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。