2026年智能自动化状态：全球业务服务领域的智能体时代

目录 前言 SSO和GBS的现状：采纳与成熟 技能倒置 5 人工智能的飞跃与自主性边界 治理差距 重新定义智能12自动化的价值 2026及以后：智能自动化下一步 高级编辑和数字产品经理，SSON数字 前言 自2022年以来，智能自动化（IA）的发展步伐显著——从早期的生成式AI实验，到代理工具的兴起，再到如今向自主、多智能体系统的迈进。共享服务和全球业务服务（GBS）行业拥抱了这些技术，被成本削减和效率提升的承诺所吸引。实现此类节约（在预算、时间和甚至人员编制方面）的压力正在不断加大。描绘GBS行业现状揭示出其绩效和成熟度存在广泛差异，各组织遍布从实验到执行的整个光谱。 去年的报告显示，对于许多组织而言，热情正在超越其实施能力。为了取得有意义的进展，2026年需要致力于弥合这一差距。 今年的热情更是与日俱增：SSON研究与分析机构根据《2026年共享服务与外包行业全球市场报告》的数据显示，智能自动化是2026年GBS的首要目标（48%），其次是提升共享服务/GBS人员技能。这三项目标——提升人员技能（47%）和利用自动化平台（40%）——都将涉及智能自动化，无论是员工需要掌握的具体技能，还是组织将使用的自动化平台。 虽然动机和意图都很强烈，但这并不总是能转化为切实的成果。我们在去年的报告中看到，许多组织多年来一直停滞在试点阶段，这表明它们尚未从其至少部分的人工智能（IA）工作中获得任何成本效益。今年的报告探讨了以下关键问题：GBS在从实验转向价值创造方面是否取得了进展？随着证明这一持续进程的压力不断加大，问责制应置于何处？ 什么是智能自动化？ 智能自动化（IA）是将自动化软件——例如人工智能、机器学习和流程自动化——进行战略组合，以创建一个对组织而言更快速、可追踪的自动化业务流程。 SSO和GBS的现状：采纳与成熟 一个GBS组织是否依赖自动化，已不再是值得探讨的问题。如今，自动化和人工智能已是必备条件。更具启示性的问题是，哪些类型的IA解决方案是组织数字生态系统的一部分——这是SSON研究与分析机构持续追踪的年度问题。 SSON的2026年数据显示，2025年，83%的GBS组织数字生态系统包含了生成式或具身式AI，较2024年的63%有所上升。这一显著增长使生成式和具身式AI在采用率竞赛中位居第二，仅次于数据 analytics（90%），后者为领跑者。 生成式人工智能/自主式人工智能 自动化解决方案/RPA紧随其后，在82%的组织的生态系统中得到体现，但其增长却小得多，仅为4%。RPA的兴趣是否已经趋于平稳，或者它是否从一开始就遥遥领先？ 自动化解决方案/RPA 智能文档处理（IDP）超越RPA的增长，预计到2025年将拓展至65%的更多组织，从55%增长10%。聊天机器人和智能聊天机器人的使用率从63%增至77%。流程挖掘——作为智能自动化关键使能技术——的使用率从49%跃升至59%。 聊天机器人和智能聊天机器人 2025年增长最快的那些技术有一个共同点：它们都处理非结构化数据。通用/代理式人工智能、身份识别与访问管理（IDP）、聊天机器人和流程挖掘都是处理自然语言、对话或复杂流程的技术。而增长最慢的能力——自动化解决方案/RPA——则处理结构化、基于规则的工作。这不是巧合。这表明GBS组织已经基本解决了结构化自动化问题，现在正推进到更混乱、更复杂的领域。 智能文档处理 (IDP) 换句话说：速赢、易自动化部分已经完成。难自动化部分才刚刚开始。 技能倒置 随着人工智能（IA）重塑GBS（全球业务服务）组织的运营方式，它们运行所需的人才类型也随之变化。共享服务和GBS领导者优先考虑的技能正在发生明显转变，其发展趋势清晰明确。 员工技能的重要性已远超流程自动化，这表明几年前可能看似不太可能跨越的界限如今已被跨越。 这告诉我们几点。首先，GBS组织不再主要寻找能够构建和运行自动化的人。相反，它们正在寻找能够与AI并肩工作、作为同事、能够质疑其输出、管理其决策、并引导其能力以实现更强业务成果的人。昨天的操作员为今天的战略协调员铺平了道路。 SSON研究与分析的数据揭示了一个显著的反转：2024年，44%的GBS领导者将流程自动化技能列为招聘和培训的优先事项，而到了2025年，这一比例下降至34%。另一方面，AI特定技能则呈现出相反的趋势，从24%跃升至41%——这是一个更大的变化。仅一年之内，AI特定技能 图2 目前，在招聘和培训方面，您优先考虑的顶尖技能有哪些？ 图3 您预见到您的团队在未来 3-5 年内的技能需求将如何发展？ 这一转变也体现在组织对未来员工队伍的期望中。当被问及他们如何预见到未来3-5年技能需求的变化时，49%的GBS领导者更强调人工智能和自动化技能，包括采用技术驱动的学习解决方案以及与外部供应商建立合作伙伴关系。另外18%预计对数字和数据分析技能的需求会增加。总而言之，超过三分之二的GBS领导者预见到他们的员工队伍将变得更加技术化。 流程——作为共享服务传统的入口——正越来越多地被自动化所吸收。GBS组织比以往任何时候都更需要那些能够做人工智能做不到的事情的人：运用人类判断力、管理人际关系、应对模糊性，以及提供关键监督。 GBS内部正开始出现新的角色以反映这一现实：从设计并部署AI工作流的代理架构师，到管理自主系统的AI监督专家，再到管理涵盖人类与数字员工端到端流程的编排负责人。这些角色在五年前的大多数共享服务组织中并不存在。在五年之内——或许更短——它们可能将成为最关键的角色。 对劳动力模式的影响可能非常重大。入门级职位围绕执行可重复的、基于规则的任务而构建。 人工智能的飞跃与自主性边界 在生成式AI能够被GBS从业者充分部署之前，具有自主性的AI就已登场。它带来了效率、速度和创新更多的承诺，但也带来了混乱。那些已经在努力从生成式AI中榨取效益的团队，感受到了压力，要求他们成为另一种他们并不完全理解的AI技术的早期采用者。 该表格对比了两种人工智能，旨在揭示自主型AI所能提供的额外能力，以及为何它对GBS领导者如此具有吸引力。 什么是代理式人工智能？ 自主AI是指能够自主规划、决策并采取行动以达成目标，且在每一步之间无需依赖人类提示的系统。 大多数组织和个人现在都熟悉如何使用生成式人工智能来创建内容和进行研究。能够看到自主式人工智能运作，更不用说实施它的组织和个人则少得多。以下 尽管这看似无争议，但在允许代理自主执行任务之前，组织正仔细应对着众多障碍和考量。 能动型AI能为共享服务和GBS带来什么？ 共享服务中心一直围绕着端到端流程所有权来构建：将零散、重复的功能整合为单一、高效的运营。在许多方面，共享服务中心和全球业务服务（GBS）组织都是代理式人工智能（agentic AI）的天然领域。两者都遵循着拥有整个流程而非仅仅是其中某个步骤的逻辑。 代理编排则将这一逻辑进一步发展。它并非自动化流程中的单个任务，而是一个编排好的代理系统可以管理整个工作流。它接收触发信号，按顺序执行每一步，在复杂节点处做出决策，并且仅在必要时才将任务交接给人类。在GBS（治理、风险与合规）的背景下，例子可以是： 应付账款（AP）：代理人收到一张发票，将其与采购订单核对，识别差异，查询供应商记录，并且仅在定义的条件下才升级给人类处理。 员工入职：代理人协调人力资源、IT和设施系统，以配置账户、分配设备、安排入职培训并发送欢迎信息。 差旅与费用：代理人根据政策审核费用报销单据，标记不符合规定的报销，在需要时要求提供证明文件，并将批准的报销转交付款。 IT帮助台：客服代表使用知识库对收到的服务工单进行分诊，并自主解决常见问题，同时将复杂案例连同完整背景信息一并转接至相应的人脸团队。 毫无疑问，这些用例极具吸引力。其中许多任务都是重复性的手工工作，而RPA等技术多年来一直承诺要接管这些工作。 图4 到目前为止，自主型人工智能（AgenticAI）实际带来了多少已确认的生产力提升？ 阻碍与考量：中止代理过程 数据（未）就绪 数据准备是实施有意义的自主式人工智能的关键障碍之一，正如它对生成式人工智能而言那样。如今，在生成式人工智能发展多年后，我们仍在听到同样的建议：清理和标准化你的数据。而且，与生成式人工智能一样，代理的强大程度取决于它们能够访问的数据。这对许多拥有跨遗留系统、重叠的企业资源规划（ERP）的混乱、零散数据的GBS组织来说是一个问题。 风险与合规挑战 合规性是另一个重要问题，特别是在金融服务和医疗保健等行业，这些行业的许多流程都涉及敏感数据。如果自主决策的结果证明是有害的，那么这些领域的自主决策可能会产生严重的法律后果。 劳动力准备状态与阻力 最后，在这份非详尽清单中，还包括变革管理和员工抵制。对工作被取代的担忧导致心理安全感下降，再加上缺乏人工智能素养，这与与智能体协同工作的劳动力状态相悖。这意味着需要大量的教育和支持，才能鼓励与智能系统的成功协作。 大多数组织在能够声称其代理型举措取得显著成果之前，还有很长的路要走。 那么，智能体AI到目前为止实际带来了多少已确认的生产力提升？ 治理差距 人工智能（AI）的挑战——尤其是生成式和具身AI——并不仅仅是将试点项目规模扩大以释放生产力提升那么简单。一个更紧迫的挑战在于，许多组织在部署AI时过于专注，导致治理和控制变得被忽视。关于谁在GBS内部拥有AI风险责任的问题，许多组织都没有令人满意的答案，然而，随着法规的演变，这迫切需要得到解答。 技术发展速度之快，远超组织能够追赶的水平。正因如此，拥有一个协调中心（CoE）并不自动意味着该组织就具备成熟、高效的操作监督能力。随着代理系统（agentic systems）的普及，这种区别变得至关重要。 2026年智能自动化法规与最佳实践 无论一个组织是否设有AI指导中心（CoE），它都有责任根据不断变化的、为该组织使用人工智能设定界限的法规来运营。共享服务和GBS的全球性质要求领导者密切关注各地区的法规实施与演变。 卓越中心并不能保证监管 许多组织已建立自身的卓越中心（CoE），以聚焦并协调其在运营中人工智能（AI）的采用与优化。这些卓越中心很适于制定人工智能部署的规则与预期，而治理工作亦应在此范畴内进行。然而，纸上制定框架与保持密切的人工智能监督之间存在着差异。 截至2026年，欧洲在制定统一、具有约束力的监管标准方面处于领先地位。美国的监管则较为分散，目前采取的是州级方法。一些国家正在制定自愿性的实用指南，这些指南正帮助组织在人工智能和自动化方面积极主动。这里有两个形成对比的例子——一个是具有法律约束力的监管，另一个是政府的指南。 实施监控机制，以了解人们如何使用人工智能——以及人工智能代理如何自主运行——可能随着技术的持续快速演变而是一场艰巨的斗争。 要管理它们。该指南为能动式人工智能治理提供了四大支柱： 法规：欧盟人工智能法案 一项旨在“为欧盟人工智能监管奠定基础”的法律——《欧盟人工智能法案》，是世界上首个人工智能立法的法律框架。该法案根据人工智能系统所构成的风险等级进行分类，禁止被认为不安全的行为，并规范所谓的高风险、有限风险和最小风险系统。该法案于2024年8月1日生效，其补充条款将于2025年至至少2028年期间分阶段生效。 赋予人类有意义的问责 为何共享服务中心和集团业务支持部门需注意：这些机构所做的大量工作均属于高风险范畴，从使用AI筛选候选人的HR和招聘团队，到使用AI进行信贷审核及其他财务职能的财务团队。该法规适用于在欧盟影响人群的AI部署机构，无论集团业务支持部门位于何处。 为何共享服务中心及GBS应加以关注： 尽管该框架不具有法律约束力，但它提供了一套实用的实施指南和工具，用于创建治理结构和内部问责框架，从而帮助组织提升其治理方法。它直接针对自动化决策，而随着自主AI成为GBS的现实，这一领域正变得越来越关键。 最佳实践指南：新加