2026年被业内定义为金融智能体（Agent）真正的元年。

　　“金融AI已完成关键性代际跃迁，彻底摆脱了早年问答辅助、文案生成的浅层应用，迈入可自主完成回测训练、风控合规、研报撰写、业务全流程闭环作业的新阶段，成为重构金融业务的核心变量。”6月16日，在上海举办的第32届中国国际金融展上，阿里云智能集团公共云事业部副总裁、新金融行业总经理张翅接受21世纪经济报道记者受访时表示，仅一年时间，金融AI行业已经发生了质的变革。

　　回望2025年，行业仍聚焦大模型“能否精准写研报、问答准确率高低”的基础能力验证，AI应用多为外挂式补丁，零散嵌入客服、理赔等单一环节。眼下，金融智能体，已然成为全新行业物种，兼具“能说会道、能写会算”的双重能力，实现从任务接收、流程执行、结果输出到合规校验的全自主作业。

　　本次金融展上，除阿里云发布金融级通用智能体平台“点金”之外，蚂蚁数科也正式发布Agentar金融智能体专家团，面向银行、证券、保险等行业，覆盖财富管理、金融风控、金融营销等金融核心业务领域。

　　目前，上述平台智能体已在银行、证券、保险等机构的真实业务场景中落地，随着各机构使用深度增加，智能体的专业能力将持续迭代。

　　与此同时，监管也是绕不开的门槛。张翅透露，在金融行业落地AI是深水区，还涉及牌照问题，“我们还是先以服务人为主，并没有把我们的这些内容开放给C端用户，还是围绕金融机构、牌照主体来做。数据能力的不同，也决定了效果的不同。”

　　在他看来，金融AI终极竞争不在模型，而在数据理解与行业认知。

　　突破AI单点辅助

　　相较于普通行业，金融AI落地存在极高门槛，核心瓶颈从来不是技术“能不能做”，而是行业“敢不敢用”。

　　张翅指出，金融行业普遍存在四大核心痛点：公开数据噪音大、输入信息不可信；智能体深入核心流程，操作执行不可控；决策过程存在黑箱、无法追溯；AI权责边界模糊、风险责任难界定。

　　而到了今年，金融智能体（Agent）已经可以精准破解行业痛点，补齐金融AI合规短板。以“点金”平台为例，在迭代升级后，其100毫秒极速唤醒的金融级弹性沙箱，实现智能体作业过程可解释、凭证可隔离、操作可留痕。

　　换句话说，它可以实现自主的闭环数字员工模式，真正实现智能能力的自由流转与自主迭代。

　　值得注意的是，算力底座的规模化落地，也为智能体普及打下了基础。截至2026年5月，平头哥真武系列AI芯片累计出货56万片，在金融行业部署规模突破10万卡，全面覆盖银行、证券、保险、基金等150余家主流金融机构，广泛应用于财富管理、信贷风控、投研投顾、进件识别、合规监控等核心场景。

　　相较于前代产品，真武M890 AI芯片算力提升了三倍，可满足金融行业高并发、高精度、高安全的算力需求。

　　据了解，中信证券已经搭建了“一岗一数字员工，一人一数字团队”体系，其智能超级研究员依托十万级专业研报数据库，可自动生成万字深度研报，月均使用量近4万次；编码助理代码采纳率达81.4%，年生成代码近200万行。

　　在基金行业和保险领域，效率革新更为显著。一些产险核赔时长从1-2天压缩至3分钟，理赔效率提升500至1000倍，行业数字化红利全面释放。

　　张翅以电视机迭代举例，过去金融AI如同给传统电视机外接播放器，是业务流程之外的辅助工具；如今的金融智能体，已是嵌入业务底层的原生能力，彻底改写金融机构的作业模式。从晨会早报自动生成、资产配置智能测算，到业务流程合规实时预警，智能体贯穿金融从业者日常工作全场景，实现从“局部补位”到“全域换血”的转型。

　　当然，金融机构也越来越关心成本，算力能产生多少价值？眼下还没有办法用数值去衡量。

　　“数字员工、数字Agent消耗更多成本是token，其实就是资源算力。所有的衡量标准都是token，它既是成本的衡量体系，又是价值的衡量价值。”张翅进一步补充。

　　数据能力较量

　　随着技术趋于成熟，行业竞争逻辑也悄然改写。张翅认为，未来金融机构的核心竞争力，不再是模型算力本身，而是数据理解深度与行业认知厚度。当行业大模型能力趋于同质化，同等算力、同等Token消耗下，机构对订单流水、另类数据、时效因子的精细化运用能力，将成为拉开差距的关键。

　　以蚂蚁Agentar金融智能体专家团为例，其包含十大金融数字专家。与市场上现有的AI产品不同，每个金融数字专家对应一个完整的金融服务岗位角色，具备理解业务目标、拆解任务、跨领域协调、调度多个AI助手执行复杂任务的能力，以此打破传统业务协作边界。

　　而在以往，金融机构使用的AI产品，多以工具或助手形态存在。第一阶段的单点工具只能处理独立任务，如生成研报摘要、执行合规审查、响应客户咨询，各任务之间相互孤立，无法串联为完整业务流。此后出现的Copilot型助手开始辅助管理工作流程，帮助从业者梳理任务节点、汇总多源信息，但执行主体仍是人。目前大多数金融机构还停留在这一阶段。

　　因此，Agent需要能够自主理解目标、拆解任务，并动态调度多个专业AI助手协同执行，直至交付完整的业务结果，且人工介入环节大幅降低。数据的精细化运营，变得至关重要。

　　例如，在投研与投顾场景，智能体需整合多源异构信息，在数据冲突时给出有依据的研判，并在合规边界与客户个性化需求之间找到平衡；在风险管理场景，需跨系统整合数据、识别非标情况、处理反欺诈判断。

　　与其他行业不同，金融行业的容错空间极小。因此，这类能力的构建难点，不在于多智能体的技术框架本身，而在于支撑判断的专业知识体系。

　　“当前，智能体在产业中已经从辅助人、模拟人，走向真正承担岗位级价值交付，金融行业也正在这个趋势下进行前所未有的组织演进。蚂蚁数科通过金融大模型、AI PaaS、各类行业智能体等产品，到今天的智能体专家集群，将大模型与组织工程环境深度结合，全面助力金融机构打造智能生产线，实现向下一代组织演进。”蚂蚁数科金融事业部总经理曹刚对21世纪经济报道记者表示，蚂蚁数科Agentar已在银行、证券、保险等机构落地超300个金融专业智能体。

　　业内人士表示，2026年金融智能体元年的开启，标志着金融AI彻底告别概念验证阶段。当数字员工从创新试点变为基础设施，当Token消耗量、智能体日活、岗位重塑数量，成为衡量金融科技实力的新标尺，AI在金融行业才算真正落地。

　　Agent能否真正取代人？在信息审核层面其实两者已经能做到并行，但依然不能完全脱离，这也是未来亟待突破的挑战。归根结底，只有让真正的数据发挥价值，金融行业智能体才能具备核心竞争力。