阿里云押注金融 Agent 银行券商能否迎来数字员工？

“去年是 AI Plus，今年是 AI Native”。

短短一年时间，在金融这个最有财富想象力的赛道，AI 和 agent 的角色，又被推到重来了。

2025 年，大模型几乎成为银行、券商和保险公司的标配项目，Agent 也成为最热的技术名词之一。但热闹背后的问题悬而未决：这些 Agent 究竟创造了多少价值？

事实上，在很多金融机构里，所谓智能体更像是一个外挂。它能够总结材料、识别图片、回答问题，却很难真正进入业务核心流程。客服仍然是客服，客户经理仍然是客户经理，研究员仍然需要自己完成大部分工作，AI 更多承担的是辅助角色。

如此局面，很快随着 agent 的迭代发生了变化。

2026 年 6 月 16 日，阿里云在中国国际金融展上，打出了自家在金融领域的新牌——“点金” agent。与产品同时被推到台前的，还有一份长长的清单—，其宣布将财富管理、信贷风控、保险展业、投研分析等百余项专业技能正式开放，供金融机构在智能体开发中直接调用。

按照官方的描述，点金已经可以在投研、投顾、信贷、风控、理赔等业务流程中执行完整任务链，包括跑回测、训模型、写报告、做合规等一系列原本被认为只有专业人员才能完成的工作。

“今年是真正的智能体元年。” 阿里云智能集团副总裁、新金融行业总经理张翅向华尔街见闻直言道。

在张翅看来，金融行业正在从 AI Plus 走向 AI Native，从给业务流程增加一些 AI 能力，转向让 Agent 直接进入具体岗位。从客户经理、信贷经理、保险代理人到券商研究员，每个人身边都开始出现一个数字助手，甚至一个数字分身。

这或许意味着，金融行业的大模型应用正在告别演示和试验阶段，逐步进入生产系统。

AI 不再只是机构的外挂

过去一年，金融机构里凡是做过 AI 项目的人，多半都经历过一种尴尬。

年初信誓旦旦立项做几十个、上百个智能体，年底盘点时却发现，大多所谓的 “智能体”，不过是给原有业务流程接了个外挂。流程、岗位、组织都没变，只是某个环节里多了个智能体。

在张翅看来，过去很多被称为 Agent 的产品，本质仍然是流程编排系统。一个客服外呼可能对应六个流程，一个信贷业务对应二十多个流程，一个理赔流程甚至有四五十个环节。AI 只是被安插在其中某几个节点完成识别、生成和总结。

张翅给这样的模式做了个比喻，“我们原来有一个电视机，加了一个 USB 接口的外挂可以放些东西，今天不是，电视机整体是完全 AI 融入的新物种。”

“去年讲 AI，是用模型后训练帮你生成内容。今天是真正带你理解世界、环境，作为你真正的助力，是不断持续交互的。” 张翅认为，金融机构对智能体的理解，正在从 AI Plus 跳进 AI Native。

跳进的标志，是 Agent 坐进了具体岗位的工位。

张翅举了客户经理的例子。过去 AI 更多是在投研流程中的某个节点发挥作用，比如总结研报、整理资料或者生成内容。而今天的 Agent 已经能够参与整个投研链条。

“从分析行业、筛选标的，到挖掘被低估的公司，再到生成交易策略、修改策略代码，它是一个持续工作的过程，更像一个真正的 AI 助手了。”

阿里云这次发布的 “点金” 金融级通用智能体平台，就在反复强调的就是数字员工。

中信证券则按照自动驾驶的分级思路，把数字员工分成了 L1 到 L5 五个等级：从单一流程执行的基础自动化，到协同辅助，到有条件自主，再到高度自主，最终走向全场景终极智能体。这种分级背后，是金融行业开始接受，智能体不再是软件功能，而变成了组织里的新工种。

但问题是，Agent 为何会首先在金融行业落地？答案与金融行业自身的数字化程度有关。

过去五年，中国金融业几乎是数字化投入最大的行业之一。银行完成云原生改造，券商建设数据中台，保险公司推动线上运营。大量业务规则、客户数据和操作流程已经被数字化沉淀下来。

这成为 Agent 进入生产系统的基础。

张翅提到一个案例，广东有家具产业，河南有假发产业，江浙有水产养殖产业。对于区域银行客户经理而言，这些行业背后有完全不同的经营逻辑、融资需求和风险结构。“这是过去数字化没解决的问题。”

传统系统能够记录数据，却无法理解行业。而 Agent 开始具备这种能力。它可以结合产业链信息、订单情况、汇率变化以及金融产品设计，为客户经理提供一客一策的服务方案。

另一类变化发生在券商和财富管理行业。这里聚集着大量知识工作者，他们每天阅读研报、分析财报、构建模型、设计投资策略。这些工作天然适合 Agent 参与。

这些案例背后，其实对应着一个更大的趋势。企业购买的对象正在发生变化，从原先的 SaaS 软件，到如今的数字劳动力。张翅向华尔街见闻反复提到 “一岗一助手”“一岗一分身”“数字员工” 等概念。其背后逻辑与微软、OpenAI 正在描绘的 Agent 经济高度一致。

未来企业衡量生产力，不再只是员工数量，而是数字员工数量。因此阿里云也提出一个新指标——Token。“数字员工消耗更多成本的是 Token。” 张翅说，“它既是成本衡量体系，也是价值衡量体系。”

在这样的叙事下，金融行业开始出现新的组织形态。研究员身边有研究 Agent。客户经理身边有客户经理 Agent。保险代理人身边有保险 Agent。一个人逐渐拥有一个数字团队。

芯 - 云 - 模 - 智的全栈赌注

看到了机会的阿里云，正摩拳擦掌，重新定义自己在金融业里的角色。

回溯来看，过去十几年，云厂商在金融行业讲的故事大同小异，做战略共建者、做技术战略伙伴、做长期服务提供商。做一个数据中台、数字化转型，动辄半年一年起步，等系统建好，业务的耐心可能也耗光了。张翅也直言，“原来的软件和技术离管理、离组织太远”。

但智能体不一样，它能在很短的时间里读完一份财报、跑通一段信贷流程、生成一份研报草稿。“今天的 AI，为什么大家平台也用，它是能够实时反馈、实时有效果的，是能够真正与业务融合。” 张翅向华尔街见闻说到。

这种节奏上的差异，给了阿里云重塑自身定位的窗口。

它试图抛出新故事，把自己讲成一个芯 - 云 - 模 - 智全栈打通的金融 AI 基础设施提供商：底层是平头哥真武 M890 AI 芯片；中间层是飞天智算云和 QWEN 模型；上层是点金智能体平台和这次开放的 129 项金融 Skill。

这四层串起来，目的是如何把 token 的单位成本压到对手压不到的水位。

张翅自己是个 “模型党”，但他对模型层的护城河并不乐观。“基模是开源的，大家是平等的。智能体技术也在做，会有一些参差不齐的过程，因为有 AI Coding 在，想要拉齐互相弥补也非常快。”

他认为真正的杀手锏在数据。“我们自己选择一个很大重点的方向在数据层面，真正的数据要发挥价值，才是金融行业智能体最核心关键的。去年是能说会道，今年是能写会算，这个其实还是一个很大的不同，因为数据才会真正反映出来最终给的结果不同。”

这也解释了点金平台为什么把原生接入 Wind、盈米且慢、东方财富、恒生聚源作为一个重要卖点，因为在他看来，金融 Agent 要做的事情，是基于真实行情数据跑出一份能交付给基金经理的策略建议。

阿里云为这套故事画出的边界也很清晰：服务银行、券商、保险这些持牌机构，先做金融从业者的数字助手。

在被问到智能体涉不涉及金融牌照时，张翅直言：“我们现在做的事情还是跟监管要求一致，先以服务人为主，产品都是 ToB 的，都是给金融机构、牌照主体来做，并没有开放到 ToC”。

阿里云的算盘也很清楚，它要抢在所有人之前，把自己嵌入到这些机构的日常生产流里去，等模型层卷无可卷、工程层互相拉齐之后，留下来的就是数据、行业 know-how 和客户关系本身。

Agent 进入深水区之后

但故事讲到这里，必须停下来看看另一面。

金融 Agent 要真正走深，不能光是看模型能力和生成效果，更要看数据、风控、合规这三件事能不能跟上。这是金融行业天然的边界感，也是阿里云需要跨过去的几道门槛。

首先是数据。公开数据和机构私有数据怎么结合，是所有金融 Agent 项目最先撞上的问题。

张翅给出的方案是分两段处理，“公开市场所有的资询，包括交易的数据，甚至包括在银行做信贷、海关还是外汇局牌照的数据，都可以帮其做研究和分析。”

私有部分则必须本地化。“比如做行业分析，公开研究要做一部分，做完这部分的研究分析之后，要用真正自己内部的投研框架和知识库做一个精准的事情，比如 ETF 或者某一个产品设计，你一定要回到本地再去做。”

这个思路对头部机构没问题，但对中小银行而言，本地化部署本身就是一笔不小的投入，更别提持续的算法迭代成本。阿里云的解法，是用 Agent 去做算法平权。

张翅讲道，“原来更多区域性的银行，因缺乏数据算法、科学家人才，导致其在原来做服务本地信贷经营时又不是标准化，服务那么多企业，又要对每个企业做画像、风险建模，都是非常难的。现在通过这种方式，完全可以用 Agent 方式把过去所有的风险建模的逻辑。”

听起来很美，但中小银行真要把 Agent 当数据科学家用，还需要一段不短的验证周期。

其次是留痕和可解释。

金融行业不接受黑箱过程，每一次工具调用、每一个决策节点、每一次人工介入都必须完整留痕。点金号称内置了凭证隔离、操作留痕和三重合规防线，整个推理过程可解释、可追溯。

但这套机制在监管落地层面究竟能解释到什么颗粒度，仍然要看具体业务线条的实际验证。

今天大多数金融机构对 Agent 的留痕要求，已经远远超出了日志记录的传统含义，它需要回答的是 “为什么这一步 Agent 这么决策”，而这恰是大模型难回答的问题。

最后是责任归属。

Agent 参与到信贷审批、投研建议、财富配置、保险理赔这些金融机构的核心业务时，一旦出问题，责任主体如何划分？

以信贷为例。点金已经在东南某银行做到了专家人审通过率和 Agent 通过率几乎可以持平，但张翅特别强调：“现在没有完全做到真正意义上脱离的，这也是一个很大的挑战。“为什么不脱离？因为责任问题没解决。

还有一个被反复提到、但容易被忽略的卡点是 “一号位认知”。

张翅说，智能体落地的最大挑战其实不是技术。“客户本身自己对于 Agent 的认知，人的一号位的认知，会决定这个智能体到底会怎么样。”

因为金融机构内部的组织设计、考核机制、文化氛围，决定了 Agent 到底是被当成创新展示品还是真正的生产力工具。中信证券能跑出 L1-L5 的数字员工体系，靠的不光是技术选型，更是自上而下的组织共识。

回到一开始的判断，2026 年到底是不是金融智能体的元年，答案并不取决于阿里云、华为、腾讯、字节谁的模型更强、谁的 Agent 平台更完善。它取决于金融机构内部，能不能在创新和治理之间、应用和合规之间找到真正可以落地的平衡点。

让 Agent 坐上工位是一回事，让它真的能签字画押，是另一回事。