投入1800亿元后，金融AI落地了多少？

　　金融业是最舍得在AI上投入的垂直行业之一。

　　过去一年，仅13家A股上市银行金融科技投入合计超过1800亿元，其中，六大国有银行投入均超百亿元。招商银行2025年业绩发布会披露，其AI应用全年累计替代人工超过1556万小时。

　　但投入并不等于落地。

　　在头部银行、保险机构和部分核心业务场景里，AI已经开始从问答助手、办公工具，进入客户经营、风控、理赔、财富管理等岗位流程；但对更多机构来说，AI仍停留在试点、外挂系统或单点提效阶段，距离真正规模化上岗还有一段距离。

　　为什么在投入意愿最强的金融业，AI反而存在落地难的问题？

　　金融AI要真正“上岗”，需要的不是单点技术突破，而是把模型能力、真实场景和行业理解三件事焊在一起。金融机构有真实业务、有行业经验，也有长期积累的数据资产，但要让AI进入核心流程，还必须同时解决模型可信、数据安全、流程适配、结果可解释和监管合规等问题。

　　这些问题，单靠金融机构内部的技术团队很难同时解决。这也意味着，它们需要的不仅是一份技术预算，而是一个既懂AI、又懂金融业务的合作伙伴。

　　一小时到账：保险公司如何用AI理赔？

　　2026年6月，阳光保险集团旗下的阳光数科与蚂蚁数科签下战略合作，共建一个“AI保险应用联合实验室”，聚焦保险专属智能体的研发和规模化应用，覆盖客户服务、营销支持、运营管理、风险控制四大价值链，打通从客户咨询到理赔服务的全链条。

　　这次签约并非偶然。在此之前，蚂蚁数科已经在保险核心场景——理赔环节，用实际成果验证了AI“岗位化”的价值。

　　清晨七点半，儿科医院的走廊里，李女士已经第三次举起手机拍那张医疗单据了。前两次都因为“照片模糊”被退回，她一边哄着发烧的孩子，一边发愁：这笔理赔，到底还要等几天？

　　在城市的另一头，保险公司的审核员张师傅也在为难。他盯着屏幕上的一张发票，印章清晰、格式规范，“完美”得让他本能地警觉。过去几年，他练就了一种近乎直觉的怀疑：印章越标准，越要仔细看。是客户运气好，还是一张PS过的高仿？他常常一张单子就要耗上大半天。

　　这两个场景，在过去可能要拉扯好几天。现在，在同方全球人寿，凭借和蚂蚁数科合作开发的“支付鹰眼”AI系统，从上传材料到赔款到账，最快只要一小时。

　　客户上传材料时，它像导游一样实时提醒“身份证要拍清晰”“还差一张费用清单”；材料进了后台，用大模型自动归类分拣，再用计算机视觉像素级排查票据真伪。改过一个数字、拼过一张图片，都逃不过。

　　这套系统直接改变了张师傅们的工作状态。AI将他的精力从“大海捞针”里解放出来，去做真正需要人脑的事。那套让他本能警觉的“直觉”，现在有了系统帮他前置过滤。他的经验，变得更值钱了。

　　同方全球人寿副总经理王前进用一句话总结了这次合作：我们懂保险，蚂蚁懂AI。

　　从阳光保险的战略签约到同方全球人寿的深度落地，蚂蚁数科在保险业的布局正在快速铺开。而支撑这一切的，是它在另一个更复杂的“金融战场”——银行——里长达数年的深耕。

　　十倍增效，AI改造银行基座

　　银行是金融AI最早打穿的深水区，也是蚂蚁数科积累“金融原生”经验的起点。

　　在中国国际金融展期间，蚂蚁数科披露了一个头部股份制银行案例，过去客户经理大量时间耗在调数据、整理材料等重复事务上。智能体上线后，相关业务全流程处理效率提升数十倍，单个客户经理能服务管理的客户规模增长十倍以上。

　　宁波银行是一个率先破局的样本。

　　在城商行里，一个普遍存在的难题是：客户信息、产品资料、市场行情分散在七八个不同的系统里，客户经理做一次客户画像要反复切换登录、手动拼凑数据。AI工具只能做模糊的关键词匹配，搜出来的结果常常“答非所问”——这并非一家银行独有的问题，而是整个银行业在数字化早期普遍面临的“数据孤岛”困境。

　　蚂蚁数科帮宁波银行率先打破了这个僵局。双方依托Agentar重新搭建了一套融合“知识加工管理平台+逻辑推理引擎+智能应用场景”于一体的智能化决策系统，把原本散落的知识图谱和原始文本“双向索引”起来。简单说，AI终于从只能做“关键词检索”进化到“理解上下文”——原来只能联想一步，现在能连续推理三到五步。

　　这套系统上线后，宁波银行的业务部门最先感觉到变化：复杂业务问答的准确率，从68%提升至91%，响应速度进入百毫秒级。其中，内容推荐准确率提升了35%，召回率提升40%，业务效能显著提升。此外，Agentar知识工程平台具备强可解释性，能够清晰展示答案的推理路径与数据来源，为生成式AI在强监管金融环境中的安全、合规落地提供了重要保障。

　　宁波银行展示了AI怎么变得更“在行”；上海银行（601229）展示的，则是AI怎么变得更“近人”。

　　蚂蚁数科帮上海银行打造的手机银行，主打一种“对话即服务”的模式。用户用自然语言对话就能办业务，不必在层层菜单里点来点去。这套体验对老年人尤其友好：67岁的张阿姨对着手机说“我要转钱给儿子”，系统就能直接办，不用再找“转账”按钮在哪。上线之后，这家银行的老年客户满意度显著提升，月活用户同比增长了25%。

　　吃透银行不只是吃透技术和数据，还要摸透老年客户害怕什么、习惯怎样操作、在哪些场景下会卡壳。这种对行业细节的积累，决定了AI是“能用”还是“好用”。

　　更广的层面上，蚂蚁数科联合伙伴在银行场景里跑出了一批已经深度落地的智能体。风控AI能自主推理、生成风控模型，效果达到行业专家水平以上；营销AI把零售业务从规划到执行全流程智能化，效果较传统方式提升两成；财富管理AI能自动执行任务、给出实时个性化建议，把理财顾问的分析效率提升了一倍。

　　这些案例共同指向同一个变化：银行AI的价值不再只是单点提效，而是开始沿着风控、营销、财富管理等核心流程向内推进。正是这些年在银行“深水区”的反复淬炼，让蚂蚁数科攒下了一套真正吃透金融业务的方法论和工程能力——这套能力，如今正在保险行业复制和验证。

　　为什么是蚂蚁数科？

　　金融AI的竞争，最终不会只停留在模型参数和算力规模上。

　　通用AI离金融的实际场景，隔着一道知识鸿沟。一个模型能在公开对话里对答如流，未必看得懂一份对公授信报告，也未必拎得清不同客群在不同行情下的资产规律。金融数据又分散在一个个系统里，流程长、角色多，每一环都压着合规红线。仅靠更大的模型或更多算力，填不上这道沟。

　　蚂蚁数科CEO赵闻飙对此给出过判断：要深度融合金融和AI，必须构建真正吃透金融的垂类模型。这个判断，成了这家公司过去几年的核心打法。

　　在中国国际金融展上，蚂蚁数科发布了Agentar金融智能体专家团，面向银行、证券、保险三大行业提供智能体能力。它的定位不是再做一个通用问答工具，而是把不同金融岗位上的业务任务，拆解给一组具备行业知识、流程洞察和合规约束能力的智能体来完成。

　　这套能力最终沉淀进了覆盖银行、证券、保险、基金、信托的6大类66小类金融场景体系。为了让模型经得起检验，2025年，蚂蚁数科联合工商银行等机构推出了一套金融应用评测基准，深度考察智能体能力、复杂推理以及安全合规能力。

　　这些努力换来了外部的认可：Agentar成为首批通过中国信通院评测的智能体平台产品，拿到最高评级，在IDC MarketScape相关评估中，蚂蚁数科入选中国智能体开发平台“领导者”象限；另据IDC市场份额报告，Agentar位列智能体开发平台非云厂商第一。

　　但蚂蚁真正的护城河，并不在模型的大小。它真正攒下的，是把那套“金融原生”的经验，变成了一套可以复用的工程能力。在它内部，AI的构建被拆成几道标准化工序，专家的判断被沉淀成流程，再灌进模型和知识体系。如今，它已经把服务铺到了全部国有大行和股份制银行、超过六成的地方性商业银行，以及数百家金融机构。

　　每个金融岗位，都可以有“数字专家团队”

　　智能体在金融业的下一程会走向哪里？答案正在从“单点工具”，转向“多智能体协同”。一个复杂的业务目标被自动拆解成多个子任务，交给不同专长的AI分头处理，再由一个“协调者”统一调度，整个系统像一个虚拟的职场，每个成员各司其职，又能彼此协作。

　　对于AI+金融的终局，蚂蚁数科的理解或许和很多人想的不太一样。蚂蚁数科相关负责人多次强调，金融智能体的落点不是简单替代员工，而是把重复性工作交给AI，让一线人员把更多精力放在判断和决策以及客户关系上。

　　落到财富管理场景里，一线理财师身边会多出一支“数字专家团队”，覆盖市场研判、客户经营、服务话术、商机挖掘和复盘质检等多个环节，各由不同的智能体负责。

　　当然，这条路上仍有真难题。智能体靠多轮推理、高频调用来完成一整套业务闭环，算力消耗会“链路式放大”，加上数据安全、合规红线这些硬约束，“可靠、可控、可优化”从来不是一句口号。蚂蚁数科这些年把力气压在这道门槛上，恰恰是因为它清楚，能不能跨过去，决定了一家厂商能不能在这轮落地竞赛里留下来。

　　回头来看，投入1800亿元之后，金融AI并不是没有落地，而是正在从“试点落地”进入“岗位落地”的分水岭。

　　正如蚂蚁数科金融事业部总经理曹刚所说，智能体在产业里，已经从辅助人、模拟人，走向真正承担岗位级的价值交付。从同方全球人寿的一小时理赔，到阳光保险的全链条智能化，这些保险行业的突破并非偶然——它们建立在蚂蚁数科在银行核心业务中反复验证、反复打磨的能力底座之上。

　　对金融机构来说，下一阶段的竞争不只是看谁更舍得投入，而是看谁能把AI真正嵌进流程、交给岗位、纳入治理，并让它持续产生可验证的业务价值。

　　（数据来源：蚂蚁数科）