AWS博客提出“代理式价值模型”，主张代理自动化的ROI需另算四类价值池
AWS机器学习博客作者Manish Ballal发文称，按“节省工时×人力成本−建设成本”计算的RPA时代ROI模型遗漏了代理式自动化的多数价值，并提出一套包含四个价值池、一个实现条件和一套优先级矩阵的评估框架。文中引用McKinsey 2026年研究、AWS Prescriptive Guidance数据，以及Amazon Quick Automate三个早期部署案例。
AI解读：这篇AWS机器学习博客由Manish Ballal署名，目的是给AI卓越中心（AI CoE）负责人提供一套为代理式自动化构建商业论证的框架，而非发布新产品或新数据。
作者称传统的“节省工时×人力成本−建设成本”ROI模型是为RPA等规则型工具设计的，忽略了流程变化维护成本、异常处理、人工监督以及节省工时不必然进入损益表等问题。
替代框架“代理式价值模型”设四个价值池：时间节省、异常处理、决策质量、变更韧性与维护经济性；另有一个决定这四者能否转化为经济价值的条件——价值实现机制与责任人。
作者引用McKinsey 2026年研究称，成功的AI转型遵循“1:3:5”投入模式，即每 1 美元代理技术投入花 3 美元在流程重设计、5 美元在能力与采纳，但多数公司把公式倒过来了。
文中以 20 万件理赔、每件 12 分钟、时薪 45 美元、年基数成本约 180 万美元的示例说明：自动处理 70% 常规案件可释放约 2.8 万小时、约 126 万美元产能，但若人员不减少、加班与外包支出不下降，这笔钱不会进入损益表。
作者列出三个Amazon Quick Automate早期部署：Kitsa报告 91% 成本节省和 96% 更快数据获取，dLocal在受控评估中自动化最高 75% 商户合规审查，Genpact称供应链风险中断影响分析从 2–3 天缩短到几分钟；作者同时说明这些案例并未证明全部四个价值池。
AWS机器学习博客发表由Manish Ballal署名的文章，主张代理式自动化的商业论证不能沿用RPA时代的回报率算法。
文章称，传统模型用“节省工时×人力成本−建设成本”衡量，适用于稳定、高频、规则型的工作，但会遗漏代理式自动化在异常处理、决策质量、维护经济性等维度的价值，也假定节省的工时必然转化为财务结果。
作者提出“代理式价值模型”，要求对每个候选流程分别测算四个价值池，并说明每个收益通过什么机制变成经济价值、由谁负责。
作者称旧ROI模型的四个盲点
文章说，经典ROI模型假定流程稳定，因此忽略流程变化后维护自动化的成本；假定任务规则化，因此没有异常处理科目；假定工作是全部职责，因此不计人工监督成本。
作者还称，该模型把节省的一小时当作已入账价值，但释放出的产能常被积压工作重新填满，最终不会出现在损益表上。
文章引用McKinsey 2026年《Agentic AI change management: Closing the adoption gap》的观点：成功的AI转型遵循“1:3:5 模式”，即每在代理技术上投入 1 美元，就在流程重设计上花 3 美元、在能力建设和采纳上花 5 美元，而多数公司把这一公式完全倒置。
四个价值池与一个实现条件
作者提出的四个价值池分别是：时间节省、异常处理、决策质量、变更韧性与维护经济性。
时间节省沿用原有度量，但作者称代理可覆盖规则型RPA处理不佳或需要大量异常逻辑的工作。
异常处理方面，文章引用AWS Prescriptive Guidance《Assessing your current human-process costs》给出的规划区间：纠正一个错误可能花掉原始交易成本的 1.5 到 4 倍，人为错误可能占运营成本的 2% 到 15%。
决策质量方面，文章引用AWS Prescriptive Guidance《Understanding agentic AI economics》称，低频高价值决策可能值得用代理改善决策质量，而不只是降成本；作者举例说，信贷、定价或风险领域一次更好的决策可能超过一年节省的分钟数。
维护经济性被作者描述为双向账：脚本脆弱，屏幕或上游系统一变就要重建；代理能吸收部分变化、不必重写，但维护会转向评估、提示、监控和模型运维，且运行本身有成本。
作者称支配这四者的条件是价值实现：每个收益都需要一个把运营改善转成经济价值的明确机制，以及一名责任人；对释放出的人力而言，这意味着要么减少支出，要么把产能重新投向一个有名字、可衡量的结果，二者只能计一次。
文中理赔示例的算法与数字
文章用一组说明性数字演示：一个理赔分诊流程每年处理 20 万件理赔，每件约 12 分钟（不计返工），全负荷时薪 45 美元，基数成本约 180 万美元。
自动化其中 70% 的常规案件，可释放约 2.8 万小时，折合约 126 万美元产能，这还未扣除这些案件仍需的监督时间。
作者称多数商业论证在这里出错：释放工时不同于省钱。只有公司减少员工或削减承包商、加班、外包支出时才会少花钱；否则同样的人仍在工资单上，损益表看不到这 126 万美元。如果人员流失和减少加班只捕获一半，论证中应计约 63 万美元，而不是全部金额。
在异常池中，8% 需要纠正的案件为 1.6 万件；每次纠正成本约为单件 9 美元处理成本（12 分钟×45 美元/小时）的 3.5 倍，年纠正风险约 50.4 万美元。作者称这是基线而非代理价值；代理的价值是它消除的份额——若减少 40%、再按 75% 实现因子调整，建模收益接近 15.1 万美元，这还没算任何一次改善欺诈标记决策的价值。
作者提醒，12 分钟的基数不包括返工，因此这个异常池与释放产能不重叠；如果基线包含返工时间，相关节省只能计一次。
文章给出的单行公式是：年净价值＝已实现产能价值＋避免的纠正与错误成本＋决策结果提升＋避免的维护与停机，减去年化实施成本，减去代理运行、集成、评估、监督、治理和变更管理成本，再减去代理引入的新错误造成的损失。作者称，代理没有消除的错误已在避免成本项之外，不要重复扣减。多年项目应按支出年份记账实施成本，随采纳率提升收益，并将年度现金流折现为净现值。
三个Amazon Quick Automate早期部署
作者列出Amazon Quick Automate的三个早期部署，称它们展示了上述维度如何运作。
临床试验站点选择公司Kitsa自动化了从数十万个网站提取 50 多个数据点，报告 91% 成本节省、数据获取速度提升 96%、覆盖率 96%，并将低置信度案例转给审核者。作者将其归入时间节省和异常处理；Kitsa联合创始人兼CTO Rohit Banga在AWS机器学习博客文章中称，规模化统一高质量站点数据打破了一个核心瓶颈，使其Site Finder Agent能以更高精度权衡更多站点。
跨境支付提供商dLocal在受控评估中自动化了最高 75% 的商户合规审查，作者称这释放了专家去处理复杂高风险案例（决策质量），并增加了针对政策漂移的持续检查（变更韧性）。dLocal表示，过去花数小时做常规检查的专家现在把时间用在需要监管判断的案例上。
Genpact自动化了跨多个SAP系统的供应链风险，报告将中断影响分析从 2 到 3 天缩短到几分钟。作者称这是没有任何单一记录系统负责的跨系统协调，归入时间节省和决策质量。文章同时说明，这些部署没有一项能证明全部四个价值池，因此需要逐个测算。
优先级矩阵与向管理层提案
作者建议按两个轴给候选流程打分：任务复杂度（需要多少推理、上下文和适应）与决策风险（出错的代价，决定可授予多少自主权）。两轴取自AWS经济性指引，组成一个供指导委员会使用的 2×2 矩阵。
按矩阵：低复杂度低风险留在RPA，因为代理在此增加成本而不增加价值；高复杂度低风险是产能策略，为吞吐量和异常吸收而自动化；高复杂度高风险是决策质量策略，保留人在回路并基于更好决策来论证；低复杂度高风险是护栏策略，加固该步骤的控制而不是增加它不需要的推理。
作者给出的捷径是：如果一个人要跨系统移动并在每一步解释模糊上下文，就评估代理式方案；如果路径保持确定性，RPA可能仍然更便宜。
向领导层提案时，作者建议把投资呈现为流程组合而非单一项目，并引用McKinsey 2026年《Scaling agentic AI with data transformations》的数据：近三分之二的企业试验过代理，但不到 10% 将其扩展到可衡量的价值。作者称，应带来三到五个优先领域、每个领域附四维论证，并设置分阶段投资、明确盈亏平衡目标和预先定义的停止规则；同时把每个领域连接到领导层已在跟踪的KPI，如单位服务成本、周期时间、净推荐值或合规敞口。