如果说，去年关于智能体的故事，还带着“颠覆想象” 的性感滤镜。今年这个故事的注脚，就变成了 “解决实际问题” 的务实底色。
从2023年至今，智能体的发展正从概念走向实践。在今年的世界人工智能大会上，我们看到各大厂商继续推出自己新一代的智能体产品。它们在更垂直细分的领域比如金融、教育、文娱等领域落地。
有不少人把2025年称为“智能体元年”。实际上，智能体的概念最早可以追溯到2023年以前。
蚂蚁数科CTO王维在接受「商业秀」等媒体的采访时指出，2024年11月就被大家称作“智能体元年”，来到今年7月，元年的高峰已近尾声。
王维的言外之意是，技术的迭代速度，如此之快，尤其是基于大模型的智能体。以ChatGPT为例，其获得10亿用户、达成365亿次查询量的速度，比Google快了14倍。
在更具体的行业赛道，譬如智能体在金融行业的变革，也在加速。不过，智能体要迎来真正的爆发，仍面临很多挑战。至少，它还需要跨越“技术可靠、数据可控和生态协同” 的三重门槛。
01、智能体狂奔三年：从概念到产业渗透
从2023年到2025年，智能体的进化轨迹，几乎是划出了一个陡峭曲线。在2023年之前，智能体的发展还停留在概念萌芽阶段。这个时期，智能体经历了从 “工具化” 到初步智能。
中国信息通信研究院副总工程师王爱华认为，2023年之前的智能体还停留在 "代理型工具" 阶段，就那些连客服机器人，也只能机械地给出一些标准化回应，彼时的智能体连最简单的跨场景对话都难以完成，更谈不上自主决策。
2024年，成为智能体发展的关键转折点。大模型技术的渗透，让智能体突然具备了"推理-记忆-行动" 的基础能力。比如2024年推出的一些初代金融智能体，已经能在金融场景中完成"客户咨询-需求匹配-业务办理" 的半自动化流程。
不过，核心风控环节上仍然需要人工来 "把关"，其可靠性和场景适配性还需要进一步提升。
进入2025年，智能体则呈现出了完全不同的气质，它们开始进入产业渗透阶段，垂直深耕和实现规模化落地。
这个阶段的智能体主要呈现了三大核心特征。
一是从“通用化” 转向 “行业专用化”。比如金融、能源、工业等领域出现了很多深度定制的智能体。比如蚂蚁数科推出了Agentar全栈企业级智能体平台。该平台通过知识工程、评测、安全风控、MCP、金融大模型等能力，联合行业开发了100余种金融智能体应用方案，在智能风控、营销、财富管理等核心场景落地。
业内认为，行业场景对智能体的“专业性”“可靠性” 要求远高于通用能力，比如金融领域需严格规避 “模型幻觉”，工业领域需适配高温、高压等极端环境。
二是多智能体协同成为主流模式。通过多智能体协同，解决单智能体的“能力边界” 问题，适配复杂产业场景的多元需求，比如金融领域的 “营销智能体+风控智能体+合规智能体” 协同，这样一来，就可以覆盖到业务全链条。
三是从“辅助工具”升级为“生产力引擎”。据悉，一些银已部署超1000个智能体，其中信用风险识别智能体，能将中小客户授信效率提升10倍，数据动态智能体实现 “一句话调用全行数据”，推动业务模式从 “人找服务” 转向 “服务找人”。
也就是说，这个阶段的智能体不再局限于“降本增效”，而是通过数据洞察和流程重构，正在创造更多新的价值。
02、金融与能源：智能体落地的必争之地
在今年WAIC的产业图谱中，金融和能源领域的智能体应用最为突出。
背后的核心逻辑是什么？
王维认为，因为这两个行业数字化程度最高、数据密度最大，且对效率提升的需求最迫切。
以金融为例，日均千万级的交易数据和多层级风控规则，传统人工处理的误差率超3%，而智能体可将这一数字压缩到0.5%以内。
但落地过程并非坦途。比如80%的金融机构仅在客服等非核心场景测试智能体，清算、风控等核心环节依然依赖人工。
这种谨慎源于双重焦虑——它们既担心错失AI红利，又害怕技术不成熟引发安全风险。
也就是说，很多机构之所以焦虑，并非源于排斥AI，而是发愁如何将这项新技术安全、有效地应用到自己的业务场景中，真正解决问题。与此同时，他们看到同行用AI对业务有效果，内心也期待能通过智能体来实现“弯道超车”。
但无论金融机构和银行等金融客户做哪种选择，都绕不开金融场景的复杂性。
对此，蚂蚁数科是如何应对的呢？它的策略是3个“E”。
一是Expertise（专业）。不沿用通用大模型路径，基于长期金融经验制定覆盖银行、证券等全场景的6大类66小类金融任务体系，以此为框架从千亿级数据中构建专业训练数据集，加入原则类合成数据保障合规，使模型 “出厂即专家”。
二是Efficiency（效率）。训练中动态分配资源，提升复杂金融任务性能与学习效率，实现 “浅调高能”，保障通用能力不退化，减少后续业务应用的二次微调数据与算力消耗，降低企业落地门槛。
三是Evolution（进化）。建立高频敏捷迭代机制，持续吸收金融政策、市场动态等信息，快速修复模型问题，确保知识、能力与合规性紧跟行业变化，在真实业务中不断进化。
能源领域的突破，也同样依赖场景适配。据中控技术工业AI技术管理总经理王宽心介绍，其工业智能体通过"时序大模型+边缘控制" 组合，已实现炼化装置的无人值守：九个智能体分工协作，能支撑装置自主运行一周以上，这在高温高压的工业环境中是一大突破。
据悉，目前蚂蚁数科已联合金融行业伙伴推出超百个金融智能体解决方案，覆盖银行、证券、保险、通用金融等四大领域，金融机构可以“即插即用”，提升一线员工工作效率超80%。
03、三重门槛：技术、数据与生态的硬仗
尽管发展势头迅猛，但如今智能体的规模化落地，仍需跨越三道硬门槛。
算力仍是悬在行业头上的一把“利剑”。清华大学计算机科学与技术系教授郑纬民直指“痛点”——大模型推理依赖GPU集群，目前大模型的推理算力成本还是很高。
他解释到，“不管是推理也好，训练也好，算力成本还是很贵。推理成本里头，人力占3%，数据占2%，算力占95%，钱主要是花在算力上面了。ChatGPT的推理开销是每天70万美元。DeepSeek V3推理开销大概每天8.7万美元。
业内认为，大模型本身成本较高，虽然相关硬件和技术在发展，但相比过去的软件售卖，成本仍然是金融机构需要考量的重要因素。
一张卡的推理效率可能很慢，但调用多次对底层算力要求极高，如何平衡技术投入成本与商业价值，成为金融机构和技术提供方需要解决的问题。
模型的"幻觉" 问题更让金融机构头疼。尤其是在一些信贷审批等场景，智能体偶尔会给出错误信息，而客户一般要求"每个决策，你都要说清理由"，这种可解释性需求，单靠Prompt技术难以满足。
蚂蚁数科AI算法技术部总经理章鹏解释道，客户需要知道大模型回答的思考过程，要求可解释性，这就需要推理模型来解决，而在此之前，只能通过Prompt强制模型思考，但效果并不理想。
这也是蚂蚁数科联合中国工商银行、宁波银行、北京前沿金融监管科技研究院、上海人工智能行业协会等机构，联合推出Finova大模型金融应用评测基准的原因。
也就是，用更严苛的测试倒逼模型的可靠性提升。“客户的需求在倒逼技术进化，从最初的‘你们为什么没有推理模型’，到现在的‘我凭什么相信你的回答’，市场的要求越来越具体，也越来越严苛。”章鹏说。
数据层面的挑战同样棘手。格创东智副总裁李楠吐槽道，"制造业的数据标准，乱得像一锅粥，同个产品的合格率计算，A工厂和B 工厂能差出三个版本。" 这种混乱导致70%的精力都耗在数据治理上，严重拖慢了智能体的落地节奏。
最后是产业落地层面，也面临着信任建立与生态协同难题。
一是行业观望情绪浓厚，金融机构仅在非核心场景（如客服）测试智能体，核心业务（如清算、风控）仍依赖人工。一些机构担忧， “技术成熟度不足”“责任界定模糊”，如智能体决策失误导致损失时，责任归属难以明确。
生态协同的碎片化，则是另一重阻碍。因为智能体产业链涉及硬件、模型、应用等多环节，单一企业难以覆盖全链条能力。例如，银行部署智能体需协调模型提供商、系统集成商、监管机构等多方，协同成本高企。
为了降低成本，蚂蚁数科推出了全尺寸模型家族，也给客户提供了不同规格的模型，比如32B和8B版本的金融推理大模型Agentar-Fin-R1，以及基于百灵大模型的MOE架构模型，让客户可以根据自身算力和场景需求选择，平衡成本与效果。
结语
目前智能体仍处于快速发展阶段，但要实现真正的爆发，还需要在技术完善、成本控制、满足差异化需求等方面突破。
中信智库发布的研究报告指出，2025年AI大模型向更强、更高效、更可靠方向发展，呈现推理模型深化、智能体模型爆发的格局。
今年也是AI应用加速落地之年，但今年以来的智能体故事，少了些“性感”，多了些“硬仗”。这或许正是技术改变世界的必经之路。
正如上海新金融研究院理事长、上海市原常务副市长屠光绍在2025年世界人工智能大会的论坛上所言——“智能体的真正价值，不在于概念多吸引人，而在于能否成为推动产业变革的‘可行生产力’。”
当行业不再热衷于讨论“智能体能做什么”，而是聚焦“智能体该如何解决场景问题”时，智能体的产业价值，才真正开始释放。、
本文来自微信公众号“商业秀”，作者：杨肖若，编辑：张弘一，36氪经授权发布。
