付款申请，涉及的业务风险显然不同。哪些步骤可以自动执行，哪些动作需要人工确认？任务失败后能否恢复？执行过程是否可追溯，结果是否经过校验？这些问题决定了智能体能否真正进入企业日常业务。

因此，企业选择Agent执行方案时，关键不在于使用了多少先进技术，而在于能否为每个业务步骤找到合适的执行方式。

有成熟API的系统，可以优先考虑接口调用；必须操作软件界面的任务，可以评估RPA或其他GUI自动化工具；涉及高风险决策的环节，则应保留必要的权限控制和人工复核。对于重复性高、规则相对稳定的任务，还可以通过流程复用，减少每次重新规划的成本。

让AI完成一次任务，是能力的展示；让AI持续、可靠地完成任务，才是企业真正关心的价值。

四、从RPA到Agent，九科信息走的是一条怎样的路？

HCL的收购计划，也让一个技术演进方向更加清晰：从RPA走向Agent，不意味着推翻过去的自动化积累，而是让已有的执行能力融入更智能的任务体系。

九科信息的产品发展，也沿着这一方向不断延伸。从RPA产品bit-Worker，到企业级智能体平台bit-Agent，九科信息始终围绕一个核心问题展开探索：如何让企业将更多实际业务工作交给软件自动完成？

九科信息兼顾自动化效率提升与长期智慧化发展

在传统自动化阶段，bit-Worker重点解决规则明确、重复性较高的业务操作，通过预设流程执行任务，减少人工重复劳动。但随着业务越来越复杂，仅依靠固定流程，难以覆盖所有需求。企业希望AI不仅能够执行既定步骤，还能理解灵活的任务需求，调用不同工具，组织多步骤工作。这也成为九科信息bit-Agent的重要发展方向。

bit-Agent推动AI进一步参与业务任务执行

bit-Agent将大模型的任务理解、Agent的任务规划与工具调用能力引入实际工作，让AI不再局限于回答问题，而是进一步参与业务任务执行。例如，面对资料检索、信息整理和报告生成任务，用户可以用自然语言描述需求，由Agent组织步骤、调用相关工具完成工作。

对于反复使用的业务流程，bit-Agent还可以通过能力固化，保存已经形成的执行步骤，供后续任务复用，减少重复规划的成本。

从固定流程自动化，到面向目标的智能任务执行，再到成熟能力的持续复用，九科信息关注的始终是如何让企业把一项工作真正交出去。

RPA积累的流程执行经验与企业业务理解，依然是探索智能任务执行的重要基础；Agent则带来了更灵活的任务组织方式。两者并不矛盾，而是在企业智能化发展过程中，有了新的协作空间。

五、Agent的价值，最终要回到业务结果

回到HCLSoftware拟收购Robotiq.ai的事件。比起“又一家科技企业看中了RPA”，更值得关注的是它背后的方向：

当Agent开始承担真实业务，企业对AI的期待，正在从“能理解、会生成”，走向“能执行、可交付”。

企业智能化不是推倒重建原有系统，也不是简单地在每个系统中增加一个AI聊天窗口。更现实的路径，是让智能体理解业务需求、连接已有系统，并根据任务选择合适的执行工具，将分散操作组织成完整流程。

九科信息也在持续探索这条路径：让AI从执行固定规则，走向理解任务、调用工具、完成工作，并通过能力复用进一步降低重复执行的成本。

毕竟，企业真正需要的，不是一个只会解释工作流程的AI，而是一个既知道该怎么做，也有能力把事情做完的Agent。