2025 年春天，深圳某商户提交了银行商户特约申请资料，一个变化悄然发生：过去人工线下单户审批需要 20 分钟的小微企业商户准入审核，如今只需上传营业执照、银行流水和租赁合同，系统自动识别材料真伪、比对征信数据、生成风险评估报告——全程仅用 5 分钟。

这不是未来构想，而是基于阿里云多模态大模型已在运行的 " 商户智能审核助手 "。这张看似普通的审批单，标志着 AI 正式进入金融 " 生产级场景 " 的核心腹地。

与此同时，在某大型金控集团深圳研发中心，另一类创新应用正无声上演：集成了阿里云通义灵码能力的 AI 编码平台，部分新项目的代码 AI 生成占比超 70%，同时团队固化场景的解决方案数量达数万个；系统甚至能根据业务需求，自主生成合规文档与接口说明。

这两个场景，指向同一个趋势：金融 AI 正在从 " 能看会说 " 的辅助工具，进化为 " 能决策、可执行、担责任 " 的数字员工。

而这仅是开始。过去三年，生成式 AI 席卷各行各业，金融机构纷纷布局大模型。但大多数应用仍停留在客服问答、报告摘要、营销文案等 " 边缘场景 "，热闹有余，价值不足。真正的挑战在于：如何让 AI 走进信贷审批、风控建模、投研决策这些高敏感、强合规的核心流程？

2026 年，这一临界点已至。随着阿里云多个 " 核心系统上云 " 项目进入收官阶段，支撑 AI 深入业务的底层底座——稳定、弹性、合规的金融级云架构——已然建成。这意味着，技术准备就绪，战场已经铺开。而在底座之上，当金融 AI 迈入 " 生产级场景 "，如何满足对准确性、可解释性与合规性的极致要求，实现深度垂直的价值创造，是金融 AI 落地接下来最大的挑战。这场从 " 工具 " 到 " 同事 " 的跃迁，正是 2026 年金融 AI 能否破局的关键。

金融 AI 之难

金融行业的数字化转型，始终在 " 安全、效率、普惠 " 这个看似不可能的三角中寻求平衡。从算盘到大型机，从数据中心到云，金融业的技术工具一直在演进，但同时，作为国之重器，对高可用、高可靠、强合规的要求一直是金融行业的底线。理解这种 " 变与不变 "，是把握金融 AI 落地逻辑的关键。

AI 技术的引入，尤其是大模型，曾被寄予厚望一举破解这一难题。然而，金融业务的复杂性远超想象。金融 AI 早期大多停留在 " 辅助性场景 "：银行客服处理密码重置、余额查询；券商投顾停留在基金推荐；保险核保仅能应对标准化车险。这些应用提升了局部效率，但并未触及核心业务流程。

究其原因，不仅是因为 AI 本身技术成熟度不足、模型能力有限、缺乏可解释等合规性，很多金融企业自身的数据治理和技术底座也并不足以支撑 AI 深入核心业务。比如，金融业务刚性的 " 信任与风险 " 底线要求 AI 模型不仅需要极高的准确性，其决策过程还必须可追溯、可解释、可审计；" 高可用与高稳定 " 要求下，银行核心系统要求 " 五个九 "（99.999%）的可用性，券商交易系统需毫秒级响应，AI 的引入不能以牺牲系统稳定性为代价，底层基础设施和 AI 应用架构必须具备金融级的可靠性与弹性；此外，金融机构内部系统庞杂，数据烟囱林立，且充斥着大量非结构化、高隐私性的数据，简单的模型调用无法穿透业务流程，AI 必须能够理解复杂的业务逻辑，并安全、合规地调用和处理跨域数据。

因此，金融行业需要的不是 " 散装 " 的模型与算法能力，不是简单耦合行业知识与技术能力，而是一套符合行业标准、体系化的解决方案。正如近日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与钛媒体集团联合创始人刘湘明的对话中所指出的：" 金融机构缺少的不是模型或者算力，而是落地路径 "。一场垂直价值创造的攻坚战也就此拉开序幕。

" 生产级场景 " 的系统化解法

从场景角度出发，金融行业 AI 应用可分为两大方向：一是直接服务客户，解决金融产品复杂性带来的理解障碍；二是提升金融服务专业性，深化核心业务场景的应用。

但金融业务所具备的多环节协同、强规则约束、高风险管控等特殊性，决定了其需要一种具备自主决策能力的 AI 形态。而 Agentic AI 的出现，正好解决了这一难题。令人兴奋的是，随着技术的发展，Agent 概念正从 " 外挂知识库（RAG）" 的早期形态，向具备深度思考与决策能力的 "Agentic model" 的终局形态演进。

与早期 " 外挂知识库 " 形态不同，真正的 Agentic AI 具备三大核心能力：自主规划、工具调用，以及记忆与学习。例如，在财富规划场景中，Agent 可将 " 制定方案 " 拆解为风险评估、资产配置、产品推荐、收益预测等子任务，并调用内部系统与外部数据源执行；在信贷审批中，它能自动调用征信、流水查询与风控模型，并生成可追溯的决策链路；在反洗钱监测中，通过学习新的欺诈模式，提升识别准确率。

不过，Agentic AI 却也面临着 " 效率与成本 " 的双重挑战。一方面，大模型的训练与推理需要高昂的算力成本，对于中小金融机构而言难以承受；另一方面，金融业务场景繁多，每个场景的需求都不同，单一的大模型难以适配所有场景，导致应用效率低下。

事实上，阿里云对金融 AI 的布局，早已超越 " 工具化 " 阶段，指向了能够自主规划、决策与执行的 Agentic AI，并将其视为金融 AI 落地的 " 终局形态 "。

面对金融企业 Agentic model 落地挑战，阿里云基于自身在金融行业的实践经验，提出了 " 大飞轮 + 小飞轮 " 的协同架构。这一架构的核心逻辑是：大飞轮构建 " 通用智能能力 "，负责意图理解、任务规划与复杂决策；小飞轮通过垂直小模型构建 " 场景执行能力 "，负责具体场景的高效处理与数据积累；双飞轮两者形成协同效应，既降低了 AI 应用的成本，又提升了应用效率。

落到实际应用中，阿里云的 " 双飞轮 " 架构的解题思路是：针对金融行业细分岗位，采用 " 一个基础大模型与多个不同岗位的蒸馏小模型结合（MOA）" 的方式更匹配金融机构的实际情况。可以想见，未来金融机构需构建 " 大飞轮驱动意图理解、小飞轮落实执行 " 的双轮体系，实现从辅助到深度协同的跨越，真正让 AI 融入专业工作流。

与 " 双飞轮 " 架构带来技术范式革新匹配，" 生产级场景 " 的规模化落地更需要完整的解决方案构建一体化体系支撑。很多金融机构在 AI 落地过程中都会遇到 " 碎片化困境 "，例如，分别从不同来源采购大模型、数据治理工具、开发平台，拼接在一起，最终导致各个系统之间无法兼容，数据无法互通，AI 应用难以落地。

" 最好的服务商，给的不是散装零部件，而是一台能跑的车。" 阿里云认为。换言之，AI 时代，金融行业需要的解决方案是 " 全栈人工智能服务商 "，即能提供从底层算力、中间层模型与平台到上层应用的一体化解决方案的科技同行者。

中间层的模型与平台是全栈能力的核心。为此，阿里云不仅提供通义千问这样的通用大模型，还基于金融行业的特点推出了 " 通义点金 " 金融 AI 平台，从底层架构到应用场景全链路深度适配。基于深度垂直化能力，通义点金一并发布了五大开箱即用的垂直模型，构建了 " 合成－训练－评测－应用－迭代 " 的一站式金融垂直模型生产工厂，让 AI 从 " 通用能力 " 转变为 " 业务价值 "。

总体来看，该平台包含三大核心模块：一是金融垂类大模型，针对银行、证券、保险等不同领域的需求，进行了专门的微调与优化，内置了金融行业的专业术语、业务规则与风险模型；二是开发工具链，提供模型训练、推理优化、部署运维等全流程工具，降低金融机构的 AI 开发门槛；三是场景化解决方案，针对信贷审批、智能投顾、理赔定损等核心场景，提供开箱即用的解决方案，包含预训练模型、数据模板与业务流程。

目前，千问、万相及通义点金已深入金融业务的多个核心场景，从大型国有银行到保险、证券机构，均取得了显著的实践成果。例如，2025 年云栖大会上，工商银行分享其打造的 " 工银智涌 " 大模型技术体系，在 20 多个业务领域、400 多个场景实现端到端赋能，打造了上千个专业领域的智能体，累计调用量达 15 亿次，日均消耗 80 亿 token。此外，公开资料显示，国泰海通也与阿里云合作深化 AI 场景应用，围绕智能投研、智能投顾、智慧办公等方向，联合开发证券行业垂直大模型，同步优化客户服务体验与内部管理效能。

据了解，接入阿里云后，中小金融机构也能低成本获取先进 AI 能力。目前，已有九成的政策性银行及大型国有银行使用通义大模型，12 家股份制银行也已全部接入，国内规模排名前十的财险公司也都在使用通义大模型，他们普遍以通义大模型作为主力模型，支撑 70% 以上的 AI 应用场景。

金融进入 AI 原生时代 

金融 AI 正从外围辅助场景走向核心业务的渗透，从 " 云原生 " 走向 "AI 原生 "。" 从云原生分布式升级为 AI 原生的架构为 AI 落地提供了高可靠、可信赖的技术底座，例如 MCP 等工具可将原有核心能力（如风控、汇率计算）封装为 Agent 可调用的组件。随着 AI 智力不断提升，未来架构是‘人 +AI+ 系统’的深度协同。" 在张翅的预想中，未来三到五年，金融行业 IT 建设将从 " 系统建设 " 转向 " 智能增强 " 阶段，而这背后不仅仅是技术升级，更是一场涉及技术、组织、人才结构的深层次变革。在这其中，成功的 AI 实践的前提是：业务构建清晰可评判的 SOP（标准作业程序），组织需打破技术与业务壁垒，构建双飞轮技术范式，逐步迈向 Agentic AI。

阿里云作为这场变革的引领者，正通过 "AI 原生架构 " 的打造，与金融机构共同构建具备自主决策能力的 "AI 大脑 "，实现从 " 上云换心 " 到 " 用 AI 换脑 " 的跨越。

近年来，金融机构上云进程加速，诸如深农商、中华财险等一批金融机构核心系统迁移至阿里云，以阿里云为代表的云服务商提供了稳定、弹性且符合金融级要求的云底座，解决了 AI 规模化落地所需的算力、存储和安全合规问题，也为实现软硬一体的全栈 AI 能力和数据治理能力提供了基础。

IDC 发布的《中国金融云市场（2025 上半年）跟踪》显示，2025 上半年，中国金融云市场规模为 380.1 亿元人民币，同比增速恢复至 20.0%。其中阿里云在金融公有云基础设施份额为 43%、创历史新高，连续 7 年第一；同时蝉联中国金融云整体市场第一、收入同比增长 32%。

同时，大模型能力不断成熟，通义千问等国产大模型频繁在国际各类评测中领先，且自 2023 年云栖大会开始，面向垂直业务领域的行业模型在阿里云年度发布和合作成果中逐渐成为主力。阿里云全栈 AI 云正成为金融机构智能化升级的核心支撑，通义千问成为金融 AI 生产级场景里的主力模型。

从 " 上云换心 " 到 " 用 AI 换脑 "，过去十年，阿里云见证并推动了金融行业的 " 上云换心 " 革命。如今，当金融行业进入 " 用 AI 换脑 " 的新阶段，阿里云再次走在了前面，通过 Agentic AI 技术、双飞轮架构与全栈服务能力，帮助金融机构构建具备自主决策能力的 "AI 大脑 "。多年后回看，2025 年或许正是中国金融智能化变革的起点，而在这场变革中，阿里云不仅是见证者，更是主动的塑造者。（作者｜张申宇，编辑｜盖虹达）