2017年5月，由德勤率先启动的“四大财务机器人全面上市”的热点新闻一度引发行业性的全面焦虑，“会计+失业”的热词组合也曾长时间霸占数以千万计的财务从业者的朋友圈。

然而，两年时间过去了，当初的行业性全面焦虑在“马照跑，舞照跳”的日常财务工作中似乎渐渐远去，以至于众多财务从业者难以注意到脚下这场正在暗流涌动的巨大变革。

这就是RPA，它正在改变财务行业。

拐点：亟待突破的人效比

战略大师迈克尔•波特曾在其名著《竞争优势》中给出如下论述，“替代品的威胁决定了在何种程度上其他产品能满足买方需求，由此也为买方愿为产品支付的价格规定了上限。”

我们不妨将目光拉回到355年前的一个平淡无奇的夜晚。

                                                                

英国兰开郡有个纺织工詹姆斯•哈格里夫斯晚上回家，开门后不小心一脚踢翻了妻子正在使用的纺纱机，当时他第一个反应就是赶快把纺纱机扶正。但当哈格里夫斯弯下腰来的一瞬间突然怔住，他看到被踢倒的纺纱机还在转，只是原先横着的纱锭变成直立的了。

 

哈格里夫斯马上意识到：如果把几个纱锭都竖着排列，用一个纺轮带动，不就可以一下子纺出更多的纱了吗？

 

第二天哈格里夫斯就造出用一个纺轮带动八个竖直纱锭的新纺纱机，功效一下子提高了八倍，哈格里夫斯用自己女儿的名字将其命名为珍妮机。人效比高达1:8的珍妮机由此成为号称 “被一脚踢出来”的英国工业革命的真正开端。

埃森哲曾在《2017年人工智能发展报告》中预测，AI可将劳动生产率提升40%，到2035年AI能使年度经济增长率提升一倍。而摆在以RPA（Robotic Process Automation，机器人流程自动化）为代表的财务机器人行业面前的最关键挑战恰恰在于人效比亟待突破。

这其中，除了各大厂商加快技术迭代的红利效应之外，更关键的在于客户端自身对于RPA的理解和应用能力的提升。

早在2017年底，中银国际RPA团队开始进行RPA的概念验证（POC），随后完成的可行性研究报告明确指出，RPA不仅可缩减业务流程的处理时间，显著提升业务团队的工作能力（效率提升高60%至90%），同时可减少或降低人为错误，提升市场反应能力，从而协助员工将更多时间和精力投入到直接产生效益并更能创造价值的工作中。

随后，中银国际RPA团队选择了全球领先的机器人流程自动化（RPA）平台UiPath（一家AI创新类公司，总部位于美国）作为合作伙伴，先后部署20个机器人，分布在多个前线和后线部门的工作流程中，在业务运营、合规监测和客户服务等领域发挥出日益重要的作用。

目前，中银国际RPA平台团队成员已经超过60人，并培养出逾10位优秀流程设计师。他们来自不同的业务板块和部门。团队成员悉心设计和优化自动化流程，充分发挥RPA强项，极大地提高了业务流程自动化的效率和精度。这也使得中银集团接下来加大力度将RPA平台技术更广泛地运用到相关业务部门，并应用于更多的工作流程。

中银集团已着手研究将RPA平台技术与人工智能（AI）技术相结合，包括逻辑较为复杂的自然语言处理、应答机器人等，让机器人流程自动化工作更为精细高效。

从上述案例来看，埃森哲的预测至少在财务机器人领域并不“性感”，整个行业急切期待“珍妮机”这个关键的跳点出现。

AI概念的火爆也催生了大量行业研究报告，其乐观与悲观的程度不啻为云泥之别。

比如，IDC就预测智能机器人产业在中国的市场规模在2027年会大道1.6万亿元。而另一份预测则指出，预计2023年中国人工智能机器人市场规模将达到331亿元，并预计2018-2023年人工智能机器人市场规模年均增速为40%。

为什么会出现如此巨大的差异，其中很关键的一点在于对AI如何驱动作业场景革命有着不同的理解和判断。

回到我们一向被认为“工作重复度高”、“流程标准化程度高”、“IT应用程度高”等具有AI作业场景革命先天优势的财务领域，这些优势能否转化为“胜势”决定着整个行业能否迎来“珍妮机跳点”。

从我们对国内大量财务共享中心的调研情况来看，基于传统工业时代视角制定的众多法律法规，是阻碍财务领域催生“珍妮机跳点”的根本因素。

当然，这是财务从业者们暂时无法改变的外部制约因素，但对于域内的场景变革，CFO们应该担负起主动创新的重担。

我们不妨从如今估值已达70亿美元的UiPath当下聚焦的6大RPA创新挑战，来寻找可能触发财务作业场景革命的关键要素：

①分布式机器学习执行引擎：

机器人可以在企业任意数量的机器中（包括虚机）执行工作流程，因此基本的分布式企业机器学习平台和执行引擎至关重要。这里的问题是，如果这些机器人超过一定数量之后，这就对虚拟实例提出挑战。

②发现概率阈值：

RPA本质上是一个逻辑系统，其中包含确定性步骤。在RPA中引入概率步骤（AI模型）对执行提出了巨大挑战。想想，如果系统认为70％是一个阈值，那么它是否应该让剩下的进程执行？对于非危及生命和非关键任务的过程，我们可以不断强化AI学习来提高确定阈值水平。

③流程理解： 

我们的客户经理经常被客户要求找到下一个自动化机会，实际可以通过分析用户模型达到这个效果，一般是通过分析多个信息系统和工作进程。这是一个长期的过程。

④视觉理解：

计算机视觉使我们的机器人能够以极其精确的方式检测屏幕元素，使得UiPath比其竞争解决方案更快地实施。我们还致力于将机器学习和自然语言处理整合到产品中，以增强UiPath机器人的功能，可处理相对简单的业务异常和其他非结构化数据。

⑤文档理解：

大多数公司使用机器可理解并查询结构化数据，成功率较高。对于非结构化数据，很难甚至不可能通过算法解释。大多数公司目前仍处于从非结构化数据中提取信息的阶段。不过通过更好的算法和高精度也能逐步提高成功率。

⑥会话理解：

自然语言处理（NLP）可以帮助PRA理解文本、聊天和语音输入的情绪。我们需要一种动态约束自然语言理解（NLU）的方法，以便更好地理解人类输入。RPA具有的对话编程功能将提供一些编程、培训和指导作用。

继续阅读：

未经允许不得转载：RPA中国 | RPA全球生态 | 数字化劳动力 | RPA新闻 | 推动中国RPA生态发展 | 流 > RPA，智慧财务时代的“珍妮纺织机”来了？