UiPath 2026 Investor Day 电话会议纪要关键要点总结 一、涉及的行业与公司 * **公司**: UiPath (NYSE:PATH) [1] * **行业**: 企业自动化软件、机器人流程自动化 (RPA)、业务流程编排、企业AI代理、软件测试自动化 [3][4][6] * **客户行业**: 金融服务、医疗保健、公用事业、制造业、保险、能源 [66][138][139] 二、核心观点与论据 2.1 公司转型与市场定位 * 自IPO以来收入增长3.5倍 当前年度经常性收入(ARR)跨越20亿美元 [2] * 公司已从RPA公司转型为提供端到端流程自动化和编排的完整平台公司 [6][33] * Gartner最新发布的业务流程编排与自动化技术魔力象限中 UiPath被定位为领导者 与IBM、Microsoft、SAP、AWS、Salesforce等巨头同台竞争 [8][9] * UiPath不仅在BOT(业务流程编排技术)领域是领导者 在RPA、IDP(智能文档处理)和测试自动化领域也是领导者 [9] 2.2 编排技术是交付企业AI的基础 * 编排是交付企业级AI的基本机制 没有编排和治理就无法在企业中交付AI [5] * 流程编排与代理编排不同 流程编排需要协调人类、不同类型的代理和不同类型的自动化之间的复杂流程 [6][7] * UiPath的编排引擎基于开源技术Temporal构建 被称为第三代编排技术 具有极强的弹性和可靠性 [7][8] * 只有约30%的大型企业正在编排其AI代理 这是最大的市场缺口 [26] * 编排是拥有卡车车队与拥有物流公司之间的区别 编排定义路线、处理故障、重新规划路线 [27] 2.3 企业AI采用的核心挑战 * 企业AI采用的主要问题不是AI推理能力不足 而是AI无法在工作中学习 [14] * AI需要一份详细的企业运营手册 但世界上没有任何公司拥有这份手册 [14] * 流程上下文(Process Context)是缺失的关键要素 信息分散在Slack、邮件、不同系统和人们的头脑中 [15] * 即使创建了手册 业务变化极快 手册需要持续更新 [15][16] * 部署AI代理并不比一年前更简单或更快 但部署确定性自动化却更快 因为可以使用编码代理在设计时打印自动化 [12] 2.4 工作地图(Map of Work)创新 * UiPath推出“工作地图”概念 为企业AI提供所需的企业上下文和流程上下文 [16][17] * 工作地图包含结构化知识(案例计划)、策略与规则、本体论(业务对象的共享描述)、运营知识和决策账本 [57][58][59] * 工作地图是活的 随着业务变化而变化 100%由客户拥有 受治理 变更被审计和版本化 [56] * 引入“制图师”(Cartographer)新角色 由业务分析师升级而来 负责拥有、策划和更新工作地图 [60] * UiPath Cartographer产品是一个Copilot 指导制图师提取上下文并创建共享流程理解 [61] 2.5 产品创新与发布 * **UiPath Maestro**: 编排层 协调和治理所有任务、机器人、代理和人类 [28][29] * **Maestro Case**: 用于动态案例驱动的工作 如贷款发起、欺诈调查 [30][31] * **Maestro BPMN**: 用于结构化流程 客户可在同一产品体验中定义流程模型并实现每个组成部分 [31][32] * **Maestro Flow**: 面向开发者的AI原生方法 用于构建复杂业务流程编排 [30][32] * **UiPath Cartographer**: 制图师代理 帮助从非结构化信息中创建结构化工作地图 已宣布全面可用 [61][105] * **UiPath Process Atlas**: 包含100多个预映射流程 已宣布全面可用 [88][105] * **UiPath for Coding Agents**: 编码代理 帮助客户自动化流程 已全面可用 客户发现开发者生产力提升约59% 部署速度提升2至5倍 [105][106] * **Dark Testing Factory**: 测试自动化解决方案 将测试从“运行”转变为“自动运行” [111][113] 2.6 客户案例与价值 * 一家大型金融服务客户通过编排将客户入职时间从12天缩短至1天 [29] * 一家顶级保险公司使用Maestro将索赔处理时间从24周缩短至8周 [36] * 使用UiPath编码代理 生成包含14个阶段、38个任务、400多个节点和200多条规则的案例计划仅需46分钟 而传统方法需要至少一个月 [46][49][50] * 源到付解决方案中 88%的发票实现完全直通处理 无需人工干预 [81] * 一家财富500强汽车公司从10万美元以上客户通过垂直解决方案扩展为百万美元以上客户 [154] * 客户使用UiPath编码代理后 开发者生产力提升约59% 部署速度提升2至5倍 [106] 2.7 市场机会与增长战略 * 总可寻址市场(TAM)为1420亿美元 [130] * 三分之二收入超过10亿美元的大型企业正在使用AI代理 但只有约30%在编排这些代理 [26] * AI代理的token成本比确定性自动化高约30倍 这推动了对RPA和确定性自动化部分的需求 [132][133] * 公司采用三种增长模式:编排与自动化横向扩展、垂直行业解决方案销售、应用测试 [145] * 90%的百万美元以上客户正在使用平台的多个元素 [148] * 客户大于10万美元的群体增长显著 客户大于100万美元的群体持续实现两位数增长 [147] 2.8 客户关系与合作伙伴 * 客户强调UiPath提供可靠、安全、受治理的平台 在受监管环境中运营至关重要 [199][200][201] * 客户认为UiPath的编排能力是独特差异化优势 没有其他公司提供同样受治理和安全的编排能力 [201] * 客户从6个月部署周期缩短至6周 [202] * 合作伙伴生态系统充满活力 公司保持合作伙伴计划稳定 并发展更深层次的合作伙伴关系 [166][167] 三、其他重要但可能被忽略的内容 * 公司强调“精确性”(Exactness)的价值 确定性自动化100%可靠 而AI即使99.9%准确也不足以满足监管要求 [11] * 编码代理创造了不对称优势 AI修复了自动化的两个最大缺陷:实施难度大和维护成本高 [22][23] * 公司认为2026年现代AI原生案例构建是案例构建和流程执行的方式 [56] * 决策账本(Decision Ledger)捕获人类决策和判断 反馈到工作地图以推动流程持续改进 [59][64] * 公司已构建约100个预建工作地图 针对医疗保健、金融服务、公用事业和跨行业用例 [64][66] * 公司组织方式已转向垂直行业导向 销售团队按行业深度专业化 [137][138] * 公司拥有9家顶级能源公用事业中的9家 70%的顶级金融机构使用UiPath [138][139] * 定价策略包括平台定价、消耗品定价(编排和代理能力)以及机器人和用户定价 [165] * 公司强调客户质量而非客户数量 新客户平均销售价格(ASP)已翻倍 [142] * 公司正在将前部署工程师(FDE)模式与服务和工程团队结合 确保首次实施成功 [159][160]

核心观点 - Teradata将Tera升级为面向企业数据工作的智能体同事，通过自然语言和引导式执行，让各类数据角色能在单一受控环境中分析数据、构建AI应用、操作基础设施并自动化复杂工作流，且无需深度Teradata专业知识 [1] - Tera解决了企业AI缺乏理解业务和基于理解行动的能力两大需求，为客户带来更可靠的AI结果、更好的模型交互经济性和更快的价值实现时间 [2] Tera三大关键能力 - Tera包含三个全新组件：Tera Context Engine（供应商中立的上下文与编排层）、Tera Harness（智能执行层）和Agent Skills（专为数据工程、数据分析和数据科学构建的智能体技能） [5] - Tera是Teradata自主知识平台的一部分，三个组件可组合或独立使用，使Tera成为能理解业务、协调正确能力并推动数据工作达成结果的智能体同事 [6] - 组织保留选择模型、工作负载运行位置和企业数据访问方式的能力，覆盖云、本地和主权环境 [6] Tera Context Engine - Tera Context Engine是一个开放、中立的上下文与编排层，运行在企业已使用的数据环境之上，连接数据库、结构化与非结构化数据平台、管道引擎、目录、模型和AI智能体，无需移动数据、替换现有技术或绑定单一供应商 [8] - Tera Context Engine不限于Teradata管理的数据，为组织提供一致的可信知识基础，无论数据存储在哪里 [8] - 原生上下文图将分散的企业数据转化为可复用的业务知识，连接元数据、血缘、语义和业务含义作为关系，保持与治理、血缘和访问控制的连接，并持续从真实企业使用中学习改进 [9] - 神经符号模型结合自主语义映射、确定性检索与行业知识模型，提供符号知识基础，结合显性企业知识与统计AI，减少智能体错误并加快价值实现时间 [10] - 确定性查询经济性将工作从昂贵的概率推理转向受控执行路径，模型在既定定义上消耗更少调用，提供更高准确性、更低推理成本和更可预测的经济性 [11] - 受控智能体自动化使智能体能基于受控上下文行动，自动化数据产品创建、管道规范和验证控制，一致应用企业定义和政策 [12] Tera Harness - Tera Harness将意图转化为结果，在工作流中维护上下文并协调正确的技能、工具、数据和模型，无需手动路由 [13] - 成本优化循环限制非生产性迭代，批量处理独立工作，移除不改善结果的模型和工具交互，基于任务进度约束执行，应用84个经过验证的执行模式预推理 [14] - 循环嵌入式护栏在推理前应用护栏、加载相关记忆并规划工作，安全、策略控制和人工审批直接嵌入智能体循环内，在执行点强制执行治理 [15] - Go原生性能核心基于Go原生引擎和gRPC构建，在单个8-vCPU虚拟机上支持512个并发智能体，每分钟处理279次工具调用 [16] - 持久化智能体执行监控进度、从故障中恢复而非放弃任务，状态管理和检查点直接内置于运行时层，智能体可运行数天或数周，暂停等待人工审批时零计算成本 [17] Agent Skills与智能体类型 - Agent Skills是可复用的任务特定能力，将Teradata数十年知识封装为AI可调用函数，可通过自然语言由用户直接访问，无需深度技术专长 [19] - 技能根据手头任务自动加载，Tera将每个技能路由到正确的模型和工具，MCP连接性允许组织用自己的工具和集成扩展Tera [19] - 平台智能体处理Teradata环境的管理操作，包括工作负载调优、计算规模调整、遥测和FinOps [20] - 分析智能体直接处理数据工作，从自然语言到SQL和Python再到查询优化 [20] 基准测试结果 - 在SWE-bench Pro测试中，使用相同Opus 5模型，Tera比Claude Code消耗少73%的token，任务完成率高，完成速度快42%，总成本低58% [3] - 在数据工程基准测试中，Tera比Snowflake Cortex Code使用Opus 5的每可靠解决任务成本低53% [3] - 在数据工程基准和ADE基准上，Tera获得基准领先的准确性，在数据工程基准上获得最高Pass分数，在ADE基准上并列最高分 [3] 本地执行与AI服务 - Tera在Teradata环境内原生执行AI，包括Teradata控制台，直接在数据上运行分析和机器学习工作负载，无需外部模型调用，消除数据移动和延迟，降低定量任务的幻觉风险 [7] - Teradata AI服务帮助客户避免实验陷阱，直接转向生产结果，识别受控上下文能创造可衡量价值的用例，配置行业知识模型，加速企业知识投入生产 [21] - Teradata的AI价值工程方法论确保AI程序为生产就绪而非实验设计，预开发的智能体和工具加速客户价值实现时间 [21] 可用性 - Tera Context Engine、Tera Harness和Agent Skills将于2026年第四季度可用 [22]