7月17日，2026世界人工智能大会（WAIC）在上海开幕。作为36氪连续第三年深入WAIC现场的重要内容窗口，「氪话未来」直播间也在大会首日同步开启现场对话。蚂蚁数科副总裁、中国区业务发展部总经理孙磊在WAIC现场接受36氪「氪话未来」特邀专访，围绕商业智能体超级工厂、行业垂直大模型、AI工程化能力以及企业智能体落地等话题，分享了蚂蚁数科面向企业智能化升级的最新实践与思考。 本届WAIC以“智能伙伴，共创未来”为主题。随着人工智能产业进入应用深化阶段，行业关注点正在从模型能力竞争逐步转向应用价值创造。相比过去几年围绕参数规模、模型性能和技术突破的讨论，2026年的AI产业正在更加关注一个核心问题：AI如何真正进入企业业务流程，如何降低应用门槛，如何通过实际业务结果创造价值。 在这一趋势下，商业智能体正成为连接模型能力与企业应用的重要载体。对于企业而言，仅拥有通用大模型已经无法满足复杂业务需求，更需要具备行业知识、业务理解和工程化能力的智能体系统，帮助AI真正落地到业务场景，实现从个人效率提升到组织协同升级。 蚂蚁数科此次发布的"商业智能体超级工厂"，正是围绕这一方向展开探索。作为承载“商业智能体超级工厂”的应用平台，Agentar2.0首批预置近200个岗位级数字专家模板，并提供数百个可订阅的Skills级开箱可用的智能体工具。企业可以根据具体岗位和经营需求，快速启用具备专业知识、业务流程及工具调用能力的数字专家，无需从零起步。 对于企业级AI而言，真正决定落地效果的，不只是模型能力本身，更是行业理解、工程化能力与价值交付体系的持续建设。 以下为对谈实录，经36氪编辑： 36kr：孙总您好，能不能先介绍一下今年展位的主题？我看到一个关键词叫“商业智能体超级工厂”，这个定位应该如何理解？ 孙磊：今年我们发布的“商业智能体超级工厂”，核心定位是解决行业问题和场景问题。从去年到今年，整个AI的发展过程出现了非常大的变化。第一个变化，是AI已经从过去通用的问答模式，逐渐发展到今天真正能够帮助用户完成任务、解决问题的智能体阶段。从这个角度来看，AI正在从通用场景进入垂直行业。第二个变化，是行业真正需要解决的是业务场景中的核心问题。只有智能体真正落到应用侧，才能解决实际业务需求。第三个变化，是AI的发展目标已经从过去解决单个人效率提升的问题，进一步走向组织层面的进化。未来不仅是个人能力提升，更重要的是团队与团队之间、业务与业务之间如何通过智能体实现协同，让整个组织实现智能化升级。 围绕这些变化，我们结合蚂蚁集团自身垂直大模型能力、行业场景经验，以及20多年技术积累，将这些能力沉淀为标准化产品，对外提供服务。无论是大型企业还是中小企业，都能够获得与蚂蚁集团类似的技术能力和产品能力，真正帮助产业实现智能化转型。 36kr：我们知道蚂蚁数科最早是在金融科技领域积累了大量经验。金融行业对于安全、合规、稳定性的要求非常高。能不能总结一下，金融机构在拥抱Agent和AI转型过程中有哪些核心顾虑？为什么你们的方案能够解决这些问题？ 孙磊：其实回到为什么推出“商业智能体超级工厂”，核心是希望解决几个关键问题。第一个，是行业化的问题。我们认为未来AI一定会从通用场景走向垂直场景，而垂直场景需要结合行业数据，形成行业垂直大模型。如果只有通用大模型，没有行业数据和专业能力支撑，就无法真正解决专业度和业务适配的问题。因此，我们商业智能体超级工厂和其他方案最大的区别之一，就是希望通过垂直大模型解决行业化问题。 第二个，是场景化的问题。今天如何把业务语言转化为技术能力，让AI真正服务业务，这是非常关键的一点。 蚂蚁数科基于多年在金融、医疗、能源等领域的实践经验，将这些能力进一步工程化，形成可复制的解决方案，让AI能够真正落地到业务场景。 第三个，是生态化的问题。AI能力的开放一定需要结合行业生态。我们会将相关组件进行API化、简单化，让更多合作伙伴能够快速接入，并围绕自身行业优势进行创新。所以，行业化、场景化、生态化，是我们商业智能体超级工厂区别于其他方案的三个核心方向。 回到金融行业，金融场景有几个非常关键的问题。第一个是安全和合规问题。金融行业涉及监管要求，必须确保AI应用符合相关规范。蚂蚁本身在金融、支付、财富管理和保险等金融场景中，也可以确保AI的合规问题。因此，没有安全能力和风险控制体系，AI很难真正落地金融场景。宁愿不做，也不能犯错。 第二个是专业度和幻觉问题。金融业务高度专业，AI必须能够准确理解和回答专业问题。我们的智能体超级工厂有两个重要工具，一个是行业的垂直大模型，一个是围绕着业务场景的工程化能力，把这两个能力相结合才能更加贴合实际场景。因此，我们通过行业垂直大模型结合业务工程化能力，提高模型专业水平。 第三个，是效果验证问题。金融机构过去在信息化、数字化方面投入巨大，因此在AI转型过程中会关注投入之后如何体现价值，如何验证ROI。 针对这一点，蚂蚁数科提出“价值交付、效果付费”的理念。所谓价值交付，就是验证智能体是否真正具备专业能力。我们主要通过两个维度衡量：第一，是回答的准确率。例如用户咨询保险问题，智能体是否能够准确回答保险相关内容，而不是泛泛回答其他金融问题。围绕刚才讲的垂直大模型，目前我们在专业场景中的回答准确率基本可以达到90%-95%以上。第二，是胜合率。也就是让专业人员和智能体回答同一个问题，比较两者结果的一致程度。目前在相关场景中，我们可以达到85%以上。这也是蚂蚁集团在财富、保险、基金相关的场景中对自己的要求。 除此之外，效果付费则是在实际业务中验证AI创造的价值。例如在营销场景中是否提升转化效率，在风控场景中是否降低风险。因此，在金融领域，安全、专业度以及效果验证是三个最重要的问题：必须要符合监管和国家的要求；一定要有行业的垂直大模型；有可见的效果交付。蚂蚁希望围绕这些问题，结合自身最佳实践逐一解决。 36kr：最近我们看到蚂蚁数科正在拓展金融之外的行业。除了金融之外，目前重点布局哪些行业？这些行业有什么共同特点？另外，在技术泛化过程中遇到了哪些挑战，又是如何解决的？ 孙磊：其实还是围绕刚才提到的几个核心方向：行业、业务场景以及安全。除互联网行业之外，很多传统行业在从数字化走向AI化、智能化过程中，面临着一些共同问题。我们希望将过去在金融领域沉淀的能力复用到更多行业。 第一个关键点，是数据底层治理。行业垂直大模型最重要的基础就是底层数据，包括外部数据和企业内部数据。我们的方式是结合自身具备的外部数据能力，再融合企业业务数据，形成适用于具体行业的垂直模型。因此，在服务其他行业时，数据治理能力非常重要。如果底层数据没有经过整理和治理，就无法支撑垂直场景模型。金融行业过去数字化程度较高，而制造、医疗、工业等行业的数据基础相对复杂。因此，我们的智能体超级工厂也包含数据治理工具和相关能力，帮助企业完成基础建设。 第二个关键点，是业务场景结合能力，也就是工程化能力。目前海外提出了Harness概念，本质上是如何将模型能力工程化落地。我们希望打造符合中国行业特点的行业版Harness，这也是商业智能体超级工厂的重要壁垒。关于Harness的能力该如何在各行各业里运用，我举个例子，在金融场景中，原本有一个‘三车间’的逻辑。但在Harness中，我们形成了“四车间”逻辑，包括意图识别、策划、执行和表达。其中意图识别非常重要。用户提出保险相关问题，但真正需求可能是资产配置、财富管理或者产品组合推荐。因此，需要先理解用户真实意图，再完成后续服务。不同领域对于工程化能力的要求不同。例如能源、医疗等行业，可能需要不同颗粒度的流程设计。未来，我们希望沉淀符合中国市场特点的行业Harness，这是我们智能体超级工厂的目标。目前，我们也已经在金融、医疗、能源、出行、交通，航空等领域积累了一些能力。 第三个关键点，是安全能力。不同产业对于安全的关注点不同。金融行业更多关注监管合规，而制造业可能关注生产安全，能源行业则可能关注预测准确性。例如光伏领域，我们通过时序大模型结合天气、现场情况等因素，实现发电量预测。因此，安全能力需要结合不同产业特点进行适配。 第四个关键点，是效果验证。我们在金融和医疗领域已经有较成熟的价值验证体系，但在其他行业仍处于探索阶段。未来，我们会持续与合作伙伴共同完善效果评估标准，让行业能够真正看到AI投入后的价值。 36kr：最后一个问题，能不能提前预告一下，未来6到12个月蚂蚁数科重点发展的方向？WAIC之后，大家可以期待看到哪些动作？ 孙磊：未来6到12个月，大家可以重点关注几个方向。第一，是行业垂直大模型以及智能体矩阵的持续丰富。目前我们已经在金融、医疗、能源、出行等领域形成了一些能力。未来，对于我们擅长、有数据积累的领域，会进一步标准化产品输出；对于其他行业，也会与合作伙伴共同打造行业垂直大模型和智能体。 第二，是中国行业版Harness能力的开放。未来，我们会进一步梳理各行业工程化能力，并形成标准化方法论。例如金融领域已经形成“四车间”模式，包括意图识别、策划、执行和表达。未来，在能源、医疗等行业，我们也会与生态伙伴一起探索对应的行业版Harness，并逐步开放相关能力。 第三，是评测体系的持续完善。我们有非常完整的评测体系，目前，在部分银行客户项目中，我们已经进行了多轮评测验证。例如某头部城商行项目，我们进行了28轮评测。未来，我们会持续更新和丰富评测体系，通过更加科学的方式验证AI是否真正实现价值交付、效果付费。此外，平台能力和工具能力也会持续发布。最终，我们希望通过行业大模型、工程化能力以及评测体系建设，让智能体真正服务产业，实现价值落地。