社区

AI正在从“会聊天”，走向“能干活”。

这个变化已经在国外金融机构中发生了。安联保险在澳大利亚推出的Project Nemo是一个典型案例。它用agentic AI处理自然灾害后的食品腐败类小额理赔：对500澳元以下的理赔，过去通常需要几天处理，现在被压缩到一天，甚至几个小时；七个专门智能体协同完成覆盖检查、天气核验、欺诈筛查、赔付测算和审计总结，最后由人工做赔付决策。

这件事的意义，不只是“理赔变快了”。它说明，AI不再只是回答问题、生成内容，而是开始理解任务、读取材料、调用工具、串联流程，并在关键节点与人协同。这正是智能体时代和过去大模型时代最大的不同。

对中国金融行业来说，类似案例极具启发。

今天，中国金融行业正在经历增长方式转换和经营效率重估。银行、券商、基金、保险都在寻找降本增效和新的服务场景。

但金融行业不是一个可以让AI随意试错的行业。AI能不能进入业务流程？出了问题能不能追溯？关键操作能不能管控？数据来源是否可信？它能不能在安全、合规、可审计的前提下稳定干活？

这正是阿里云在此次金融创新峰会上发布全新点金的背景。

新点金可以理解为阿里云打造的“金融级”通用智能体平台。它把金融行业需要的可信数据、行业Skill、智能体运行环境、沙箱隔离、权限管控、审计追溯和人机协同能力集成起来，让金融机构能够在一个统一平台上建设、调用和管理自己的“数字员工”。这些数字员工可以服务投研、投顾、信贷、风控、理赔、营销、客户服务等场景，也可以通过API接入金融机构原有系统，进入真实业务流程。

简言之，点金要解决的核心问题是：金融机构如何放心地让智能体真正干活。

金融AI正在从“回答问题”

走向“完成任务”

过去几年，金融机构对AI的探索，大多从低风险场景开始。但是AI如果只停留在知识问答、材料总结、客服辅助、办公提效这些外围场景，价值是不够的；真正有价值的AI，必须进入投研、投顾、信贷、风控、理赔、营销、客户服务等业务流程。

原中国银保监会副主席陈文辉在会上提出，2026年将是AI在金融业应用的大发展之年。原因在于，AI应用成本下降，模型能力提升，智能体开始从尝试走向规模化部署。

这意味着，AI对金融行业的价值，正在从“提升局部效率”，走向“重构工作流程”。

阿里云智能集团新金融行业总经理张翅认为，今天的智能体和过去的大模型应用已经有很大不同。过去很多AI应用，只是在原有流程里额外加一个辅助工具；而今天的智能体，已经具备规划、思考、反思和持续优化能力，可以围绕任务目标持续工作。

阿里云智能集团新金融行业总经理张翅

一个真正的Agent，不只是回答问题，而是理解目标、拆解任务、调用工具、连接数据、持续执行，并在必要时让人介入。它更像一个可以被分配任务的数字员工。

张翅举过一个例子：保险外呼如果只是加一个辅助工具，价值有限；但如果一个销售主管可以带着多个智能体员工，从名单分配、话术生成、通话执行到质检复盘，共同完成一天的销售任务，工作方式就完全不同了。

还有更多的应用场景可以列举出来。在财富管理场景中，一个智能体可以结合客户画像、持仓、风险偏好和市场变化，生成个性化分析报告；在投研场景中，它可以围绕投资假设，持续抓取数据、对比公司、验证逻辑；在信贷风控和保险理赔场景中，它可以识别材料、理解规则、补全信息、提示风险，并把关键节点留痕。

这就是“数字员工”的意义。

阿里云智能集团新金融解决方案总经理郑淼在点金发布中提到，点金已经进入通用智能体架构体系。点金要通过统一平台叠加金融属性，把日常金融工作真正做起来、用起来，帮助金融机构建设数字员工。

阿里云智能集团新金融解决方案总经理郑淼

这也是阿里云团队形成点金产品判断的关键：智能体的价值，不是给原有系统“加一个助手”，而是把一段原本由人完成的复杂工作，拆解、协同、执行起来。

类似的变化，已经率先在软件工程领域发生。

过去，AI写代码更多是代码补齐；但今天，Claude Code、Codex、Qoder等AI coding工具正在改变软件工程本身。它们可以理解需求、拆解任务、生成代码、测试、修改，甚至参与完整的软件交付流程。

阿里云点金平台开发者衣鹏飞认为，软件工程的变化给团队很强的启发：如果软件工程师的工作流可以被Agent重塑，那么金融行业里大量知识密集型、流程复杂型、重复性强的工作，也同样可能被Agent重塑。

但金融行业不是软件工程的简单平移。

写代码可以先生成、再测试、再修改；金融业务却天然带有更强的合规约束和责任边界。一个代码Agent出错，通常还能通过测试、回滚和人工复核来修正；但一个金融智能体如果在投顾、信贷、风控、理赔等场景中使用了错误数据、做出错误判断，影响的可能就是客户权益、机构风险和合规责任。

所以，对中国金融行业来说，仅有通用大模型是不够的。国内金融机构有更强的合规要求、更复杂的本地业务流程、更明确的数据安全边界，也有大量需要沉淀的行业Know-how。通用智能体平台很难直接满足这些要求。

因此，点金要做的是“金融级”的通用智能体平台。所谓金融级，关键在于能不能进入业务流程，能不能被金融机构信任。

让智能体在金融业“可信地干活”

金融首先要求确定性。

金融业务背后有大量制度、规则、流程和责任边界。大模型的底层机制，是概率生成。金融业需要的是逻辑、制度、可解释、可追溯；大模型天然带有不确定性、幻觉和不可控。这就形成了金融AI落地的根本矛盾。

衣鹏飞将其概括为一种张力：金融行业需要的是“制度逻辑”，而大模型天然是“概率智能”。点金要做的，就是在创新和治理、应用和合规之间找到平衡。

金融级，意味着首先要可信、可控、可审计。德勤管理咨询金融行业主管合伙人尤忠彬在会上谈到，越来越多企业已经部署了智能体，但真正跑到生产环境、形成规模化效果的并不多。问题往往不只是技术本身，而是AI治理，包括安全可信、价值可信、组织可信等。

点金平台围绕这个问题，主要是在克服四个难题。

第一个难题，是输入不可信。金融任务高度依赖数据质量。公开搜索引擎信息噪音大、结构化程度低、来源复杂，会影响模型推理轨迹。点金接入多类金融数据和工具，并做Agent友好的数据处理，让智能体更好理解字段、表结构和业务含义。

第二个难题，是执行不可控。金融智能体一旦进入业务流程，就可能处理图片、合同、票据、语音、多模态材料，还要连接企业内部系统和数据。点金通过沙箱、运行环境、权限管控等能力，让复杂任务在隔离容器中执行。短任务尽量降低成本，长程任务则可单独拉起沙箱，支撑更复杂、更耗时的处理。

第三个难题，是过程不可追溯。在金融场景中，智能体每一步都不能是“黑箱”。它调用了什么工具、用了什么数据、在哪个节点让人介入、模型推理方向是什么，都需要事后追溯。点金增加了可审计和链路分析能力，支持对工具调用、人工决策节点、大模型推理方向等进行审计和管控。

第四个难题，是责任边界不清。金融AI不可能一上来就完全替代人。在点金的设计中，智能体遇到关键敏感操作，可以触发人工确认；如果模型推理方向不符合业务判断，人可以中途介入、拒绝、调整或重新引导。

这也回应了金融机构最关心的问题：AI可以干活，但责任边界必须清楚。

在圆桌对话中，中金、富国基金等金融机构代表都谈到，现阶段AI更多是先对内赋能，在投顾、投研、知识问答、市场观点总结、代码生成等场景提升效率；对客服务则更加谨慎，需要在安全、合规、可信的前提下逐步推进。

这说明，金融AI的落地是一场稳步深入的过程。它先从内部提效开始，再逐步进入半自动化流程，最后在治理体系成熟后服务终端客户。

点金背后的阿里云

从金融云到金融智能体

如果只看点金，很容易只把它理解成一个金融智能体产品。但点金背后是一套更完整的金融AI全栈能力。

今天，阿里已经具备了芯（芯片）、云（云计算）、模（大模型）、智（智能体）的全栈化AI能力。

平头哥AI解决方案总监钱春阳在题为《芯云模一体，构建Agentic算力新底座》的分享中介绍，平头哥作为阿里云AI infra的算力底座，已经形成以AI芯片为核心的数据中心解决方案，并与Qwen模型服务进行深度协同。

在金融行业，真武AI芯片已经应用于财富管理、信贷风控、投研投顾、基于VLM的进件识别、合规监控、视频营销等场景。截至目前，真武AI芯片在金融行业已经部署超过10万卡，服务超过150家客户。

算力之上，是模型。千问大模型正在从“理解”走向“行动”，工具调用能力持续升级。对于金融智能体来说，一个智能体不是只靠模型回答问题，而是要调用工具、连接数据、执行任务、完成工作流。

再往上，是点金平台。郑淼将点金的金融属性概括为几类能力：岗位和业务逻辑、合规和可审计要求、可信数据源、安全隔离环境，以及面向长程任务的执行能力。

点金操作界面

这套体系对金融行业尤其重要。

金融机构看重的是整体解决方案。它不仅要开发Agent，还要考虑算力配置、模型服务、Token成本、预算规划、数据接入、运行环境、安全治理等一整套问题。

盈米基金就是一个典型案例。盈米基金高级副总裁、且慢业务负责人林杰才在圆桌对话中提到，点金的长期记忆、沙箱等新功能已经在盈米新产品中率先使用。对企业来说，关键不是某一个应用，而是如何构建AI应用的土壤，让AI理解企业业务、理解组织如何开展工作。

今天，AI深入金融业，是一次组织、流程、岗位和技术底座的系统性变化。金融机构需要把业务经验沉淀成Skill，把数据治理成Agent友好的数据，把流程改造成适合人机协同的流程。

而阿里云过去服务金融行业的历史，也给它今天做点金提供了基础。

张翅回顾，2018年同样在杭州，移动金融、APP、生物识别、AI风控、大数据营销、区块链、小程序等技术推动了上一轮移动金融发展；过去五年，中国金融业完成了大量数字化建设，而今天，智能化又把金融行业推到新的起点。

从帮助银行非核心系统上云，到支持四川农信等金融机构探索核心业务系统云化，再到今天把智能体带入金融工作流，阿里金融云一直在做一件事：用一代又一代新技术，帮助中国金融机构完成基础设施升级。

所以，点金背后有阿里云过去多年服务金融客户积累下来的行业经验，有公共云、专有云、金融云上的基础设施能力，有通义千问这样的模型能力，有平头哥芯片和智算体系，也有来自一线客户的业务沉淀。

它是在金融机构真实痛点中长出来的：金融机构要合规，所以它做审计；要安全，所以它做沙箱；要准确，所以它接可信数据；要差异化，所以它开放API和Skill；要规模化，所以它背后需要全栈算力和模型底座。

从“敢上云”到“敢让智能体干活”

智能体时代，金融业的AI应用正在跨过一个重要门槛。

过去的问题是，金融机构要不要试大模型；今天的问题是，金融机构能不能让智能体进入真实业务流程。这背后需要的不只是模型能力，而是一整套让AI可信、可控、可审计、可持续运行的基础设施。

点金平台的意义正在这里。它是阿里金融云多年服务金融行业之后，对AI时代金融机构新需求的一次系统回应。

点金要做的，就是让AI真正成为金融机构可信赖的新生产力。