生成式人工智慧（GenAI）雖已展現驚人的推理創作能力，但在進入企業核心業務場景時，卻正面臨著難以跨越的「最後一哩路」挑戰。大語言模型（LLM）的幻覺風險、資料治理的資安疑慮，以及難以具體量化的投資報酬率（ROI），成為阻礙AI從實驗室走向生產環境的三大路障。
生成式人工智慧（GenAI）雖已展現驚人的推理創作能力，但在進入企業核心業務場景時，卻正面臨著難以跨越的「最後一哩路」挑戰。大語言模型（LLM）的幻覺風險、資料治理的資安疑慮，以及難以具體量化的投資報酬率（ROI），成為阻礙AI從實驗室走向生產環境的三大路障。 UiPath大中華區區域副總裁陳名璋指出，當前企業對於AI代理人（AI Agent）的討論熱度極高，但必須認清，單純依賴LLM並無法解決複雜的端對端企業流程問題。LLM本質上存在不可預測性，若直接應用於金融理賠、醫療診斷或供應鏈管理等不容許出錯的核心業務，可能會帶來災難性的後果。因此，UiPath提出的戰略並非取代現有的AI模型，而是採取開放且中立的平台策略，將GenAI的認知推論能力、RPA（機器人流程自動化）的精確執行力，以及人類的專業判斷深度融合。
「UiPath的角色在於連接所有模型與系統，而非綁定單一AI供應商，這種中立性讓企業能根據不同的業務場景，靈活調用如OpenAI或Google Gemini等最適合的模型，並結合企業內部的私有模型，建構出最合適的混合式AI架構。」陳名璋說。
Maestro扮演流程控制中樞
面對現代企業IT架構日趨複雜，如何將零散的AI能力串聯成完整的業務流程，是IT部門面臨的最大挑戰。UiPath資深產品技術顧問蔡君浩指出，企業內部充斥著無數的資訊孤島。員工每天的工作往往是在不同的應用程式、ERP系統、郵件軟體與通訊軟體之間切換，充當那個低效率的「連接器」。為了打破這種僵局，UiPath推出了全新的流程編排核心UiPath Maestro。這是一個基於業務流程模型與標記法（BPMN）標準的流程設計工具，它允許開發者以視覺化的方式，將AI代理人、RPA機器人、API介面以及人類介入（Human-in-the-loop）的節點串聯起來，建構出完整的業務流程 。
UiPath大中華區區域副總裁陳名璋（右）與資深產品技術顧問蔡君浩（左）指出，單靠AI模型不足以支撐企業運作，須透過嚴謹的流程編排與治理，才能將AI轉化為安全可控的生產力。
Maestro的優勢在於其具備從建模、設計、維運、監控到最佳化的全生命週期管理功能。在建模階段，企業可以依據實際的標準作業程序，繪製出如應收帳款沖帳或發票辨識的流程圖。設計階段則進一步定義每個節點的執行角色，例如某個步驟由RPA負責資料登錄，另一個步驟則由AI代理人進行語意分析，若遇到AI信心分數不足的情況，則自動觸發「人類介入」機制，將任務派送給主管進行人工審核。在維運與監控方面，Maestro提供了可視化儀表板，企業不僅能追蹤每個案件的執行狀態，還能透過熱點圖識別流程中的瓶頸。例如，若發現每個月的發票處理流程總是在主管審核關卡耗時過長，系統便會以紅色警示標註，讓管理者能迅速定位問題並進行流程優化。
除了核心的編排引擎，蔡君浩也介紹了兩項關鍵技術優勢，分別是API Workflow與ScreenPlay，這兩者解決了自動化開發中的「介面難題」。蔡君浩說明，許多現代化SaaS應用程式都提供了API介面，但傳統RPA自始就擅長使用者介面（UI）操作。UiPath推出的API Workflow功能，讓不具備程式背景的業務人員，也能透過拖拉點選的方式，來調用各類系統的API連接器，實現系統間的資料串接。
對於大量仍依賴老舊系統或缺乏API介面的企業而言，UI自動化仍是剛需。他進一步提及，過去RPA最令人詬病的問題在於，一旦網頁改版或UI元件變動，機器人往往會失效。為此，UiPath推出了ScreenPlay功能，結合了電腦視覺與大型語言模型，讓AI直接「看懂」螢幕畫面。開發者只需輸入自然語言指令，AI便會自動解析畫面上的元件，生成對應的自動化腳本。這不僅大幅縮短了開發時間，更讓自動化腳本具備了「自我修復」的韌性，展現了AI賦能自動化開發的潛力。
治理架構量化ROI回應落地挑戰
儘管技術工具已臻成熟，但陳名璋坦言，企業在導入AI時最關心的仍是ROI與資料治理。他觀察到，許多企業雖然對AI充滿興趣，但往往止步於概念驗證階段，主要原因在於難以量化AI帶來的商業價值，以及對資料外洩的恐懼。
針對ROI的問題，陳名璋以顧問諮詢業與企業流程委外（BPO）產業為例，過去，顧問團隊在進行大型系統導入或流程優化專案時，往往需要花費數週甚至數月的時間，訪談客戶各部門主管，並人工繪製繁複的流程圖，這部分的人力成本往往佔據了專案總預算的三至四成。如今，透過AI代理人協助整理訪談記錄、自動生成流程圖，並利用流程挖掘技術驗證實際作業路徑，不僅能大幅縮短前置作業時間，更能降低因人為理解誤差導致的專案失敗風險。這種從時間節省、風險降低到專案交付品質提升的綜效，正是企業計算AI ROI時的關鍵指標。
在資料治理方面，陳名璋強調，AI模型的燃料是資料，但如何確保這些機敏資料在調用模型的過程中不被外洩，是企業決策者的隱憂。UiPath平台內建的「UiPath AI Trust Layer」與角色存取控制（RBAC）機制，讓企業能精細管控哪些資料可以被傳送至雲端模型，哪些必須保留在本地端。透過檢索增強生成（RAG）技術，企業可以將內部的知識庫（如法規文件、歷史案例）與AI模型結合，讓AI在回答問題或執行任務時，是有憑有據地基於企業內部資料，而非模型本身的通用訓練資料，這不僅大幅降低了幻覺風險，也確保了資料的合規性。