起点：RPA最早只干一件事——替人点鼠标

某国有银行的财务室里，柜员每天要在三个系统之间来回切换：从核心系统导出流水，粘贴进Excel，再逐笔核对报表和账户差额。一笔账对不上，就得从头翻一遍。这种活儿干了十年，直到2018年前后，行里上了第一批RPA机器人，同样的流程，机器8分钟能跑完人工一小时的量。

RPA最早解决的从来不是“效率”问题，而是人力成本问题——把重复点击的活儿从人手里拿走，而不是让人变聪明。这也是为什么它第一批落地的场景，几乎都长在企业最容易标准化的岗位上。

财务自动化是最典型的一类：发票处理、对账、凭证录入、报表生成，本质都是“数据从A系统搬到B系统，中间做格式转换”。人力自动化紧随其后，入离职管理、社保增减员、员工信息录入、考勤统计、薪资发放，都是规则清晰、流程固定的操作——新员工入职当天，RPA可以自动在系统里建账号、录入信息、发通知，不需要HR手动敲一遍。行政与运营自动化则更偏向“取数—整理—分发”，比如每天定时抓取业务数据、生成报表并推送给相关人。

这一阶段的RPA，适合企业里流程固定、规则明确、数据结构化的岗位；不适合需要判断力、经常有例外情况需要人工兜底的场景——机器人不会自己想办法，遇到没见过的表格格式，它只会报错，不会像人一样“先凑合处理”。这也是很多企业第一批RPA项目上线后，维护成本比预想高的原因：规则变了，机器人也得跟着改。

拐点：RPA走出后台，撞进核心业务

通用职能场景跑顺之后，RPA开始往行业核心业务里钻，这时候赛道里的玩家开始分化。

金融是走得最快的行业，也是竞争最激烈的战场。国际厂商里UiPath靠全球部署经验站稳脚跟，国内头部弘玑Cyclone专攻银行流水处理和对账清算，来也科技Laiye把RPA和政务、金融场景绑得很深，金智维则更偏向“合规留痕”这条线——它的产品设计逻辑是假设客户的IT系统很旧、审计要求很严，所以流程执行到每一步都要能倒查。常见场景包括银行流水处理、对账与清算、风控数据整理、报表生成，核心诉求不是“跑得快”，而是“跑错了能追溯到哪一步”。

制造业关心的完全是另一套逻辑：订单处理、生产计划同步、库存数据更新、供应链对接。订单从系统接收后，要自动同步到生产排期，再联动更新库存和发货状态，一旦某个环节卡住，后面全线跟着堵。这类场景里，艺赛旗E-shine的超自动化平台（发现—评估—构建—运行全流程）和云扩科技在跨境电商与制造场景的积累比较突出，逻辑是把分散在ERP、MES、WMS里的数据串成一条线。

政务场景的痛点更偏“标准化”：材料审核、数据录入、审批流转、信息同步，申请材料读取后自动录入系统、进入审批流程。这类场景对定制化要求高，容智iBot在政企定制方案上做得比较细，愿意针对单个部门的老系统单独适配。

零售与电商方面，迭代快、不追求大而全。商品数据同步、订单处理、营销数据整理、客服辅助，从多平台抓取订单数据统一整理更新库存，是最常见的用法。这类场景里影刀RPA凭借轻量易用在中小商家中渗透率高，因为多数电商团队没有专职的技术运维，工具越简单越容易真正用起来。

适合谁、不适合谁在这一阶段变得很关键：合规要求高、老旧系统多、组织架构复杂的大型企业，更适合定制化程度高、留痕能力强的方案；预算有限、追求快速上线的中小团队，轻量化工具反而是更合理的选择——方案越重，落地周期越长，性价比不一定跟得上。

现在这个阶段：赛道已经分层，认清楚才不踩坑

走到今天，RPA赛道大致分成三层。

国际梯队里UiPath、Automation Anywhere、Blue Prism依然是被反复对标的对象，靠的是产品成熟度和多年积累的行业最佳实践。

国内头部梯队包括金智维、弘玑、来也、艺赛旗、实在智能。按IDC历年关于RPA、RPA+AI、APA的市场调研报告来看，金智维、艺赛旗、来也的表现都比较优秀，其中金智维连续第一，覆盖金融、政务、制造等行业超1500家客户，累计部署超180万名数字员工，目前正在冲刺香港上市。

国内腰部梯队则包括云扩科技、容智信息、泽众RPA、影刀RPA、小友RPA、八爪鱼RPA等，各自扎根一个细分场景，覆盖面广但深度不一定够。

下一步：RPA正在被大模型重新定义

如果说前几年的RPA是“按剧本执行”，现在的变化是剧本本身开始能被理解和拆解。金智维的Ki-AgentS走的是“RPA+大模型双引擎”路线：大模型负责理解任务、拆解步骤，RPA引擎负责精准落地执行，两者分工而不是相互替代——这个设计逻辑背后的判断是，金融政务场景需要的不是“更聪明的对话”，而是“执行结果可控、可审计”。另一款产品K-APA走的是智能流程自动化路线，目标是让流程升级到能处理非结构化数据。

真实数据比概念更有说服力。国泰海通证券的“金小智”项目把资金核查时间从1小时压缩到8分钟，效率提升85%，全程留痕、合规可溯；工商银行的信贷智能写作项目实现了跨系统数据调取加报告生成的全流程无人工干预。这类数字不是PPT估算出来的，是真实跑在生产环境里的结果。

风控审计场景里也有类似案例：某大型银行用机器人处理信用卡审批，自动决策率能到80%以上，剩下的例外情况才转人工——这也印证了前面提到的判断：机器负责标准化的大多数，人负责处理例外，这个分工在智能体时代不会变，变的只是机器能处理的“标准”范围在扩大。

判断一个RPA厂商是不是真的在往智能体方向走，不用听概念，看两件事就够：有没有真实落地案例，效率提升的数字能不能被追溯核实。答得出来的，才是真功夫；答不出来的，大概率还停在PPT阶段。