對話螞蟻數科：打造商業智能體超級工廠，生態共建中國行業版Harness標準

7月17日，2026世界人工智能大會（WAIC）在上海開幕。作為36氪連續第三年深入WAIC現場的重要內容窗口，「氪話未來」直播間也在大會首日同步開啟現場對話。螞蟻數科副總裁、中國區業務發展部總經理孫磊在WAIC現場接受36氪「氪話未來」特邀專訪，圍繞商業智能體超級工廠、行業垂直大模型、AI工程化能力以及企業智能體落地等話題，分享了螞蟻數科面向企業智能化升級的最新實踐與思考。

本屆WAIC以“智能伙伴，共創未來”為主題。隨著人工智能產業進入應用深化階段，行業關注點正在從模型能力競爭逐步轉向應用價值創造。相比過去幾年圍繞參數規模、模型性能和技術突破的討論，2026年的AI產業正在更加關注一個核心問題：AI如何真正進入企業業務流程，如何降低應用門檻，如何通過實際業務結果創造價值。

在這一趨勢下，商業智能體正成為連接模型能力與企業應用的重要載體。對于企業而言，僅擁有通用大模型已經無法滿足復雜業務需求，更需要具備行業知識、業務理解和工程化能力的智能體系統，幫助AI真正落地到業務場景，實現從個人效率提升到組織協同升級。

螞蟻數科此次發布的"商業智能體超級工廠"，正是圍繞這一方向展開探索。作為承載“商業智能體超級工廠”的應用平臺，Agentar2.0首批預置近200個崗位級數字專家模板，并提供數百個可訂閱的Skills級開箱可用的智能體工具。企業可以根據具體崗位和經營需求，快速啟用具備專業知識、業務流程及工具調用能力的數字專家，無需從零起步。

對于企業級AI而言，真正決定落地效果的，不只是模型能力本身，更是行業理解、工程化能力與價值交付體系的持續建設。

以下為對談實錄，經36氪編輯：

36kr：孫總您好，能不能先介紹一下今年展位的主題？我看到一個關鍵詞叫“商業智能體超級工廠”，這個定位應該如何理解？

孫磊：今年我們發布的“商業智能體超級工廠”，核心定位是解決行業問題和場景問題。從去年到今年，整個AI的發展過程出現了非常大的變化。第一個變化，是AI已經從過去通用的問答模式，逐漸發展到今天真正能夠幫助用戶完成任務、解決問題的智能體階段。從這個角度來看，AI正在從通用場景進入垂直行業。第二個變化，是行業真正需要解決的是業務場景中的核心問題。只有智能體真正落到應用側，才能解決實際業務需求。第三個變化，是AI的發展目標已經從過去解決單個人效率提升的問題，進一步走向組織層面的進化。未來不僅是個人能力提升，更重要的是團隊與團隊之間、業務與業務之間如何通過智能體實現協同，讓整個組織實現智能化升級。

圍繞這些變化，我們結合螞蟻集團自身垂直大模型能力、行業場景經驗，以及20多年技術積累，將這些能力沉淀為標準化產品，對外提供服務。無論是大型企業還是中小企業，都能夠獲得與螞蟻集團類似的技術能力和產品能力，真正幫助產業實現智能化轉型。

36kr：我們知道螞蟻數科最早是在金融科技領域積累了大量經驗。金融行業對于安全、合規、穩定性的要求非常高。能不能總結一下，金融機構在擁抱Agent和AI轉型過程中有哪些核心顧慮？為什么你們的方案能夠解決這些問題？

孫磊：其實回到為什么推出“商業智能體超級工廠”，核心是希望解決幾個關鍵問題。第一個，是行業化的問題。我們認為未來AI一定會從通用場景走向垂直場景，而垂直場景需要結合行業數據，形成行業垂直大模型。如果只有通用大模型，沒有行業數據和專業能力支撐，就無法真正解決專業度和業務適配的問題。因此，我們商業智能體超級工廠和其他方案最大的區別之一，就是希望通過垂直大模型解決行業化問題。

第二個，是場景化的問題。今天如何把業務語言轉化為技術能力，讓AI真正服務業務，這是非常關鍵的一點。

螞蟻數科基于多年在金融、醫療、能源等領域的實踐經驗，將這些能力進一步工程化，形成可復制的解決方案，讓AI能夠真正落地到業務場景。

第三個，是生態化的問題。AI能力的開放一定需要結合行業生態。我們會將相關組件進行API化、簡單化，讓更多合作伙伴能夠快速接入，并圍繞自身行業優勢進行創新。所以，行業化、場景化、生態化，是我們商業智能體超級工廠區別于其他方案的三個核心方向。

回到金融行業，金融場景有幾個非常關鍵的問題。第一個是安全和合規問題。金融行業涉及監管要求，必須確保AI應用符合相關規范。螞蟻本身在金融、支付、財富管理和保險等金融場景中，也可以確保AI的合規問題。因此，沒有安全能力和風險控制體系，AI很難真正落地金融場景。寧愿不做，也不能犯錯。

第二個是專業度和幻覺問題。金融業務高度專業，AI必須能夠準確理解和回答專業問題。我們的智能體超級工廠有兩個重要工具，一個是行業的垂直大模型，一個是圍繞著業務場景的工程化能力，把這兩個能力相結合才能更加貼合實際場景。因此，我們通過行業垂直大模型結合業務工程化能力，提高模型專業水平。

第三個，是效果驗證問題。金融機構過去在信息化、數字化方面投入巨大，因此在AI轉型過程中會關注投入之后如何體現價值，如何驗證ROI。

針對這一點，螞蟻數科提出“價值交付、效果付費”的理念。所謂價值交付，就是驗證智能體是否真正具備專業能力。我們主要通過兩個維度衡量：第一，是回答的準確率。例如用戶咨詢保險問題，智能體是否能夠準確回答保險相關內容，而不是泛泛回答其他金融問題。圍繞剛才講的垂直大模型，目前我們在專業場景中的回答準確率基本可以達到90%-95%以上。第二，是勝合率。也就是讓專業人員和智能體回答同一個問題，比較兩者結果的一致程度。目前在相關場景中，我們可以達到85%以上。這也是螞蟻集團在財富、保險、基金相關的場景中對自己的要求。

除此之外，效果付費則是在實際業務中驗證AI創造的價值。例如在營銷場景中是否提升轉化效率，在風控場景中是否降低風險。因此，在金融領域，安全、專業度以及效果驗證是三個最重要的問題：必須要符合監管和國家的要求；一定要有行業的垂直大模型；有可見的效果交付。螞蟻希望圍繞這些問題，結合自身最佳實踐逐一解決。

36kr：最近我們看到螞蟻數科正在拓展金融之外的行業。除了金融之外，目前重點布局哪些行業？這些行業有什么共同特點？另外，在技術泛化過程中遇到了哪些挑戰，又是如何解決的？

孫磊：其實還是圍繞剛才提到的幾個核心方向：行業、業務場景以及安全。除互聯網行業之外，很多傳統行業在從數字化走向AI化、智能化過程中，面臨著一些共同問題。我們希望將過去在金融領域沉淀的能力復用到更多行業。

第一個關鍵點，是數據底層治理。行業垂直大模型最重要的基礎就是底層數據，包括外部數據和企業內部數據。我們的方式是結合自身具備的外部數據能力，再融合企業業務數據，形成適用于具體行業的垂直模型。因此，在服務其他行業時，數據治理能力非常重要。如果底層數據沒有經過整理和治理，就無法支撐垂直場景模型。金融行業過去數字化程度較高，而制造、醫療、工業等行業的數據基礎相對復雜。因此，我們的智能體超級工廠也包含數據治理工具和相關能力，幫助企業完成基礎建設。

第二個關鍵點，是業務場景結合能力，也就是工程化能力。目前海外提出了Harness概念，本質上是如何將模型能力工程化落地。我們希望打造符合中國行業特點的行業版Harness，這也是商業智能體超級工廠的重要壁壘。關于Harness的能力該如何在各行各業里運用，我舉個例子，在金融場景中，原本有一個‘三車間’的邏輯。但在Harness中，我們形成了“四車間”邏輯，包括意圖識別、策劃、執行和表達。其中意圖識別非常重要。用戶提出保險相關問題，但真正需求可能是資產配置、財富管理或者產品組合推薦。因此，需要先理解用戶真實意圖，再完成后續服務。不同領域對于工程化能力的要求不同。例如能源、醫療等行業，可能需要不同顆粒度的流程設計。未來，我們希望沉淀符合中國市場特點的行業Harness，這是我們智能體超級工廠的目標。目前，我們也已經在金融、醫療、能源、出行、交通，航空等領域積累了一些能力。

第三個關鍵點，是安全能力。不同產業對于安全的關注點不同。金融行業更多關注監管合規，而制造業可能關注生產安全，能源行業則可能關注預測準確性。例如光伏領域，我們通過時序大模型結合天氣、現場情況等因素，實現發電量預測。因此，安全能力需要結合不同產業特點進行適配。

第四個關鍵點，是效果驗證。我們在金融和醫療領域已經有較成熟的價值驗證體系，但在其他行業仍處于探索階段。未來，我們會持續與合作伙伴共同完善效果評估標準，讓行業能夠真正看到AI投入后的價值。

36kr：最后一個問題，能不能提前預告一下，未來6到12個月螞蟻數科重點發展的方向？WAIC之后，大家可以期待看到哪些動作？

孫磊：未來6到12個月，大家可以重點關注幾個方向。第一，是行業垂直大模型以及智能體矩陣的持續豐富。目前我們已經在金融、醫療、能源、出行等領域形成了一些能力。未來，對于我們擅長、有數據積累的領域，會進一步標準化產品輸出；對于其他行業，也會與合作伙伴共同打造行業垂直大模型和智能體。

第二，是中國行業版Harness能力的開放。未來，我們會進一步梳理各行業工程化能力，并形成標準化方法論。例如金融領域已經形成“四車間”模式，包括意圖識別、策劃、執行和表達。未來，在能源、醫療等行業，我們也會與生態伙伴一起探索對應的行業版Harness，并逐步開放相關能力。

第三，是評測體系的持續完善。我們有非常完整的評測體系，目前，在部分銀行客戶項目中，我們已經進行了多輪評測驗證。例如某頭部城商行項目，我們進行了28輪評測。未來，我們會持續更新和豐富評測體系，通過更加科學的方式驗證AI是否真正實現價值交付、效果付費。此外，平臺能力和工具能力也會持續發布。最終，我們希望通過行業大模型、工程化能力以及評測體系建設，讓智能體真正服務產業，實現價值落地。