RPA 赛道与大模型Co-pilots早期创业者的困局
原创RPA 赛道与大模型Co-pilots早期创业者的困局
原创
在大模型技术狂飙的当下，LLM Agents（基于大语言模型的智能体）正以前所未有的速度重构自动化版图。这场革命不仅冲击着传统 RPA（机器人流程自动化）的生存空间，更将早期依赖规则引擎或小模型的RPA创业者以及co-pilot的大模型应用的早期创业者逼至悬崖边缘。这场技术迭代的本质，是在复杂、多变、非结构化数据处理的自动化场景下，自然语言交互对低代码编程的降维打击，更是通用智能对浅垂直场景的暴力覆盖。
一般而言，作为agent的早期形式，co-pilot创业的有两大问题：第一是没有成功案例可循，因为LLM才两三年，还没来得及给除了chatbot以外的copilot证明其商业闭环的机会。第二是co-pilot创业如果没有深厚的独家行业数据基础以及客户渠道，就非常容易把自己定位在大模型的迭代升级的路口上，被大模型升级所碾压。一、LLM Agents 的 "三重碾压效应"
1. 技术路径的颠覆：从 "低代码" 到 "自然涌现"
- 传统 RPA：依赖工程师编写脚本或流程图（如 UiPath 的拖拽式设计器），需精准定义每一步操作逻辑，如同教机器人跳格子，容错率低。 - LLM Agent：直接理解人类意图（"把邮件里的发票信息录入系统"），自主拆解任务链条，动态调整执行路径。 - 典型案例：ChatGPT 插件系统已能调用 API 完成订机票、查数据等操作，而传统 RPA 实现同等功能需低代码脚本。
2. 护城河的瓦解：数据壁垒 vs 通用智能
- 前大模型时代的 RPA 壁垒：
行业 know-how（如财务报销流程的细微差异）+ 客户定制化部署能力 + 长期积累的模板库。
但多数RPA公司本来的业务就是深入各行各业办公室的小批次业务累积，而不是垂直行业的数据深耕，基本没有多少垂直行业的门坎。
- LLM Agent 的破壁逻辑：
- 通过大模型视觉以及电脑使用（Computer Use）能力直接消化非结构化文档（如五花八门的发票格式）以及模拟人类使用网络（而不是调用API） - 通过思维链（CoT）零样本学习适应新业务流程（如理解 "将合同关键条款同步到 CRM" 的模糊指令） - 致命打击：当大部分标准化场景被头部大模型（包括推理模型）原生覆盖，RPA 仅存的护城河只剩特定行业的私有数据接口——而这块蛋糕正被大模型厂家的的定制化、私有部署以及隐私保护能力所蚕食。
3. 生态位的吞噬：从 "工具提供商" 到 "基础设施层"
- 早期 Copilot 创业者的困境：
- Character.ai（个性化对话角色）、Jasper（营销文案生成）等曾风光一时的产品，本质上是对基础模型能力的浅层封装。 - 当 ChatGPT 开放角色预设功能和 DALL·E 3 插件，这些 "中间件" 的生存空间被急剧压缩。
- 幸存者法则：
- Perplexity.ai 以实时搜索+学术级引用杀出血路（弥补了通用模型的事实性缺陷） - Cursor 通过深度绑定开发者工作流（代码库语义检索、AI 结对编程）建立垂直壁垒
二、RPA 赛道的行业剧变
- UiPath 股价较 2021 年高点严重下跌，其推出的 Autopilot 功能（ "用英语描述自动化流程"）被用户吐槽为 "套壳 GPT-4" - 微软 Power Automate 全面接入 Copilot，支持 "描述你想要自动化的任务" 直接生成云端工作流 - 硅谷明星创业公司 Adept（专注训练 AI 执行电脑操作）估值突破 10 亿美元，直接威胁 RPA 生存根基
三、幸存者地图：哪些赛道还能抵抗 LLM 洪流？
1. 重度垂直型
- Cursor 的代码助手：深度集成 IDE 生态（利用VSCode 扩展市场的高占有率），掌握开发者真实工作流数据 - Harvey（法律 AI）：通过LexisNexis法律特有语料训练理解法律术语+私有化部署解决合规问题
2. 实时数据型
- Perplexity.ai：构建搜索引擎级索引体系+ 学术数据库独家合作 - Hedgeye（金融分析）：聚合 Bloomberg/Reuters 实时行情+行业独家预测模型
3. 硬件耦合型
- Covariant 仓储机器人：将 LLM 与机械臂控制算法深度融合，硬件壁垒延缓大模型侵蚀速度 - Tesla Optimus：通过具身智能实现物理世界操作，暂时规避纯数字自动化竞争
四、Agent 创业的陷阱与对策
常见陷阱- 简单封装大模型
- 问题：仅对通用大模型进行表层封装，缺乏实质性增值，例如将 ChatGPT 的提示词模板包装成 "智能客服系统"
- 修正：开发特定领域专用功能，针对垂直场景深度优化
- 过度依赖微调
- 问题：认为对大模型进行简单微调就能构建竞争壁垒，例如微调行业术语就标榜 "医疗大模型"，实则临床决策支持需要具有高度隐私敏感的“地下”数据综合能力
- 修正：构建专有数据闭环和场景优化的工作流程，形成实质性差异
- 忽视企业级需求
- 问题：不重视安全合规、SLA保障和系统集成
- 修正：构建企业级功能框架，满足组织级部署要求
- 问题：仅对通用大模型进行表层封装，缺乏实质性增值，例如将 ChatGPT 的提示词模板包装成 "智能客服系统"
- 修正：开发特定领域专用功能，针对垂直场景深度优化
- 问题：认为对大模型进行简单微调就能构建竞争壁垒，例如微调行业术语就标榜 "医疗大模型"，实则临床决策支持需要具有高度隐私敏感的“地下”数据综合能力
- 修正：构建专有数据闭环和场景优化的工作流程，形成实质性差异
- 问题：不重视安全合规、SLA保障和系统集成
- 修正：构建企业级功能框架，满足组织级部署要求
差异化策略- 工作流集成专家
- 聚焦特定工作场景深度集成
- 开发专用连接器和数据通道
- 人机协作架构师
- 设计高效的人机分工模式
- 构建质量监控和人工干预机制
- 行业知识库构建者
- 整合垂直领域专业知识
- 开发领域特定的评估标准
- 聚焦特定工作场景深度集成
- 开发专用连接器和数据通道
- 设计高效的人机分工模式
- 构建质量监控和人工干预机制
- 整合垂直领域专业知识
- 开发领域特定的评估标准
RPA 的剩余价值： 虽然 LLM Agent 冲击巨大，但 RPA 并非完全没有生存空间。RPA 在以下方面具有剩余价值：
- 合规性要求高的场景： RPA 流程的可审计性和可追溯性可能更符合某些行业的合规要求。
- 与遗留系统的集成： 在某些遗留系统集成方面，RPA 可能比 LLM Agent 更成熟和稳定。
- 超高精度和稳定性的需求： 在极少数对精度和稳定性要求极高的场景下，例如金融交易核心系统，RPA 的确定性执行可能更受青睐。
残酷结论
LLM Agents 正在重演云计算淘汰本地服务器的历史：通用能力标准化底层服务（AWS 取代企业机房），垂直场景留给细分玩家（Snowflake 在云上长成数据仓库巨头）。RPA 和早期 Agent/Copilot 创业者若不能快速转型为 "领域场景深耕者" 或 "人机协作架构师"，必将成为大模型吞噬算力时扬起的尘沙。唯一的好消息是：这场碾压的终局将释放出比 RPA 时代大百倍的自动化市场——但入场券只留给能与 LLM 共舞的垂直场景产品架构师。
大模型创业需要避坑，首要的坑正如Sam所说，就是不要开发大模型边缘迟早会内化的能力。
【相关】
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
腾讯云开发者
