2017年5月，由德勤率先啟動的“四大財務機器人全面上市”的熱點新聞一度引發行業性的全面焦慮，“會計+失業”的熱詞組合也曾長時間霸占數以千萬計的財務從業者的朋友圈。

然而，兩年時間過去了，當初的行業性全面焦慮在“馬照跑，舞照跳”的日常財務工作中似乎漸漸遠去，以至于眾多財務從業者難以注意到腳下這場正在暗流涌動的巨大變革。

這就是RPA，它正在改變財務行業。

拐點：亟待突破的人效比

戰略大師邁克爾•波特曾在其名著《競爭優勢》中給出如下論述，“替代品的威脅決定了在何種程度上其他產品能滿足買方需求，由此也為買方愿為產品支付的價格規定了上限。”

我們不妨將目光拉回到355年前的一個平淡無奇的夜晚。

                                                                

英國蘭開郡有個紡織工詹姆斯•哈格里夫斯晚上回家，開門后不小心一腳踢翻了妻子正在使用的紡紗機，當時他第一個反應就是趕快把紡紗機扶正。但當哈格里夫斯彎下腰來的一瞬間突然怔住，他看到被踢倒的紡紗機還在轉，只是原先橫著的紗錠變成直立的了。

 

哈格里夫斯馬上意識到：如果把幾個紗錠都豎著排列，用一個紡輪帶動，不就可以一下子紡出更多的紗了嗎？

 

第二天哈格里夫斯就造出用一個紡輪帶動八個豎直紗錠的新紡紗機，功效一下子提高了八倍，哈格里夫斯用自己女兒的名字將其命名為珍妮機。人效比高達1:8的珍妮機由此成為號稱 “被一腳踢出來”的英國工業革命的真正開端。

埃森哲曾在《2017年人工智能發展報告》中預測，AI可將勞動生產率提升40%，到2035年AI能使年度經濟增長率提升一倍。而擺在以RPA（Robotic Process Automation，機器人流程自動化）為代表的財務機器人行業面前的最關鍵挑戰恰恰在于人效比亟待突破。

這其中，除了各大廠商加快技術迭代的紅利效應之外，更關鍵的在于客戶端自身對于RPA的理解和應用能力的提升。

早在2017年底，中銀國際RPA團隊開始進行RPA的概念驗證（POC），隨后完成的可行性研究報告明確指出，RPA不僅可縮減業務流程的處理時間，顯著提升業務團隊的工作能力（效率提升高60%至90%），同時可減少或降低人為錯誤，提升市場反應能力，從而協助員工將更多時間和精力投入到直接產生效益并更能創造價值的工作中。

隨后，中銀國際RPA團隊選擇了全球領先的機器人流程自動化（RPA）平臺UiPath（一家AI創新類公司，總部位于美國）作為合作伙伴，先后部署20個機器人，分布在多個前線和后線部門的工作流程中，在業務運營、合規監測和客戶服務等領域發揮出日益重要的作用。

目前，中銀國際RPA平臺團隊成員已經超過60人，并培養出逾10位優秀流程設計師。他們來自不同的業務板塊和部門。團隊成員悉心設計和優化自動化流程，充分發揮RPA強項，極大地提高了業務流程自動化的效率和精度。這也使得中銀集團接下來加大力度將RPA平臺技術更廣泛地運用到相關業務部門，并應用于更多的工作流程。

中銀集團已著手研究將RPA平臺技術與人工智能（AI）技術相結合，包括邏輯較為復雜的自然語言處理、應答機器人等，讓機器人流程自動化工作更為精細高效。

從上述案例來看，埃森哲的預測至少在財務機器人領域并不“性感”，整個行業急切期待“珍妮機”這個關鍵的跳點出現。

AI概念的火爆也催生了大量行業研究報告，其樂觀與悲觀的程度不啻為云泥之別。

比如，IDC就預測智能機器人產業在中國的市場規模在2027年會大道1.6萬億元。而另一份預測則指出，預計2023年中國人工智能機器人市場規模將達到331億元，并預計2018-2023年人工智能機器人市場規模年均增速為40%。

為什么會出現如此巨大的差異，其中很關鍵的一點在于對AI如何驅動作業場景革命有著不同的理解和判斷。

回到我們一向被認為“工作重復度高”、“流程標準化程度高”、“IT應用程度高”等具有AI作業場景革命先天優勢的財務領域，這些優勢能否轉化為“勝勢”決定著整個行業能否迎來“珍妮機跳點”。

從我們對國內大量財務共享中心的調研情況來看，基于傳統工業時代視角制定的眾多法律法規，是阻礙財務領域催生“珍妮機跳點”的根本因素。

當然，這是財務從業者們暫時無法改變的外部制約因素，但對于域內的場景變革，CFO們應該擔負起主動創新的重擔。

我們不妨從如今估值已達70億美元的UiPath當下聚焦的6大RPA創新挑戰，來尋找可能觸發財務作業場景革命的關鍵要素：

①分布式機器學習執行引擎：

機器人可以在企業任意數量的機器中（包括虛機）執行工作流程，因此基本的分布式企業機器學習平臺和執行引擎至關重要。這里的問題是，如果這些機器人超過一定數量之后，這就對虛擬實例提出挑戰。

②發現概率閾值：

RPA本質上是一個邏輯系統，其中包含確定性步驟。在RPA中引入概率步驟（AI模型）對執行提出了巨大挑戰。想想，如果系統認為70％是一個閾值，那么它是否應該讓剩下的進程執行？對于非危及生命和非關鍵任務的過程，我們可以不斷強化AI學習來提高確定閾值水平。

③流程理解： 

我們的客戶經理經常被客戶要求找到下一個自動化機會，實際可以通過分析用戶模型達到這個效果，一般是通過分析多個信息系統和工作進程。這是一個長期的過程。

④視覺理解：

計算機視覺使我們的機器人能夠以極其精確的方式檢測屏幕元素，使得UiPath比其競爭解決方案更快地實施。我們還致力于將機器學習和自然語言處理整合到產品中，以增強UiPath機器人的功能，可處理相對簡單的業務異常和其他非結構化數據。

⑤文檔理解：

大多數公司使用機器可理解并查詢結構化數據，成功率較高。對于非結構化數據，很難甚至不可能通過算法解釋。大多數公司目前仍處于從非結構化數據中提取信息的階段。不過通過更好的算法和高精度也能逐步提高成功率。

⑥會話理解：

自然語言處理（NLP）可以幫助PRA理解文本、聊天和語音輸入的情緒。我們需要一種動態約束自然語言理解（NLU）的方法，以便更好地理解人類輸入。RPA具有的對話編程功能將提供一些編程、培訓和指導作用。

繼續閱讀：

未經允許不得轉載：RPA中國 | RPA全球生態 | 數字化勞動力 | RPA新聞 | 推動中國RPA生態發展 | 流 > RPA，智慧財務時代的“珍妮紡織機”來了？