【一线数智评论】转眼又到了一年一度的年终总结和明年预算的时间。过去企业每年做数字化建设，IT预算主要花在哪里？软件许可、系统开发、服务器、云资源、运维人员。进入AI时代，预算表里正在出现一个新的变量：Token。
当越来越多的员工开始使用AI，当企业把大模型嵌入客服、财务、运营、供应链等业务流程，AI的调用费用也将逐渐成为数字化运营的一项持续支出。
这带来了一个过去不那么突出的问题：如果一件事情用传统自动化就能完成，我们为什么还要花钱调用AI？如果传统自动化已经无法满足业务需求，我们又应该在什么环节引入AI？
尤其是对于已经投入RPA的企业，AI究竟会取代RPA，还是会让RPA发挥新的价值？
我认为，这不是一道简单的技术选择题，而是AI时代CIO必须重新算清的一笔账。
一、AI不是所有自动化场景的最优解
先看一个企业里很常见的场景：财务处理发票。
如果发票格式固定、校验规则明确、业务系统接口稳定，那么通过API、规则引擎或者RPA，就可以完成数据读取、信息录入、规则校验和系统提交。
这类工作有几个共同特点：规则明确、执行路径稳定、重复频率高。
既然不需要复杂的理解和推理，为什么还要让大模型参与每一次操作？
反过来，如果面对的是非标准格式的票据、复杂的费用说明、相互矛盾的业务材料，甚至需要结合合同、制度和历史记录判断异常原因，传统规则就可能难以覆盖。这时，AI的理解、归纳和推理能力才真正有价值。
同样的区别，也存在于客服、采购、供应链和门店运营中。
固定规则的数据搬运，不一定需要AI；复杂投诉的原因分析，可能离不开AI。按照既定条件执行审批，可以交给工作流；面对多种不确定情况，需要综合信息制定处理方案，AI可能更合适。
所以，企业首先要改变一个观念：不是因为AI能做，就应该让AI来做。技术选择的起点应该是业务任务，而不是技术本身。
二、RPA不会简单消失，但它的角色正在变化
过去几年，RPA解决了企业大量重复性、规则明确的操作问题。它能够模拟人工操作，在不同系统之间搬运数据、填写表单、执行既定流程，帮助企业减少重复劳动。
但RPA也有自己的局限。
当业务规则频繁变化、系统界面调整、异常情况不断增加时，传统RPA可能需要反复修改流程。遇到非标准文档、模糊表达和复杂判断，它也很难仅靠预设规则解决问题。
AI恰好能够弥补其中一部分不足。但这并不意味着，未来所有RPA都应该被AI替代。我更倾向于把未来企业的自动化能力分成三个层次：
第一层：确定性执行。
对于规则明确、重复频繁的任务，优先使用API、规则引擎、工作流和RPA。能通过稳定API完成的操作，通常应优先考虑API；没有合适接口、又必须操作现有系统界面时，再考虑RPA。
第二层：智能化处理。
对于非标准信息识别、复杂语义理解、异常分析、知识问答等任务，使用AI发挥理解、归纳和推理能力。
第三层：智能与执行协同。
当业务任务既需要判断，又需要实际操作时，由AI理解目标、分析情况、提出执行计划，再通过工作流、API或RPA完成操作，并在关键节点进行权限校验和人工审批。
例如，AI识别到某家门店的耗材消耗异常，可以进一步分析采购记录、库存变化、业务销售数据和类型，提出可能的原因；真正的库存调整、采购申请和审批，仍然应该通过受控的业务流程完成。
这才是AI与传统自动化更合理的分工。
未来的RPA，不一定还是独立存在的一套机器人系统。它可能成为企业智能体调用的一种执行能力，与API、业务工作流共同组成自动化体系。
三、真正需要警惕的，是AI成本被无形放大
AI与传统自动化之间，还有一个不能忽视的区别：成本结构。
传统自动化的投入相对容易估算。系统开发完成后，虽然仍有软件许可、基础设施和运维费用，但在流程稳定的情况下，执行成本通常比较容易预测。
AI则增加了动态变化的成本因素：模型调用次数、输入输出Token、上下文长度、模型能力等级、多轮推理，以及多个智能体之间的协作，都可能影响最终成本。
举个例子，同样是处理一笔采购申请：
一种实现方式是，按照固定规则完成字段校验和流程流转，只有出现异常时才调用AI分析。
另一种实现方式是，每笔申请都交给大模型，从头阅读全部材料、分析业务背景、反复推理，再由多个智能体分别检查和复核。
两种方式可能都能完成任务，但成本和效率未必相同。
如果第二种方式没有带来相应的业务收益，就可能出现一种新的浪费：过去企业用大量人工处理简单事务，现在却用昂贵的智能能力处理同样简单的事务。
因此，企业需要警惕的，不只是Token单价高，而是缺乏对AI调用的必要性、频率和实际效果的管理。
AI预算也不能仅仅按照每个部门申请了多少Token来分配。更重要的是，弄清楚这些调用究竟解决了什么问题，产生了什么价值。
四、CIO重新算的不只是Token的账
面对AI带来的成本变化，企业不能简单地规定所有部门都要节省Token，也不能因为担心费用，就限制AI应用的发展。
真正有效的做法，在数字化项目方向达成一致的前提下，是建立面向业务任务的成本核算机制，
第一，算清单笔业务的总成本。
除了像过去一样考虑软件采购、流程开发、维护、人工复核、错误处理等成本，加上模型调用费用。不能只比较一次AI调用和一次RPA执行的价格，而要比较两种方案完成同一项业务任务的全生命周期成本。
第二，关注自动化带来的真实收益。
例如，处理一笔业务需要多少人工时间，错误率降低了多少，异常处理效率提升了多少，最终节省了多少成本，或者创造了多少新增收入。
第三，按任务复杂度选择模型和执行方式。
简单的信息提取，不必一律使用最昂贵的模型；固定规则能够解决的问题，不必每次都调用AI；确实需要复杂推理的任务，也不应该为了节省Token而牺牲业务质量。
第四，对AI调用建立持续监控。
关注各类业务场景的调用量、单次任务成本、成功率、人工介入率和业务效果。当某个应用的调用量突然增加、单位成本持续上升，或者AI输出并没有转化为实际价值时，应当能够及时发现并调整。
归根结底，企业CIO需要管理的不是Token本身，而是Token背后的业务活动。
五、未来企业需要的是组合式自动化，而不是技术站队
我认为，AI时代的企业数字化架构，不应该变成“所有事情都交给AI”，也不应该继续停留在传统的规则自动化体系里。
更合理的方式，是让不同技术各司其职。
规则引擎负责明确的业务规则，工作流负责流程组织，API负责系统之间稳定可靠的交互，RPA解决缺乏接口时的界面操作问题，AI负责复杂信息理解、分析推理和动态任务规划。
它们不是简单的替代关系，而是可以相互组合的能力。
当然，企业也不能把这种分工变成新的技术教条。对于维护成本高、异常频繁的RPA流程，可能值得重新设计API或引入AI；对于涉及资金、权限和重大业务后果的操作，也不能因为AI能够自主规划，就取消必要的规则约束和人工授权。
每个场景都应该结合业务价值、执行频率、系统条件、风险等级和维护成本进行评估。
这意味着，CIO的工作也在发生变化。
过去，我们更多是在不同系统和技术产品之间做选择；未来，我们需要进一步判断：一项业务任务应该由什么能力完成，哪些环节值得使用AI，哪些环节应该保持确定性，以及如何让整个过程的成本和结果都可衡量。
真正先进的数字化架构，不是使用了最多的AI，而是用合理的成本，把业务任务可靠地完成。
AI时代，企业当然需要持续探索新的智能化能力。但与此同时，我们也应该重新审视那些已经成熟、稳定、能够低成本解决问题的传统技术。毕竟，企业数字化的目标从来不是让技术显得更先进，而是让经营更有效率，让决策更有依据，让每一笔技术投入都尽可能转化为业务价值。这才是CIO必须重新算清的那笔账。（来源：IT斜杠女青年 Lydia）
