攻堅“生產(chǎn)級場景”，金融AI邁入深水區(qū)

2025年春天，深圳某商戶提交了銀行商戶特約申請資料，一個變化悄然發(fā)生：過去人工線下單戶審批需要20分鐘的小微企業(yè)商戶準入審核，如今只需上傳營業(yè)執(zhí)照、銀行流水和租賃合同，系統(tǒng)自動識別材料真?zhèn)巍⒈葘φ餍艛?shù)據(jù)、生成風險評估報告——全程僅用5分鐘。

這不是未來構(gòu)想，而是基于阿里云多模態(tài)大模型已在運行的“商戶智能審核助手”。這張看似普通的審批單，標志著AI正式進入金融“生產(chǎn)級場景”的核心腹地。

與此同時，在某大型金控集團深圳研發(fā)中心，另一類創(chuàng)新應用正無聲上演：集成了阿里云通義靈碼能力的AI編碼平臺，部分新項目的代碼AI生成占比超70%，同時團隊固化場景的解決方案數(shù)量達數(shù)萬個；系統(tǒng)甚至能根據(jù)業(yè)務需求，自主生成合規(guī)文檔與接口說明。

這兩個場景，指向同一個趨勢：金融AI正在從“能看會說”的輔助工具，進化為“能決策、可執(zhí)行、擔責任”的數(shù)字員工。

而這僅是開始。過去三年，生成式AI席卷各行各業(yè)，金融機構(gòu)紛紛布局大模型。但大多數(shù)應用仍停留在客服問答、報告摘要、營銷文案等“邊緣場景”，熱鬧有余，價值不足。真正的挑戰(zhàn)在于：如何讓AI走進信貸審批、風控建模、投研決策這些高敏感、強合規(guī)的核心流程？

2026年，這一臨界點已至。隨著阿里云多個“核心系統(tǒng)上云”項目進入收官階段，支撐AI深入業(yè)務的底層底座——穩(wěn)定、彈性、合規(guī)的金融級云架構(gòu)——已然建成。這意味著，技術(shù)準備就緒，戰(zhàn)場已經(jīng)鋪開。而在底座之上，當金融AI邁入“生產(chǎn)級場景”，如何滿足對準確性、可解釋性與合規(guī)性的極致要求，實現(xiàn)深度垂直的價值創(chuàng)造，是金融AI落地接下來最大的挑戰(zhàn)。這場從“工具”到“同事”的躍遷，正是2026年金融AI能否破局的關(guān)鍵。

金融AI之難

金融行業(yè)的數(shù)字化轉(zhuǎn)型，始終在“安全、效率、普惠”這個看似不可能的三角中尋求平衡。從算盤到大型機，從數(shù)據(jù)中心到云，金融業(yè)的技術(shù)工具一直在演進，但同時，作為國之重器，對高可用、高可靠、強合規(guī)的要求一直是金融行業(yè)的底線。理解這種“變與不變”，是把握金融AI落地邏輯的關(guān)鍵。

AI技術(shù)的引入，尤其是大模型，曾被寄予厚望一舉破解這一難題。然而，金融業(yè)務的復雜性遠超想象。金融AI早期大多停留在“輔助性場景”：銀行客服處理密碼重置、余額查詢；券商投顧停留在基金推薦；保險核保僅能應對標準化車險。這些應用提升了局部效率，但并未觸及核心業(yè)務流程。

究其原因，不僅是因為AI本身技術(shù)成熟度不足、模型能力有限、缺乏可解釋等合規(guī)性，很多金融企業(yè)自身的數(shù)據(jù)治理和技術(shù)底座也并不足以支撐AI深入核心業(yè)務。比如，金融業(yè)務剛性的“信任與風險”底線要求AI模型不僅需要極高的準確性，其決策過程還必須可追溯、可解釋、可審計；“高可用與高穩(wěn)定”要求下，銀行核心系統(tǒng)要求“五個九”（99.999%）的可用性，券商交易系統(tǒng)需毫秒級響應，AI的引入不能以犧牲系統(tǒng)穩(wěn)定性為代價，底層基礎(chǔ)設(shè)施和AI應用架構(gòu)必須具備金融級的可靠性與彈性；此外，金融機構(gòu)內(nèi)部系統(tǒng)龐雜，數(shù)據(jù)煙囪林立，且充斥著大量非結(jié)構(gòu)化、高隱私性的數(shù)據(jù)，簡單的模型調(diào)用無法穿透業(yè)務流程，AI必須能夠理解復雜的業(yè)務邏輯，并安全、合規(guī)地調(diào)用和處理跨域數(shù)據(jù)。

因此，金融行業(yè)需要的不是“散裝”的模型與算法能力，不是簡單耦合行業(yè)知識與技術(shù)能力，而是一套符合行業(yè)標準、體系化的解決方案。正如近日阿里云智能集團公共云事業(yè)部副總裁、新金融行業(yè)總經(jīng)理張翅與鈦媒體集團聯(lián)合創(chuàng)始人劉湘明的對話中所指出的：“金融機構(gòu)缺少的不是模型或者算力，而是落地路徑”。一場垂直價值創(chuàng)造的攻堅戰(zhàn)也就此拉開序幕。

“生產(chǎn)級場景”的系統(tǒng)化解法

從場景角度出發(fā)，金融行業(yè)AI應用可分為兩大方向：一是直接服務客戶，解決金融產(chǎn)品復雜性帶來的理解障礙；二是提升金融服務專業(yè)性，深化核心業(yè)務場景的應用。

但金融業(yè)務所具備的多環(huán)節(jié)協(xié)同、強規(guī)則約束、高風險管控等特殊性，決定了其需要一種具備自主決策能力的AI形態(tài)。而Agentic AI的出現(xiàn)，正好解決了這一難題。令人興奮的是，隨著技術(shù)的發(fā)展，Agent概念正從“外掛知識庫（RAG）”的早期形態(tài)，向具備深度思考與決策能力的“Agentic model”的終局形態(tài)演進。

與早期“外掛知識庫”形態(tài)不同，真正的Agentic AI具備三大核心能力：自主規(guī)劃、工具調(diào)用，以及記憶與學習。例如，在財富規(guī)劃場景中，Agent可將“制定方案”拆解為風險評估、資產(chǎn)配置、產(chǎn)品推薦、收益預測等子任務，并調(diào)用內(nèi)部系統(tǒng)與外部數(shù)據(jù)源執(zhí)行；在信貸審批中，它能自動調(diào)用征信、流水查詢與風控模型，并生成可追溯的決策鏈路；在反洗錢監(jiān)測中，通過學習新的欺詐模式，提升識別準確率。

不過，Agentic AI卻也面臨著“效率與成本”的雙重挑戰(zhàn)。一方面，大模型的訓練與推理需要高昂的算力成本，對于中小金融機構(gòu)而言難以承受；另一方面，金融業(yè)務場景繁多，每個場景的需求都不同，單一的大模型難以適配所有場景，導致應用效率低下。

事實上，阿里云對金融AI的布局，早已超越“工具化”階段，指向了能夠自主規(guī)劃、決策與執(zhí)行的Agentic AI，并將其視為金融AI落地的“終局形態(tài)”。

面對金融企業(yè)Agentic model落地挑戰(zhàn)，阿里云基于自身在金融行業(yè)的實踐經(jīng)驗，提出了“大飛輪+小飛輪”的協(xié)同架構(gòu)。這一架構(gòu)的核心邏輯是：大飛輪構(gòu)建“通用智能能力”，負責意圖理解、任務規(guī)劃與復雜決策；小飛輪通過垂直小模型構(gòu)建“場景執(zhí)行能力”，負責具體場景的高效處理與數(shù)據(jù)積累；雙飛輪兩者形成協(xié)同效應，既降低了AI應用的成本，又提升了應用效率。

落到實際應用中，阿里云的“雙飛輪”架構(gòu)的解題思路是：針對金融行業(yè)細分崗位，采用“一個基礎(chǔ)大模型與多個不同崗位的蒸餾小模型結(jié)合（MOA）”的方式更匹配金融機構(gòu)的實際情況。可以想見，未來金融機構(gòu)需構(gòu)建“大飛輪驅(qū)動意圖理解、小飛輪落實執(zhí)行”的雙輪體系，實現(xiàn)從輔助到深度協(xié)同的跨越，真正讓AI融入專業(yè)工作流。

與“雙飛輪”架構(gòu)帶來技術(shù)范式革新匹配，“生產(chǎn)級場景”的規(guī)模化落地更需要完整的解決方案構(gòu)建一體化體系支撐。很多金融機構(gòu)在AI落地過程中都會遇到“碎片化困境”，例如，分別從不同來源采購大模型、數(shù)據(jù)治理工具、開發(fā)平臺，拼接在一起，最終導致各個系統(tǒng)之間無法兼容，數(shù)據(jù)無法互通，AI應用難以落地。

“最好的服務商，給的不是散裝零部件，而是一臺能跑的車。”阿里云認為。換言之，AI時代，金融行業(yè)需要的解決方案是“全棧人工智能服務商”，即能提供從底層算力、中間層模型與平臺到上層應用的一體化解決方案的科技同行者。

中間層的模型與平臺是全棧能力的核心。為此，阿里云不僅提供通義千問這樣的通用大模型，還基于金融行業(yè)的特點推出了“通義點金”金融AI平臺，從底層架構(gòu)到應用場景全鏈路深度適配。基于深度垂直化能力，通義點金一并發(fā)布了五大開箱即用的垂直模型，構(gòu)建了“合成－訓練－評測－應用－迭代”的一站式金融垂直模型生產(chǎn)工廠，讓AI從“通用能力”轉(zhuǎn)變?yōu)椤皹I(yè)務價值”。

總體來看，該平臺包含三大核心模塊：一是金融垂類大模型，針對銀行、證券、保險等不同領(lǐng)域的需求，進行了專門的微調(diào)與優(yōu)化，內(nèi)置了金融行業(yè)的專業(yè)術(shù)語、業(yè)務規(guī)則與風險模型；二是開發(fā)工具鏈，提供模型訓練、推理優(yōu)化、部署運維等全流程工具，降低金融機構(gòu)的AI開發(fā)門檻；三是場景化解決方案，針對信貸審批、智能投顧、理賠定損等核心場景，提供開箱即用的解決方案，包含預訓練模型、數(shù)據(jù)模板與業(yè)務流程。

目前，千問、萬相及通義點金已深入金融業(yè)務的多個核心場景，從大型國有銀行到保險、證券機構(gòu)，均取得了顯著的實踐成果。例如，2025年云棲大會上，工商銀行分享其打造的“工銀智涌”大模型技術(shù)體系，在20多個業(yè)務領(lǐng)域、400多個場景實現(xiàn)端到端賦能，打造了上千個專業(yè)領(lǐng)域的智能體，累計調(diào)用量達15億次，日均消耗80億token。此外，公開資料顯示，國泰海通也與阿里云合作深化AI場景應用，圍繞智能投研、智能投顧、智慧辦公等方向，聯(lián)合開發(fā)證券行業(yè)垂直大模型，同步優(yōu)化客戶服務體驗與內(nèi)部管理效能。

據(jù)了解，接入阿里云后，中小金融機構(gòu)也能低成本獲取先進AI能力。目前，已有九成的政策性銀行及大型國有銀行使用通義大模型，12家股份制銀行也已全部接入，國內(nèi)規(guī)模排名前十的財險公司也都在使用通義大模型，他們普遍以通義大模型作為主力模型，支撐70%以上的AI應用場景。

金融進入AI原生時代

金融AI正從外圍輔助場景走向核心業(yè)務的滲透，從“云原生”走向“AI原生”。“從云原生分布式升級為AI原生的架構(gòu)為AI落地提供了高可靠、可信賴的技術(shù)底座，例如MCP等工具可將原有核心能力（如風控、匯率計算）封裝為Agent可調(diào)用的組件。隨著AI智力不斷提升，未來架構(gòu)是‘人+AI+系統(tǒng)’的深度協(xié)同。”在張翅的預想中，未來三到五年，金融行業(yè)IT建設(shè)將從“系統(tǒng)建設(shè)”轉(zhuǎn)向“智能增強”階段，而這背后不僅僅是技術(shù)升級，更是一場涉及技術(shù)、組織、人才結(jié)構(gòu)的深層次變革。在這其中，成功的AI實踐的前提是：業(yè)務構(gòu)建清晰可評判的SOP（標準作業(yè)程序），組織需打破技術(shù)與業(yè)務壁壘，構(gòu)建雙飛輪技術(shù)范式，逐步邁向Agentic AI。

阿里云作為這場變革的引領(lǐng)者，正通過“AI原生架構(gòu)”的打造，與金融機構(gòu)共同構(gòu)建具備自主決策能力的“AI大腦”，實現(xiàn)從“上云換心”到“用AI換腦”的跨越。

近年來，金融機構(gòu)上云進程加速，諸如深農(nóng)商、中華財險等一批金融機構(gòu)核心系統(tǒng)遷移至阿里云，以阿里云為代表的云服務商提供了穩(wěn)定、彈性且符合金融級要求的云底座，解決了AI規(guī)模化落地所需的算力、存儲和安全合規(guī)問題，也為實現(xiàn)軟硬一體的全棧AI能力和數(shù)據(jù)治理能力提供了基礎(chǔ)。

IDC發(fā)布的《中國金融云市場（2025上半年）跟蹤》顯示，2025上半年，中國金融云市場規(guī)模為380.1億元人民幣，同比增速恢復至20.0%。其中阿里云在金融公有云基礎(chǔ)設(shè)施份額為43%、創(chuàng)歷史新高，連續(xù)7年第一；同時蟬聯(lián)中國金融云整體市場第一、收入同比增長32%。

同時，大模型能力不斷成熟，通義千問等國產(chǎn)大模型頻繁在國際各類評測中領(lǐng)先，且自2023年云棲大會開始，面向垂直業(yè)務領(lǐng)域的行業(yè)模型在阿里云年度發(fā)布和合作成果中逐漸成為主力。阿里云全棧AI云正成為金融機構(gòu)智能化升級的核心支撐，通義千問成為金融AI生產(chǎn)級場景里的主力模型。

從“上云換心”到“用AI換腦”，過去十年，阿里云見證并推動了金融行業(yè)的“上云換心”革命。如今，當金融行業(yè)進入“用AI換腦”的新階段，阿里云再次走在了前面，通過Agentic AI技術(shù)、雙飛輪架構(gòu)與全棧服務能力，幫助金融機構(gòu)構(gòu)建具備自主決策能力的“AI大腦”。多年后回看，2025年或許正是中國金融智能化變革的起點，而在這場變革中，阿里云不僅是見證者，更是主動的塑造者。（作者｜張申宇，編輯｜蓋虹達）