它解决的是重复建设问题

AI 在金融业的应用已经从问答检索、报告生成走向更复杂的业务场景。但金融机构要把数据资产、业务系统和专业经验变成可用的智能体能力，仍需完成场景梳理、专家建模、工具接入和评测验证；每个场景都从零建设，成本高、周期长，也沉淀不下统一标准。Agentar 金融版的思路是把行业 know-how 与经过验证的方法标准化为 Skill、智能体专家和工具箱，金融机构在其上按需接入自身业务场景、知识库和数据资产。

预置了什么

  • 首批十大金融智能体专家团，覆盖智能投顾、财富管理、客户经营等核心场景；每个数字专家对应一个完整岗位角色，能理解业务目标、拆解任务并调度多个专业智能体协同执行
  • 底层搭载金融大模型、金融级可信 Harness 工程与超过 2000 项金融专属评测工具，覆盖专业性、合规性、准确性和执行质量等维度
  • 全链路安全可信机制：数据输入、任务执行和结果输出设置双向检查能力
  • 统一平台集中管理模型、智能体、Skill 和工具，数字专家已在银行、证券、保险机构的真实场景完成验证

官方披露的效果数据

以零售金融为例：客户经理或投顾通常要在多个系统里调取客户资产、交易行为和产品持有信息，再人工完成客群筛选、产品匹配与触达策略，流程分散、响应周期长。「数字客户经理」可协同客群洞察、产品匹配、策略生成等专业智能体生成个性化经营方案；原本跨角色、多环节协同的流程可压缩至当日完成。实际应用显示，相关方案帮助试点客群客户总资产规模提升 10%、客户活跃度提升 15%、服务客户数量提升 5 倍以上。

量级与边界

公开信息显示，蚂蚁数科已联合合作伙伴在金融场景打造超 300 个专业智能体，服务全部国有银行和股份制银行、超过 60% 的地方商业银行以及数百家金融机构。IDC 今年 7 月发布的《中国金融行业大模型平台、智能体应用及服务市场份额，2025》显示，2025 年该整体市场规模超 24 亿元，蚂蚁数科以 13.3% 份额位居第一。

需要留意的边界：10%、15%、5 倍均为蚂蚁数科披露的试点客群数据，样本范围与统计口径未公开；评测工具的数量也不等于评测质量，落地前应在自己的业务数据上做一轮对照。

金融智能体的竞争点正在从「能不能做出来」变成「能不能被量化评估和复用」。