一、先把三种自动化的能力边界划清楚
企业里谈"自动化"，现在至少混着三代技术，选型踩坑往往从这里开始：
| RPA | GenAI | Agentic AI | |
|---|---|---|---|
| 擅长 | 规则明确的重复性离散任务 | 内容生成、分析、洞察 | 有目标的多步闭环任务 |
| 记忆 | 无 | 需要专门设计（如聊天历史） | 架构内置长短期记忆 |
| 异常处理 | 出规则外就停下等人 | 需要人给明确指令 | 自主规划、调工具、自我验证 |
| 自我修正 | 无 | 单次提示内可被要求重写 | 能用工具/记忆主动验证自己和其他智能体的输出 |
关键差别在最后两行。RPA 遇到规则外的情况就停；GenAI 能在你明确要求时批判自己的输出；而 Agentic AI 的架构里内置了验证闭环------它能调用工具和记忆，主动检查自己以及系统内其他代理的结果。这是它能承担端到端流程的技术前提，也是它比前两者难落地得多的原因。
这三者不是替代关系。一个典型的供应商优化流程里：RPA 负责从 ERP、供应商门户、物流平台抓数据；GenAI 负责分析这批数据、识别表现不佳的供应商、筛出替代候选；Agentic AI 负责指挥------自动生成续约合同草案送审、对候选供应商调 API 查公开信用评级、发出初步意向函。编排层是 Agentic AI，执行层和分析层仍然是前两代技术。
下面是从德勤相关研究整理出的六个支柱，本文只展开工程上最需要先答的四个。
二、支柱一：用例准入的五条硬标准
不是所有流程都值得上 Agentic AI。用这五条筛，通不过的直接排除：
- 有明确的逻辑终点。 "自动化整个报销验证流程"是理想场景；"为财务流程建一个数字孪生模型"不是------后者是持续分析，没有终点。
- 目标导向而非动作导向。 "成功解决一个客户的技术问题"是目标；"按模板发一封触发式邮件"只是一个动作，用 RPA 就够了。
- 多步骤且跨系统。 流程是否需要与多个软件系统、数据库或 API 交互？客户入职（身份验证 → 账户创建 → 权限分配）天然符合。单系统内的操作，杀鸡用牛刀。
- 循环重复发生。 每天/每周高频发生，才摊得平建设成本。比如 HR 每天的简历初筛------重复，但又需要一定认知判断。
- 结果能反哺模型。 流程的输出能否形成反馈信号，让系统随时间变好？营销活动管理就是典型：转化率、参与度数据可以持续优化后续投放策略。
实操建议：不要一次评估 50 个候选流程。拉上业务、技术、战略三方开一次筛选会，选出 3--5 个进入深入分析。
三、支柱二：技术底座体检表
Agentic AI 跑不起来，八成不是模型问题，是底座问题。按两种起点分别列清单。
已有 GenAI / 高级自动化基础的企业
属于查漏补缺：
- 云平台弹性：能否托管无服务器的代理工作负载（Lambda / Azure Functions 这类）？代理是按需、突发、并发的负载模型。
- 数据访问层：核心业务系统的数据能否通过安全 API 暴露？代理需要与现有系统做实时数据交换，不能靠夜间批处理。
- 向量数据库：长期记忆和非结构化文档理解的前提，这一环绕不过去。
- 多代理编排框架：支持代理间协同、任务分配、状态同步。
- CI/CD 与监控：给代理建流水线，并接入统一的日志和监控平台。
系统孤立、基本从零开始的企业
这是一项更基础的工程，顺序不能颠倒：
- 建现代化技术栈：云基础设施、API 网关、数据湖/数仓；
- 引入中间件或 iPaaS，先把孤岛打通；
- 给核心业务系统建 RESTful API，建立 API 文化；
- 部署 LLMOps 工具，管理模型的部署、监控、更新；
- 强制审计日志 + 沙箱测试，在受控环境里验证代理行为再放行。
第 5 条是底线。一个能调 API、能改数据的代理，如果没有审计日志和沙箱，出问题时你连"它当时为什么这么做"都复盘不出来。
四、支柱三：衡量口径不能只量效率
衡量 RPA 看工时节省、错误率下降就够了。Agentic AI 不行------它的价值主张是决策质量和业务成果，指标必须分三层：
流程层
- 流程准确性：代理是否能识别并自动化流程中的低价值环节，并给出更优流程建议？
财务与商业层
- 利润率改善与成本规避（含预测性维护这类"主动避免的成本"）；
- 收入增长：是否通过改善客户体验、个性化等方式带动了顶线；
- ROI：技术、人力、时间的全部投入 vs 产出价值。
风险与持续改进层
- 风险识别能力：是否比人工更早、更全地发现欺诈、合规风险？
- 反馈闭环：系统是否真的在从运营结果中学习并优化策略？
最后一项最容易被跳过，但它决定了这套系统是"上线即巅峰"还是"越跑越准"。如果没有反馈闭环，你买的只是一个贵一点的 RPA。
五、支柱四：自研、合作还是混合
这是个没有标准答案的决策，判据是三条：这个能力是不是核心 IP、数据能不能出门、内部有没有人。
自研（Build）
适用：Agentic AI 能力本身被视为公司核心知识产权、产品或长期壁垒。比如金融科技公司自建欺诈检测代理系统。
代价：成本最高、风险最大。AI 人才竞争激烈、技术迭代极快，内部团队能否持续跟上是真问题。
合作（Partner）
适用：能力对业务关键，需要高度行业定制和领域知识，但内部缺乏专才。
收益：分担成本和风险，借外部经验加速落地。
混合（Hybrid）
购买通用能力 + 在核心环节自建。多数企业的现实解。
架构上还有一条递进路径要同步决定：从单代理起步，跑通后再演进到带监督者的多代理系统（multi-agent with supervisor）。一上来就搭多代理编排，通常会在调试成本上翻车。
六、一条不能省的护栏：人在回路
Agentic AI 的自主性越高，错误放大的半径越大。所以在设计阶段就要明确：
- 哪些决策必须有 HITL（Human-in-the-loop） 卡点；
- 代理的每一次外部动作是否都留有审计痕迹；
- 是否有针对决策偏见的定期审计机制。
对应到员工侧，角色也会变：日常执行性工作被代理接管后，人的价值转向编排------从一个个离散任务的执行者，变成端到端业务成果的指挥者。相应地，提示工程师、AI 架构师、AIOps 工程师这类岗位的需求会实打实上来。
小结：上 Agentic AI 之前先答四个问题
- 选中的流程能不能过用例准入五条（终点、目标导向、跨系统、高频、可反馈）？
- 云弹性、API 数据层、向量库、编排框架、CI/CD、审计沙箱，这六项底座缺哪几项？
- 衡量口径是不是只剩"省了多少工时"？反馈闭环建了吗？
- 这个能力是核心 IP 吗？如果不是，为什么要自研？
这四个问题答不出来就开工，通常会得到一个能演示、上不了生产的代理系统。
关于六大支柱的完整框架、制造与金融行业的代理应用版图，以及人机协同的组织侧安排，可以读 Runwise 的原文：企业如何用 Agentic AI 重塑业务？从规划到实施的 6 支柱战略框架。