UiPath Orchestration — 从任务自动化到工作流编排
来源：The Rundown AI 独家访谈，UiPath CMO Michael Atalla，2026-05-03
核心论点
UiPath 上市五年的转折信号：客户的问题已从"能不能自动化这个？"变成了"怎么让这些东西协同工作？"。Orchestration（编排） 取代单点自动化成为新主题——让 AI agent、自动化、人和系统端到端地运行，并对全局保持可见性。
"AI 让好的工作流更快，让坏的工作流更昂贵。"
关键判断
70-80% 的 agentic AI 项目走不出试点阶段
试点几乎总是孤立运行：一个 agent 在业务一角，一个自动化在另一角，彼此无可见性。试点成功后领导层问"下一步呢？"——没人能给出真正的答案。
突破试点的组织没有做激进的事，他们只是停止把 AI agent 当作要部署的工具，开始把它们当作更大、受治理的工作流的组成部分。
"AI 是巨大失望"调查的真问题：协调
近半数组织认为 AI 令人失望。Atalla 的判断：从 CEO 到一线员工动机一直在；问题在于工具孤立、与业务目标脱节，ROI 在缺口中消失。
协调比技术更难，但回报是复合的：每个工具作为系统的一部分运作时都会变得更有用。
Atalla 的微软 Office 365 教训
Atalla 曾在微软主导 Office 本地→云端转型。最大的教训：
"我们不是在卖云软件，而是在要求人们改变协作方式、信息存储位置，以及对看不见的系统建立信任。"
并行映射到当前 AI：今天的对话过度聚焦模型本身——理论上它能做什么。企业不关心理论，关心真实条件下、嵌入真实工作流、具备真实问责机制时它是否可靠。
那些在云转型中停滞的公司不是缺野心，而是"直接迁移（lift and shift）却没有重新设计任何东西"。同样模式正在 AI 领域重演。
AI 接管哪里，不接管哪里（UiPath 内部实践）
财务团队核对五个系统数据并通过邮件追踪审批的场景：
| 角色 | 负责 | 例子 |
|---|---|---|
| 传统自动化 | 结构化、可重复的部分 | 拉数据、匹配记录、路由请求 |
| Agent | 处理模糊性 | 标记异常、解释不符合标准模板的发票 |
| 人类 | 真正问责的决策 | 审批、升级、有后果的事情 |
Agent 擅长什么、不擅长什么（未来 1-2 年）
- Agent 擅长：处理非结构化数据、在定义好的流程内做基于上下文的决策、管理例外情况（文档理解、欺诈检测、客户服务分流）
- 传统自动化更好：确定性、基于规则的工作
- 人类保留：涉及真正问责的决策
近景模型：agent 在编排好的工作流内运行，承担更多认知责任，但仍受治理、仍可观察。
AI 就业焦虑的微妙真相
四分之三的 AI 专家对 AI 对就业的影响乐观，只有 23% 的公众认同。Atalla：两组人都看到真实的东西，只是看到画面不同部分——专家看潜力，终端用户看被移交给技术的工作。
Atalla 反驳"人类参与变得可有可无"：
"LLM 不会问'我们应该这样做吗？'它没有动机、没有品味、没有对风险的直觉。我们部署的每一个系统仍然需要人类来监督、做出判断，并以增加价值的方式应用它。"
入门级开发岗位下降近 20%（vs 高级岗位增长）。Atalla 承认焦虑真实，但指出再分配比 headline 微妙：常规、结构化的工作被吸收，但工作没消失，只是改变了形状——新岗位围绕工作流设计、AI 治理、端到端流程所有权涌现。
Atalla 的 Quick Hits
| 问题 | Atalla 的答案 |
|---|---|
| 企业最容易搞错的一件事？ | "期待 AI 修复一个破碎的流程。AI 让好的工作流更快，让坏的工作流更昂贵。" |
| 公司向团队引入 AI 时最容易犯什么错？ | "把它框定为'发生在人们身上的事'，而不是'人们将一起构建的事'。焦虑始于这种框架。" |
| 不在 UiPath 你会想解决什么 AI 问题？ | "组织相信 AI 会为他们做什么，与 AI 实际被设置成能做什么之间的差距。这是一个清晰度问题，不是技术问题。" |
为什么重要
下一次与 AI 供应商开会时，把问题从"这个模型能做什么？"重新定义为"我们的工作流需要变成什么样，这个工具才能发挥作用？"。
搞错这一点 → 70-80% 永远走不出 AI 试点的公司之一。