文|王吉伟

3月7日，有个名为Kognitos智能RPA厂商拿到了675万美元融资，自送绰号“生成式AI自动化”先驱。其主要业务，是提供类似ChatGPT的对话式功能，为客户提供更人性化的智能自动化服务。

对于Kognitos的绰号，业内人士看后呵呵一笑。

谁不知道，微软早已将ChatGPT融合到RPA产品中，也在同一天宣布已将ChatGPT技术扩展到Power Platform（包含RPA产品Power Automate）平台上，允许其用户在很少甚至不用编写代码就能开发自己的应用程序。

论引入GPT的速度，自然没人能够比得过近水楼台先得月的微软Power Automate，毕竟微软是OpenAI的大东家。

打定LLM主意的初创公司不止这一家，比如国内也有一家名为澜码科技的公司，成立于ChatGPT发布之前，并已在2月份成立之初拿到了上千万元融资。这也是一家基于大语言模型的自动化平台公司，致力于人机协同、人机融合、人机共生等领域的研究和探索。

这些初创公司瞄准了超自动化与LLM融合的赛道，显然是要借助新技术和新风口打造全新交互模式的新型超自动化产品，以更灵活的方式快速切入细分或者专长市场。

RPA厂商现在基本都已完成相关技术及产品布局，晋级成为超自动化厂商。超自动化（hyperautomation）技术合集下的低代码、流程挖掘、BPM、BPA等技术及产品所涉及的很多厂商，也都在快速完善自身并蜕变成为超自动化厂商。

相对于初创公司看中AI大模型（LLM，Large Language Model）在超自动化领域的机会，包括巨头科技公司和已经走上B、C、D轮的国内外超自动化厂商们，在ChatGPT发布之初就开始积极探索与研究LLM与超自动化的融合应用，到现在都已有了一些成果。

单是RPA厂商，国内外已有几十家厂商引入了生成式AI。

在低代码/无代码领域，生成式AI技术也已经成了各平台的必需，越来越多的厂商都发布了基于LLM的产品及解决方案。

在流程挖掘领域，这几天超自动化厂商Pega推出了深度融合ChatGPT功能的全新流程挖掘产品Pega Process Mining，使得用户通过自然语言对话就能使用流程挖掘功能，相信以后流程挖掘产品都会集成GPT。

至于老牌的BPM、BPA等厂商，几乎都与servicenow、Mulesoft等一样步调一致的快速引入了GPT。

国内的一些厂商，更是打造出了AIxRPA、AIGCxRPA、生成式RPA等诸多概念，在这背后都是LLM与RPA或者超自动化的深度融合。

整体而言，目前大部分超自动化厂商都已经引入、集成并部署了基于LLM的生成式AI技术。

那么，都有哪些厂商引入了生成式AI？生成式AI在超自动化中有哪些应用？对超自动化有什么影响？本文，王吉伟频道就跟大家聊聊这些。

再谈超自动化

王吉伟频道在2020年写过一篇关于超自动化的文章，也是国内最早介绍超自动化的文章之一。但几年发展下来，你会发现超自动化的概念与内涵已经有了很大的变化及完善。

扩展阅读：数字化转型具体落地有着落，超自动化开启RPA红利时代

所以，这里有必要再跟大家聊一聊。

自Gartner于2019年发布这项技术后，现在超自动化已经成为人所共知的概念。

超自动化一词最早由Gartner在2019年提出，它是一个以交付工作为目的的集合体，是机器人流程自动化、流程挖掘、智能业务流程管理等多种技术能力与软件工具的组合，是智能流程自动化、集成自动化等概念的进一步延伸。

超自动化本身涉及到的关键步骤即发现、分析、设计、自动化、测量、监视和重新评估等均囊括在内，突出以人为中心，实现人、应用、服务之间的关联、组合以及协调的重要性。

2021年，Gartner对超级自动化做了进一步的定位细化，认为超级自动化作为韧性交付的一部分，保障了企业服务交付的灵活性，强调一切可以而且应该被自动化的事物都需要转变为自动化方式。

譬如，现在许多企业被一些遗留的业务流程拖累，这套流程由一系列技术拼凑而成，而这些技术是并未经过优化、精简、连接、明确或一致的，这为企业带来了非常昂贵和复杂的成本。随着数字业务的加速发展，企业需要一套高效、高速、高包容性以及民主化的流程，需要关注效率、性能和业务敏捷性。

到2022年，Gartner认为超级自动化是企业数字化转型重塑变革的重要组成部分。

超级自动化是一种业务驱动的方法，也被认为是多种先进技术、工具或平台的协调使用。发展到现在，超自动化的概念已经超越技术本身，而成为广大组织在自动化战略层面的重要组成部分。

在更高的企业经营维度上，超自动化是一种利用技术最大限度地提高业务流程自动化的方法，也是一种业务驱动的方法，其目标是通过提高弹性、可扩展性和节省的成本实现数字加速。也被认为是多种先进技术、工具或平台的协调使用。

它通过多种技术、工具和平台同步工作，以自动化每个可能的业务流程。其所包含的工具、软件、平台以及技术包括：

• 事件驱动软件架构；
• RPA；
• 低代码/无代码工具；
• 打包软件；
• 机器学习；
• 业务流程管理（BPM）和智能业务流程管理套件（iBPMS）；
• 集成平台即服务（iPaaS）；
• 人工智能（AI通用技术，现包含生成式AI）；
• 其他类型的决策、流程和任务自动化工具。

在超自动化技术合集中，所有的工具与技术等都可以视作超自动化的技术子集。

需要说明的是，超自动化技术合集仍在吸纳更多的自动化相关技术，以保证端到端自动化的高效稳定运行。比如最新的生成式AI技术，现在也已经成为超自动化的重要技术之一。

Gartner认为，“超自动化”一词与自动化不同，因为它不仅与产品和服务有关。他们将超自动化定义为包括公司从IT基础设施到业务流程和决策设计方法的重大变化，因此，超自动化是一种整体自动化方法。

超自动化不仅为政府等机构提供了有效、无缝连接公共服务的机会，更专注于跨领域实现端到端业务流程自动化，以大幅度提升组织的工作效率。

厂商们重视这项技术，当然更因为它的巨大市场潜力。现在，超自动化的未来市场规模已经得到众多行业及组织的认同。根据Gartner数据，到2024年，全球65%的大型组织将部署某种形式的超自动化。

还有相关研究报告显示，全球超自动化市场规模/份额在2022年的价值为365亿美元，预计到2032年将达到1670.2亿美元，在预测期内的复合年增长率为16.4%。

超自动化引入生成式AI

了解了超自动化这个技术合集的组成后，再说生成式AI与它的关系就容易理解了。

自从ChatGPT发布以来，超自动化领域的多家厂商都在积极尝试并引入GPT，国内厂商也会同时引入文心一言、星火认知等国产AI大模型。对于生成式AI如何应用于超自动化架构，从目前厂商的应用案例来看，在某种工具中集成或者通过部署相关大模型以实现生成式AI的应用是比较通用的引入方式。

下面，我们以RPA和低/无代码为例，看看超自动化引入生成式的情况。

RPA中引入生成式AI。王吉伟频道已经在这篇文章中做过盘点，目前国内外RPA厂商已经有几十家都已经引入GPT或者相关技术。

扩展阅读：多家厂商引入ChatGPT，集成与融合生成式AI成为RPA技术新趋势

从今年1月开始，智能自动化厂商NICE就率先宣布了与ChatGPT的技术集成。此后Automation Anywhere、UiPath、三星SDS、Appian、SAP、Pega 、Salesforce、微软（Power Automate）等多家厂商都官宣或者发布了GPT插件，并在博客或视频平台上线了相关教程与视频。

保守估计，国外市场引入GPT的RPA厂商已经不下20家。

在国内市场，九科信息引入了ChatGPT，来也科技开通了微软国际版Azure OpenAI订阅服务，影刀引入Azure OpenAI服务并接入了文心一言，实在智能推出对基于AI大模型的话式文档审阅产品“Chat-IDP”，弘玑CyClone已经发布了多个AIxGPT应用demo，达观数据自研“曹植”大语言模型，艺赛旗推出深度融合GPT超自动化产品iS-RPA，金智维也已在RPA+ AutoGPT结合方面做了很多探索。

此外，壹沓科技、云钠科技、中关村科金、科大讯飞、自然机器人等一众厂商也都发布了相应的产品以及应用demo。

国内主流超自动化（RPA\IA）厂商，都已经引入了GPT等大模型。

低代码/无代码与生成式AI。低/无代码厂商同样对生成式AI保持了足够的关注，毕竟生成式AI可以进一步赋能低/无代码平台。

比如西门子几个月来一直致力于在其低代码平台中添加生成式 AI 功能，预计在年底前将此功能开放给用户。该公司甚至在OpenAI发布ChatGPT之前就已获得 GPT （生成预训练变压器）技术，并且一直在对该技术进行试验，以更好地将其整合到其低代码平台中。

再如低代码平台K2，已经推出了最新功能，可以使用户无需编写任何代码即可构建自定义业务应用程序。该平台使用生成式 AI 来自动化软件开发过程的各个方面，例如工作流自动化和数据分析。K2的AI还有助于预测分析，使用户能够在没有任何编码知识的情况下做出数据驱动的决策。

软件测试平台Sofy推出的SofySense ，也是由生成式AI驱动的无代码移动应用程序测试解决方案，它结合了 GPT 集成的智能软件测试 AI 技术，以提供质量保证 (QA) 协助。该平台智能生成AI聊天机器人Sofybot，可以对特定的测试查询提供及时准确的响应。

最近企业级人工智能公司Moveworks也推出了Creator Studio，这是一个无代码、生成式人工智能平台，可在几分钟内构建任何对话人工智能的应用。该平台利用先进大型语言模型（LLM）和生成式人工智能（Generative AI）来提供一个自然语言界面，员工可以在本企业范围内使用。

公开资料显示，Retool、Bubble等国外低/无代码平台都已经引入生成式AI技术，并推出了相关功能。

至于已经推出LLM或与合作伙伴深度合作的微软、谷歌等云厂商，早已将生成式AI技术融合到了各自的低/无代码平台。

在国内，网易数帆也在4月25日的低代码业务战略发布会上推出了CodeWav 智能开发平台。该平台以网易自研智能大模型为底座，以低代码为开发工具，开发者只需编写少量代码，通过自然语言描述和可视化拖拉拽即可快速开发应用。

事实上，就像网易一样，已经推出大模型的阿里云、华为云、百度云、腾讯云等多家云厂商，都已将生成式AI技术部署到了各自的低/无代码平台。

可以看到，引入大模型和生成式AI同样成为了低代码/无代码领域的流行趋势，从海外到国内的厂商都在积极引入生成式AI。

RPA和低代码，仅是超自动化技术组合中引入生成式AI的两个技术子集。到现在为止，RPA厂商、低/无代码厂商、BPM厂商、iPaaS厂商、BI厂商以及流程挖掘厂商等所推出的最新产品都以某种方式引入了生成式AI。

了解这些之后，你会发现在整个超自动化技术合集中，好像都在或者已经集成了生成式AI，超自动化技术中的生成式AI已经无处不在了。

生成式AI在超自动化中的应用

简单地讲，生成式AI是一种利用现有的数据，如文本，图像，音频等，来创建新的内容的技术。生成式AI可以在各个领域，如广告，娱乐，新闻等，提供创新和有价值的内容。

因此，把生成式AI技术接入到超自动化的任何技术子集比如RPA、低/无代码平台中，都能极大的提升作业效率、降低使用难度及维护成本，并能够有效改善用户体验。

从超自动化在组织数字化的应用层面来看，生成式AI的应用可以为超自动化带来以下几个改变。

1、助力超自动化更好地实施自动化流程

生成式AI可以用来生成业务流程的文档和说明，比如根据业务需求和规则，自动生成流程图、步骤描述和执行条件等，从而减少人工编写的时间和错误。

还可以用来生成业务流程的测试用例和数据，提高测试的覆盖率和质量。例如，根据业务流程的逻辑和边界条件，自动生成测试场景、输入数据和预期输出等。

此外生成式AI还能用来生成业务流程的优化建议和改进方案，比如根据业务流程的运行数据和评估指标，自动生成优化目标、策略和措施等，以实现提高业务流程的性能和效果。

通过生成式AI，可以让超自动化更好地实施自动化流程，提升业务价值和竞争力。

2、赋能超自动化助力企业自动化决策

生成式AI可以为超自动化提供更多的数据源和内容形式，增加超自动化的覆盖范围和应用场景。比如根据用户的需求和偏好，生成个性化的广告文案和创意，帮助超自动化实现更精准的营销策略。

能够为超自动化提供更多的智能和创造力，增加超自动化的灵活性和适应性。根据不同的情境和目标，生成不同风格和语气的文本内容，帮助超自动化实现更多样化和人性化的交互方式。

还能为超自动化提供更多的反馈和优化，增加超自动化的效果和质量。比如根据用户的反馈和行为数据，生成评估报告和改进建议，帮助超自动化实现更快速和精准的决策调整。

集成生成式AI技术的超自动化，可以帮助企业更好地进行自动化决策，提升企业的竞争力和价值。

3、助力超自动化进行数据分析和预测

数据分析和预测，已经成为超自动化实施后监管与运营的重要组成部分。生成式AI是一种强大而灵活的AI技术，它可以助力超自动化进行数据分析和预测，实现更智能、更高效、更灵活的数据驱动业务。

具体作用主要有以下几点：

数据清洗和整理。根据数据的特点和目标，自动生成合适的数据清洗和整理规则，例如去除异常值、填补缺失值、转换数据格式等，进而节省人工编写规则的时间和精力，提高数据质量和一致性。

数据探索和可视化。根据数据的特点和目标，自动生成有意义的数据探索和可视化报告，比如生成描述性统计、相关性分析、聚类分析等，帮助用户快速了解数据的概况和特征，发现数据中的规律和洞察。

数据建模和预测。根据数据的特点和目标，自动生成合适的数据建模和预测方案，比如选择合适的机器学习算法、调整合适的参数、评估模型性能等，快速构建高效准确的预测模型，实现数据驱动的决策。

数据解释和呈现。根据数据的特点和目标，自动生成易于理解和传达的数据解释和呈现内容，例如生成摘要、推荐、建议等，用户能够更好地理解数据分析和预测的结果，提高数据沟通和利用的效果。

以上只是讲了几种应用，生成式AI在超自动化中的应用远不止这些。随着这项技术更多的融入到超自动化各技术子集中，生成式AI也将从整体上改变与影响超自动化的交互方式、运行效率以及未来发展。

几个生成式AI与超自动化结合应用的案例

超自动化集成生成式AI的应用案例已经有很多，这里举几个有代表性的例子。

UiPath是对生成式AI探索比较早的超自动化厂商之一，很早之前就有了相关的应用案例。

UiPath集成ChatGPT的一个典型应用，就是用于分析客户反馈。ChatGPT的一个重要用途，就是分析文本并评估客户对特定产品的反馈情绪。通过向 ChatGPT 提供一组从客户收到的产品反馈，并输入类似提示：“请确定此反馈的情绪，将其分配为正面、负面或混合。”ChatGPT 将做出响应，一致且准确地识别消息的语气。

同时，还可以将自动化添加到组合中。机器人可以向 ChatGPT 发送反馈列表、共享提示、接收每条消息的答案并计算肯定、否定和混合答案。这些用户情绪反馈，可以自动定向到产品开发团队。

在3月底召开的AI峰会上，UiPath还推出了Clipboard AI，该产品是与Open AI进行技术结合，通过ChatGPT打造的全新问答式自动化产品，可为用户提供跨应用程序端到端的自动粘贴、复制，非结构化数据查询，货币转换等功能。

国内RPA厂商，也在积极探索如何融合GPT等生成式AI，并且有些厂商已经放出了应用demo。

比如弘玑Cyclone最近就发布了多个应用demo。其中一个demo是GPT结合RPA实现周报自动书写和发送，GPT通过分析RPA自动获取的项目日报和项目管理系统中的信息，通过与用户多轮对话生成具有实时数据支持的精确项目周报。这种全新的对话式流程创建，令人耳目一新。

来也科技通过在内部举办大语言模型黑客马拉松，一连推出了多个GPT应用。其中有个应用是在一分钟内创建自己的AI 客服机器人，只需在聊天框中选定任一品牌或公司，在大语言模型和聊天机器人共同搭建的支持下即可开始创建自己的AI 客服，无需构建与维护成本，且可以直接在WhatsApp上免费使用。

实在智能推出的首款能和文档对话的产品Chat-IDP，在IDP（文档审阅）中嵌入基于大型语言模型LLM的强大语义理解、多轮对话、逻辑推演和文本生成能力。用户登录Chat-IDP后，只需要把Word、PDF、扫描件等多种格式的文件上传，就能在原文上划选内容，并直接进行提问交流，实现关键信息查找、改写续写、逻辑运算、纠错翻译等功能，减少在文档和其他AI功能平台之间来回跳转的割裂感。

还有更多厂商都已经发布了生成式AI相关的产品，并已经有了落地的应用案例，从反馈来看应用效果非常显著，已获得很多用户青睐。

随着更多用户接受通过对话式交互处理各种业务流程的操作方式，生成式AI与超自动化的融合也将会进一步加深。

生成式AI对超自动化的影响

基于前文对超自动化技术及相关案例的分析和理解，我们可以将生成式AI对超自动化的影响总结为提高效率和准确性、减少人工干预、提高决策质量、增强智能化等几个方面。

这几点都很好理解，限于篇幅这里就不展开叙述了。

事实上，组织一旦将生成式AI引入超自动化的某个技术子集，也会影响到到其他技术子集，因此所带来是整个超自动化架构下各种业务流程自动化的高效运营。

下面，我们可以从RPA角度，看看生成式AI对超级自动化的影响。

目前，基于GPT的生成式AI应用正在蓬勃发展，各类跨界领域技术和GPT大模型的结合应用也不断涌现，AutoGPT也是其中之一。

AutoGPT是由GPT-4驱动的一个实验性的开源应用程序，可以自主实现用户设定的任何目标，它赋予了GPT模型自动化执行和自我优化的能力。

金智维创始人&CEO廖万里认为，从AutoGPT开始，AI根据用户设定的目标可以自主地提出计划，然后执行计划，进行结果评估和优化；AutoGPT还具有互联网访问、内存管理、基于GPT-4和GPT-3.5模型实例的文件存储和生成摘要等功能。

在此基础上，再结合RPA机器人流程自动化能力的辅助，AutoGPT能够进一步根据用户设定的目标，在用户完全不插手的情况下自主执行任务，包括日常的事件分析、营销方案撰写、代码编程等场景，都能够实现工作全流程的自动化。

作为基于GPT-4大模型完全自主运行的应用实验之一，AutoGPT突破了ChatGPT在用户提示信息交互方面的局限性。

当用户提出一个需求或任务时，AutoGPT不会着急给出答案，而是会通过 AI THOUGHTS（思考）、REASONING（推理）、PLAN（规划）、CRITICISM（评估） 四个模块分析问题，并且给出执行目标和具体任务，然后在项目执行过程中自主调整和优化。

AutoGPT自己会提出新的问题并回答，这种自我迭代和优化使得 AutoGPT能够在项目进行中不断进步，避免了频繁的人工干预。

RPA+ AutoGPT的结合，能够实现对现有的任务进行深度分析，进而发现一些未被注意到的问题，并且给出最佳答案。

可以说，AutoGPT会让RPA在超级自动化方面的探索实践能力实现了进一步提升。

再从低/无代码领域，感受一下生成式AI对对它的巨大影响。

生成式AI可以自动生成代码和程序，这一颠覆性体验将大幅降低开发门槛、提升效率，从而极大降低企业数字化转型难度。不仅如此，平台还提供智能检查和修复、智能补全等辅助工具，帮助完善编程成果，AI 测试机器人也能自动完成低代码应用的测试，保证应用正常运行。

几乎所有的IT领域专家都认为，生成式AI将彻底改变低代码和无代码开发环境的使用。同时将生成式AI添加到低代码和无代码平台已经成为趋势，广大组织可以通过降低采用这些系统的障碍，并进一步授权业务用户创建应用程序，可以加快开发进度。

低代码/无代码供应商的产品将结合可视化开发界面和生成式AI模型的优势，让用户通过自然语言或采用可视化组件来优化开发结果。

比如微软已经在低代码产品PowerApps中添加了Copilot，提供了基于ChatGPT的功能，包括非开发人员在内的用户，都可以通过聊天交互轻松创建简单的应用程序，应用程序还可以为其用户提供ChatGPT实例。

一般而言，将生成式AI添加到Copilot中有两个实际用途：一是帮助加快开发周期，二是将生成式AI添加到已创建的应用程序中。

在超自动化中集成生成式AI这种形式，接下来将会成为低代码/无代码的主流产品形态，更多厂商正在引入生成式AI技术。

不管是在超自动化的技术子集中引入生成式AI，还是基于生成式AI从整体上重塑和优化超自动化，都会影响到超自动化运行的多个子流程，并通过数据等内容生成以及跨系统访问交互来实现更好效果。

所以，如何将生成式AI与超自动化深度融合，将会是厂商们接下来重点研究的课题。

后记：共建企业经营LLM时代

最后再多说几句。

某种程度上，配备了代码解释器插件的ChatGPT已经成为了一个对话式程序创建平台，OpenAI已经发布的70款插件则让ChatGPT的开发能力与自动化能力进一步加强，以后面向各领域的执行类插件将会更多，很多简单应用场景的自动化都将逐步实现。

虽然加上各种插件的ChatGPT目前还无法影响到广大组织构建了多年企业核心数据运营系统，但在不远的将来，对话式AI重新构建企业管理软件系统已是不可避免。

LLM即将一统天下的情况下，超自动化引入生成式AI早已是大势所趋。与其等着ChatGPT等生成式AI去颠覆企业已有的数字化系统，不如积极加入共建企业经营管理的LLM时代，不是吗？

因此，超自动化领域的玩家们，必须要加快速度迎头赶上了。