4月2日，2026金融AI联盟大会在杭州举行。会上，金融AI联盟完成新一轮升级，并为百余家合作伙伴进行了全新授牌认证。同时，阿里云联合生态伙伴共同启动了“超级智能体计划”，意在围绕金融通用智能体打开更大规模的市场空间。
同日，全球知名咨询公司沙利文（Frost Sullivan）发布《中国金融智能体市场追踪2025年度报告》。报告显示，阿里云以32.4%的市场份额位列行业第一，份额超过第二名和第三名总和。沙利文在会议现场披露，2025年中国金融智能体市场规模达到9.5亿元，同比增长120%，预计到2030年将突破200亿元。
这些数字背后，不只是市场热度的体现，更意味着金融AI应用的重心发生了变化：从边缘场景的试点，进入了更核心、更复杂的业务环节。对金融机构而言，真正要解决的问题变为是否具备一套能支撑长期演进的智能化底座。
这也是阿里云这次在会上重点释放的信息。相比单一场景的能力展示，它更想强调的是一套“金融智能体通用架构”。以“通用性”与“自主性”为核心要素，摆脱对僵化SOP和固定Workflow的依赖。
金融AI的“三级跳”与SOP的局限
金融机构的IT底座演进，向来是技术变革的绝佳观测站。在AI原生（AI Native）时代，这种演进不同于简单堆砌算力，而是系统架构与交互逻辑的重构。
“AI对金融机构的渗透，绝不能只停留在原有系统上的‘锦上添花’，而是要创造‘从0到1’的不可替代价值。未来的AI就是IT，甚至云本身都已经成为AI的组成部分。”阿里云智能集团资深副总裁刘伟光在大会上抛出的这一论断，指明了这场技术变革的底层逻辑。
回顾过去几年，金融行业的AI落地经历了“三级跳”的演进路径。
在第一阶段，金融机构针对信息检索效率低下的问题，进行了大量的数据治理工作。之后，随着业务需求的深化，行业在过去两年步入了第二阶段——Workflow（工作流）时期。在这一阶段，金融机构开始将AI与具体业务深度融合，典型的应用包括车险的核保理赔、商业银行的信贷审批等。
但Workflow架构很快暴露出严重的局限性。以头部保险公司的车险理赔场景为例，在有专业技术团队参与的情况下，端到端的交付周期依然长达3到4个月，其中仅梳理复杂的If-Then-Else业务分支逻辑就需要耗费近一个月的时间。
这种高度依赖固定流程的架构面临两大痛点：首先是“全行统一”带来的僵化，例如太平洋保险（太保）、中国人保与众安保险的理赔规则与反欺诈逻辑各不相同，甚至同一保险公司在不同省份的分支机构也存在差异化的流程诉求，固化的SOP难以满足个性化需求。
其次是应对变化的成本极高，一旦业务规则微调或管理层更迭导致偏好变化，整个AI系统便面临推翻重做。更为致命的是，将沉淀了20年的传统理赔流程强加于大模型，实际上是在削减和限制模型的内生智能，使其沦为固定流程的机械执行者。
自去年下半年起，行业迈入第三阶段。以Agent Loop为核心的通用智能体架构开始席卷金融业。在这一架构下，系统不再死板地规定极其细致的执行步骤，而是仅设定明确的输入与输出目标。面对海量的三方工具与接口，大模型能够在循环（Loop）中自主决策路径、不断尝试并进行错误修正，直到得出令用户满意的结果才退出循环。
正如阿里云智能集团新金融解决方案总经理郑淼所引用的某银行副行长的话：“人人一助手，客客一管家”。这意味着，金融行业正走向深度人机协同，未来每一个员工都能拥有提供差异化赋能的AI助手，每一个客户都能获得专属的个性化AI管家服务。
拆解阿里云“金融智能体通用架构”
为了让这种变化真正落地，阿里云在本次大会上首次发布了“金融智能体通用架构”原型，从前端的交互方式到后端的底层集成，都进行了一次深度的重构与突破。
在前端交互方面，传统的金融APP或业务系统多采用“九宫格”式的功能按键，用户必须通过明确的点击路径寻找相应的服务功能。而在AI原生形态下，界面被极度简化为一个基于大意图理解的“超级框”。
无论用户的诉求是银证转账、跨行汇款，还是查询特定的理财产品，只需在单一输入框内用自然语言表达。系统通过复杂的意图识别与上下文关联，精准理解并改写用户需求，进而完成后续复杂的路径规划与API调用。
在底层集成方面，阿里云基于其开源的AgentScope框架，将其升级为满足金融级严苛要求的企业级运行底座。该架构内置了金融安全大模型，以保障金融数据出海与业务出口的绝对合规；集成了长短期记忆模块，使得Agent能够跨周期记住用户的操作癖好与历史沉淀（例如一年前的投研框架偏好）；并完善了文件召回机制与MCP（模型上下文协议）三方工具调用。
此外，针对金融机构尤为关注的运行态（Runtime）非功能性需求——如端到端时延、各类可观测性指标、系统故障后的快速拉起与业务连续性保障，该架构进行了全面加固，极大降低了金融机构“手搓”Agent的技术门槛与试错成本。
沙利文的评估报告从侧面印证了这一架构的实力。在对中国金融智能体市场的竞争力评估中，沙利文从平台全栈、多智能体协同、自适应学习、任务闭环、工具编排、业务覆盖及市场拓展七大维度进行系统性评分，阿里云是唯一在全部七个维度均处于领先位置的厂商。
从打通“芯片-云-模型-应用”的垂直整合能力，到通义千问（Qwen）系列模型首创的“快慢思考”混合推理技术，再到覆盖100%国有及股份制银行的市场拓展能力，阿里云展现了从技术底层到商业落地的全方位能力。
为何纯低代码在金融级应用中“失宠”？
在智能体构建工具的选择上，行业曾一度寄希望于低代码（Low-Code）甚至零代码平台，试图通过可视化拖拽来解决开发效率问题。然而，在真实的金融级应用场景中，纯低码平台正面临被边缘化的尴尬处境。
其核心症结在于难以逾越的性能瓶颈。在深度投研、复杂信审等长流程场景中，低代码平台生成的模块串联往往依赖平台层的中间态转换与调用。这种节点间的启动与调度开销，根本无法满足金融机构对极速响应的严苛要求。
若理财经理在前端发起一个复杂的资产穿透分析请求，需要等待数分钟才能获得低码平台的响应流，其业务价值将大打折扣。这种性能瓶颈引发了AI开发范式的两极分化——“极左与极右的胜利”。
在“极右”端（企业级核心应用），金融机构坚定地倾向于采用高代码框架。通过高码开发，架构师可以精准掌控系统的性能、容量分布、并发调度及各类非功能性指标，满足Mission Critical（关键任务）级别的稳定性与安全性要求。
在“极左”端（部门级或个人级应用），随着Agentic Coding（智能体编程）的爆发，业务人员不再需要依赖低码平台的“画布拖拽”与繁琐的节点输入输出白屏配置。
借助AI Coding工具（如Vibe coding机制），业务人员只需用自然语言撰写业务需求说明书，大模型便能直接生成底层的高质量代码，甚至自动完成架构Wiki的构建与逻辑重构。这种从自然语言直达可执行代码的高低码自由转换架构，使得中间态的纯低代码场景被大幅压缩，成为不可逆转的技术趋势。
Agent的自进化与“错题本”机制
传统IT系统最大的脆弱性在于其规则的静态性，难以应对复杂多变、充满长尾异常的真实商业环境。而在阿里云构建的通用智能体体系中，Agent具备了类似于人类“错题本”的自进化能力。
阿里云通义点金就展现了这种自我演进与修复机制。在对公业务的信审场景中，客户经理常常需要上传大量复杂的证件、合同及物料材料进行OCR识别与信息提取。如果大模型在白天的实景应用中识别出现偏差（例如，未能准确识别公章底部模糊的特定公司名称中文字符），用户只需在前端向Agent反馈纠正。
传统系统面对此类错误，通常需要等待下一个版本周期的代码级修复。但在通义点金的框架内，Agent会将这些反馈作为高价值的“错题”记录在案。在夜间系统闲时，智能体能够根据记录的负向反馈，自主在全网或知识库中搜集类似特征的图片数据，进行自我生成、数据增强与验证评测，并驱动底层模型完成轻量级的微调（Fine-tuning）。当次日用户再次面临类似盖章文件或长尾异常场景时，系统的识别准确率便会显著提升。
这种彻底规避死板规则、突破大模型静态局限、实现隔日纠错的“自进化”能力，正是阿里云智能体底座最深厚的技术壁垒之一。
架构的先进性最终必须通过极端场景的压测与商业生态的繁荣来验证。面对动辄亿级并发的国民级应用场景，大模型的工程化落地面临着“高并发、低延迟、强合规”的极限挑战。在蚂蚁“五福”项目中，阿里云通义点金交出了一份教科书级别的工程化答卷。
面对C端1500 QPS的高并发，通义点金采用多Agent并行流水线为执行引擎，通过QPS级分布式限流与双桶调度实现算力精准配给。其VLM并行推理管线将图片与视频的检测延迟压至百毫秒内，统一编排层更支持模型热切换与灰度发布，最终驱动万卡GPU集群稳定产出。
这套体系化的工程实践，不仅验证了阿里云在算力调度层面的硬核功底，也意味着具备自主决策、弹性伸缩与故障自愈能力的企业级LLM Agent系统已经成熟，具备了承载金融行业最为核心的C端高频交易与交互场景的底气。
Agentic Coding时代，SaaS与ISV的自救指南
技术的跃迁必然带来商业模式的重构。在AI Coding与通用智能体大行其道的今天，传统金融SaaS软件厂商与ISV（独立软件开发商）正面临前所未有的生存危机。
过去，ISV的商业模式高度依赖于密集的人力堆砌外包，或是死磕长周期的定制化开发（定开）代码以获取高额的服务人天费用。“一单吃很久”的传统模式，在金融机构年轻业务团队能够利用AI原生工具快速输出代码的今天，显然已难以为继。
破局需要一个深度的认知转换。阿里云智能集团副总裁、新金融行业总经理张翅在大会上明确指出，依托超级智能体计划，合作伙伴需要从单一的“功能模块提供商”，全面转型为“高价值的AI能力提供商”。
实际上，真正懂行业Know-How的ISV是无可替代的。他们不仅服务于单一银行，而是汇聚了数十家甚至上百家不同金融机构的业务诉求。通过深度引入AI Coding工具，ISV可以大幅降低标准化产品之上的定制化开发成本与周期，使得过去繁重的代码维护工作变得轻盈高效。
Qoder/灵码创始人丁宇更是将这一趋势总结为“Vibe Working”的兴起。当Coding Agent突破了单纯的代码边界，开始接管浏览器、调用MCP并连接各种既有工作流时，它实际上已经演变成了一个通用智能体。这意味着AI正在从“服务于开发者”，向“服务于每一个金融白领的日常工作节点”发生质的跃迁。
在这场角逐中，生存的法则异常残酷却又无比清晰：市场比拼的不再是绝对的代码壁垒，而是速度。只要ISV能够利用AI工具，保持比商业银行内部科技部门开发“快3到6个月”的时效优势，其商业闭环就依然坚不可摧。
为了支持这种生态跃迁，阿里云改变了过去单纯向转售分销伙伴派发“算力代金券”的粗暴模式，转而为技术型伙伴提供更为深度的非传统赋能方案。
正如阿里云负责金融生态的总经理观成所介绍，对于有转型意愿的ISV，阿里云不仅提供专属的技术项目组进行陪伴式的底层架构建设与选型支持，为联合解决方案的建设提供必需的基础算力和Token调用支持，还在通义千问APP、百炼应用市场以及云市场为成熟的AI Native产品预留宝贵的商业化流量席位。
通过“MaaS底座 + Skill工程化 + 高低代码自由转换”的立体赋能，阿里云正携手伙伴从“纯卖算力”走向“真实的双赢共创”。张翅强调，这种全新的生态体系已构建起“MaaS伙伴+Agent伙伴+全栈AI服务伙伴”的三维格局，正全面打通从智能尽调、智能客服到智能投研、智能审计的全场景应用。
构建金融最强“智能体中枢”
回看金融AI联盟过去几年的变化，从“去IOE”、到数据智能、再到今天全面拥抱通用智能体，背后反映的是金融行业技术重心的不断迁移。仅过去一年，该联盟就开展了超300场技术共创，成功落地150多个项目，服务百余家客户。这一系列数据，昭示了一个不可逆转的行业大势：金融AI已经告别了早期的“边缘尝鲜期”与概念验证阶段。
阿里云智能集团副总裁张翅披露的一组数据：仅在过去一年，就有31家金融机构将最严苛的核心业务系统搬上阿里云。这种建立在分布式架构与云原生时代的深度互信，是今天金融机构敢于向AI原生时代与“Agent元年”全速冲刺的基石。
拥有自进化感知能力、能够进行复杂任务闭环的通用智能体，正在全面重塑金融信贷、投顾、风控等核心业务的服务底座，成为金融机构在数字化下半场中不可或缺的“新型生产力基础设施”。
在这一变化下，阿里云也交出了应对变局的底牌——以“通用性”“自主性”以及“充分发挥模型内生能力”为三大核心构建的全新IT架构。正如郑淼在大会所言：“未来的赢家，属于拥有最强智能体中枢的组织”。而对于所有身处其间的金融机构与技术从业者而言，拥抱这一由通用智能体驱动的变革，已成为决定未来生存的关键。
4月2日，2026金融AI联盟大会在杭州举行。会上，金融AI联盟完成新一轮升级，并为百余家合作伙伴进行了全新授牌认证。同时，阿里云联合生态伙伴共同启动了“超级智能体计划”，意在围绕金融通用智能体打开更大规模的市场空间。
同日，全球知名咨询公司沙利文（Frost Sullivan）发布《中国金融智能体市场追踪2025年度报告》。报告显示，阿里云以32.4%的市场份额位列行业第一，份额超过第二名和第三名总和。沙利文在会议现场披露，2025年中国金融智能体市场规模达到9.5亿元，同比增长120%，预计到2030年将突破200亿元。
这些数字背后，不只是市场热度的体现，更意味着金融AI应用的重心发生了变化：从边缘场景的试点，进入了更核心、更复杂的业务环节。对金融机构而言，真正要解决的问题变为是否具备一套能支撑长期演进的智能化底座。
这也是阿里云这次在会上重点释放的信息。相比单一场景的能力展示，它更想强调的是一套“金融智能体通用架构”。以“通用性”与“自主性”为核心要素，摆脱对僵化SOP和固定Workflow的依赖。
金融AI的“三级跳”与SOP的局限
金融机构的IT底座演进，向来是技术变革的绝佳观测站。在AI原生（AI Native）时代，这种演进不同于简单堆砌算力，而是系统架构与交互逻辑的重构。
“AI对金融机构的渗透，绝不能只停留在原有系统上的‘锦上添花’，而是要创造‘从0到1’的不可替代价值。未来的AI就是IT，甚至云本身都已经成为AI的组成部分。”阿里云智能集团资深副总裁刘伟光在大会上抛出的这一论断，指明了这场技术变革的底层逻辑。
回顾过去几年，金融行业的AI落地经历了“三级跳”的演进路径。
在第一阶段，金融机构针对信息检索效率低下的问题，进行了大量的数据治理工作。之后，随着业务需求的深化，行业在过去两年步入了第二阶段——Workflow（工作流）时期。在这一阶段，金融机构开始将AI与具体业务深度融合，典型的应用包括车险的核保理赔、商业银行的信贷审批等。
但Workflow架构很快暴露出严重的局限性。以头部保险公司的车险理赔场景为例，在有专业技术团队参与的情况下，端到端的交付周期依然长达3到4个月，其中仅梳理复杂的If-Then-Else业务分支逻辑就需要耗费近一个月的时间。
这种高度依赖固定流程的架构面临两大痛点：首先是“全行统一”带来的僵化，例如太平洋保险（太保）、中国人保与众安保险的理赔规则与反欺诈逻辑各不相同，甚至同一保险公司在不同省份的分支机构也存在差异化的流程诉求，固化的SOP难以满足个性化需求。
其次是应对变化的成本极高，一旦业务规则微调或管理层更迭导致偏好变化，整个AI系统便面临推翻重做。更为致命的是，将沉淀了20年的传统理赔流程强加于大模型，实际上是在削减和限制模型的内生智能，使其沦为固定流程的机械执行者。
自去年下半年起，行业迈入第三阶段。以Agent Loop为核心的通用智能体架构开始席卷金融业。在这一架构下，系统不再死板地规定极其细致的执行步骤，而是仅设定明确的输入与输出目标。面对海量的三方工具与接口，大模型能够在循环（Loop）中自主决策路径、不断尝试并进行错误修正，直到得出令用户满意的结果才退出循环。
正如阿里云智能集团新金融解决方案总经理郑淼所引用的某银行副行长的话：“人人一助手，客客一管家”。这意味着，金融行业正走向深度人机协同，未来每一个员工都能拥有提供差异化赋能的AI助手，每一个客户都能获得专属的个性化AI管家服务。
拆解阿里云“金融智能体通用架构”
为了让这种变化真正落地，阿里云在本次大会上首次发布了“金融智能体通用架构”原型，从前端的交互方式到后端的底层集成，都进行了一次深度的重构与突破。
在前端交互方面，传统的金融APP或业务系统多采用“九宫格”式的功能按键，用户必须通过明确的点击路径寻找相应的服务功能。而在AI原生形态下，界面被极度简化为一个基于大意图理解的“超级框”。
无论用户的诉求是银证转账、跨行汇款，还是查询特定的理财产品，只需在单一输入框内用自然语言表达。系统通过复杂的意图识别与上下文关联，精准理解并改写用户需求，进而完成后续复杂的路径规划与API调用。
在底层集成方面，阿里云基于其开源的AgentScope框架，将其升级为满足金融级严苛要求的企业级运行底座。该架构内置了金融安全大模型，以保障金融数据出海与业务出口的绝对合规；集成了长短期记忆模块，使得Agent能够跨周期记住用户的操作癖好与历史沉淀（例如一年前的投研框架偏好）；并完善了文件召回机制与MCP（模型上下文协议）三方工具调用。
此外，针对金融机构尤为关注的运行态（Runtime）非功能性需求——如端到端时延、各类可观测性指标、系统故障后的快速拉起与业务连续性保障，该架构进行了全面加固，极大降低了金融机构“手搓”Agent的技术门槛与试错成本。
沙利文的评估报告从侧面印证了这一架构的实力。在对中国金融智能体市场的竞争力评估中，沙利文从平台全栈、多智能体协同、自适应学习、任务闭环、工具编排、业务覆盖及市场拓展七大维度进行系统性评分，阿里云是唯一在全部七个维度均处于领先位置的厂商。
从打通“芯片-云-模型-应用”的垂直整合能力，到通义千问（Qwen）系列模型首创的“快慢思考”混合推理技术，再到覆盖100%国有及股份制银行的市场拓展能力，阿里云展现了从技术底层到商业落地的全方位能力。
为何纯低代码在金融级应用中“失宠”？
在智能体构建工具的选择上，行业曾一度寄希望于低代码（Low-Code）甚至零代码平台，试图通过可视化拖拽来解决开发效率问题。然而，在真实的金融级应用场景中，纯低码平台正面临被边缘化的尴尬处境。
其核心症结在于难以逾越的性能瓶颈。在深度投研、复杂信审等长流程场景中，低代码平台生成的模块串联往往依赖平台层的中间态转换与调用。这种节点间的启动与调度开销，根本无法满足金融机构对极速响应的严苛要求。
若理财经理在前端发起一个复杂的资产穿透分析请求，需要等待数分钟才能获得低码平台的响应流，其业务价值将大打折扣。这种性能瓶颈引发了AI开发范式的两极分化——“极左与极右的胜利”。
在“极右”端（企业级核心应用），金融机构坚定地倾向于采用高代码框架。通过高码开发，架构师可以精准掌控系统的性能、容量分布、并发调度及各类非功能性指标，满足Mission Critical（关键任务）级别的稳定性与安全性要求。
在“极左”端（部门级或个人级应用），随着Agentic Coding（智能体编程）的爆发，业务人员不再需要依赖低码平台的“画布拖拽”与繁琐的节点输入输出白屏配置。
借助AI Coding工具（如Vibe coding机制），业务人员只需用自然语言撰写业务需求说明书，大模型便能直接生成底层的高质量代码，甚至自动完成架构Wiki的构建与逻辑重构。这种从自然语言直达可执行代码的高低码自由转换架构，使得中间态的纯低代码场景被大幅压缩，成为不可逆转的技术趋势。
Agent的自进化与“错题本”机制
传统IT系统最大的脆弱性在于其规则的静态性，难以应对复杂多变、充满长尾异常的真实商业环境。而在阿里云构建的通用智能体体系中，Agent具备了类似于人类“错题本”的自进化能力。
阿里云通义点金就展现了这种自我演进与修复机制。在对公业务的信审场景中，客户经理常常需要上传大量复杂的证件、合同及物料材料进行OCR识别与信息提取。如果大模型在白天的实景应用中识别出现偏差（例如，未能准确识别公章底部模糊的特定公司名称中文字符），用户只需在前端向Agent反馈纠正。
传统系统面对此类错误，通常需要等待下一个版本周期的代码级修复。但在通义点金的框架内，Agent会将这些反馈作为高价值的“错题”记录在案。在夜间系统闲时，智能体能够根据记录的负向反馈，自主在全网或知识库中搜集类似特征的图片数据，进行自我生成、数据增强与验证评测，并驱动底层模型完成轻量级的微调（Fine-tuning）。当次日用户再次面临类似盖章文件或长尾异常场景时，系统的识别准确率便会显著提升。
这种彻底规避死板规则、突破大模型静态局限、实现隔日纠错的“自进化”能力，正是阿里云智能体底座最深厚的技术壁垒之一。
架构的先进性最终必须通过极端场景的压测与商业生态的繁荣来验证。面对动辄亿级并发的国民级应用场景，大模型的工程化落地面临着“高并发、低延迟、强合规”的极限挑战。在蚂蚁“五福”项目中，阿里云通义点金交出了一份教科书级别的工程化答卷。
面对C端1500 QPS的高并发，通义点金采用多Agent并行流水线为执行引擎，通过QPS级分布式限流与双桶调度实现算力精准配给。其VLM并行推理管线将图片与视频的检测延迟压至百毫秒内，统一编排层更支持模型热切换与灰度发布，最终驱动万卡GPU集群稳定产出。
这套体系化的工程实践，不仅验证了阿里云在算力调度层面的硬核功底，也意味着具备自主决策、弹性伸缩与故障自愈能力的企业级LLM Agent系统已经成熟，具备了承载金融行业最为核心的C端高频交易与交互场景的底气。
Agentic Coding时代，SaaS与ISV的自救指南
技术的跃迁必然带来商业模式的重构。在AI Coding与通用智能体大行其道的今天，传统金融SaaS软件厂商与ISV（独立软件开发商）正面临前所未有的生存危机。
过去，ISV的商业模式高度依赖于密集的人力堆砌外包，或是死磕长周期的定制化开发（定开）代码以获取高额的服务人天费用。“一单吃很久”的传统模式，在金融机构年轻业务团队能够利用AI原生工具快速输出代码的今天，显然已难以为继。
破局需要一个深度的认知转换。阿里云智能集团副总裁、新金融行业总经理张翅在大会上明确指出，依托超级智能体计划，合作伙伴需要从单一的“功能模块提供商”，全面转型为“高价值的AI能力提供商”。
实际上，真正懂行业Know-How的ISV是无可替代的。他们不仅服务于单一银行，而是汇聚了数十家甚至上百家不同金融机构的业务诉求。通过深度引入AI Coding工具，ISV可以大幅降低标准化产品之上的定制化开发成本与周期，使得过去繁重的代码维护工作变得轻盈高效。
Qoder/灵码创始人丁宇更是将这一趋势总结为“Vibe Working”的兴起。当Coding Agent突破了单纯的代码边界，开始接管浏览器、调用MCP并连接各种既有工作流时，它实际上已经演变成了一个通用智能体。这意味着AI正在从“服务于开发者”，向“服务于每一个金融白领的日常工作节点”发生质的跃迁。
在这场角逐中，生存的法则异常残酷却又无比清晰：市场比拼的不再是绝对的代码壁垒，而是速度。只要ISV能够利用AI工具，保持比商业银行内部科技部门开发“快3到6个月”的时效优势，其商业闭环就依然坚不可摧。
为了支持这种生态跃迁，阿里云改变了过去单纯向转售分销伙伴派发“算力代金券”的粗暴模式，转而为技术型伙伴提供更为深度的非传统赋能方案。
正如阿里云负责金融生态的总经理观成所介绍，对于有转型意愿的ISV，阿里云不仅提供专属的技术项目组进行陪伴式的底层架构建设与选型支持，为联合解决方案的建设提供必需的基础算力和Token调用支持，还在通义千问APP、百炼应用市场以及云市场为成熟的AI Native产品预留宝贵的商业化流量席位。
通过“MaaS底座 + Skill工程化 + 高低代码自由转换”的立体赋能，阿里云正携手伙伴从“纯卖算力”走向“真实的双赢共创”。张翅强调，这种全新的生态体系已构建起“MaaS伙伴+Agent伙伴+全栈AI服务伙伴”的三维格局，正全面打通从智能尽调、智能客服到智能投研、智能审计的全场景应用。
构建金融最强“智能体中枢”
回看金融AI联盟过去几年的变化，从“去IOE”、到数据智能、再到今天全面拥抱通用智能体，背后反映的是金融行业技术重心的不断迁移。仅过去一年，该联盟就开展了超300场技术共创，成功落地150多个项目，服务百余家客户。这一系列数据，昭示了一个不可逆转的行业大势：金融AI已经告别了早期的“边缘尝鲜期”与概念验证阶段。
阿里云智能集团副总裁张翅披露的一组数据：仅在过去一年，就有31家金融机构将最严苛的核心业务系统搬上阿里云。这种建立在分布式架构与云原生时代的深度互信，是今天金融机构敢于向AI原生时代与“Agent元年”全速冲刺的基石。
拥有自进化感知能力、能够进行复杂任务闭环的通用智能体，正在全面重塑金融信贷、投顾、风控等核心业务的服务底座，成为金融机构在数字化下半场中不可或缺的“新型生产力基础设施”。
在这一变化下，阿里云也交出了应对变局的底牌——以“通用性”“自主性”以及“充分发挥模型内生能力”为三大核心构建的全新IT架构。正如郑淼在大会所言：“未来的赢家，属于拥有最强智能体中枢的组织”。而对于所有身处其间的金融机构与技术从业者而言，拥抱这一由通用智能体驱动的变革，已成为决定未来生存的关键。
