Jay 发自 凹非寺
量子位 | 公众号QbitAI
过去只有大企业才有的专属金融服务，AI Agent正在把它送到小微经营者的聊天框里。
一个小微商家想开第二家餐饮店，在聊天框说了句：「想把额度提一提」。
10分钟后，他拿到了一笔40万、可按开店进度分笔支用的融资方案。
10分钟本身不算稀奇。互联网金融这些年，早就把小微贷款的速度卷到了极致。
但速度背后，通常是一个标准化产品：额度不会太大，方案也不会太贴合具体生意。
客户如果想要一笔真正匹配自己经营节奏的钱，往往还得跑几个入口、登记好几个产品，最后东拼西凑半天也不一定够。
如今终于有个性化的解决方案了。
这是网商银行在2026外滩大会上首次披露的AI银行落地进展：
- 后台：AI全面进入风控、人审、营销、产研等核心生产环节
- 前台：全球首个小微普惠金融Agent百灵2.0，已面向4200万小微商家开放
要知道，银行大概是全宇宙转移成本最高的行业之一，传统业务流程的惯性是很强的，想要克服创新者窘境，阻力非常大。
网商这次也算是打了个头阵吧。
太AI Native了嗷。
从一句「提额」到40万开店融资
王老板经营第一家餐饮门店两年，生意稳定了，看中了一处65平方米的沿街铺面，准备开第二家。
找到百灵时，他开口只说了一句：
想把额度提一提。
没有任何上下文。
搁传统流程，这句话大概率会被直接翻译成一次漫长的提额申请：填表、走审批……好，回家等结果吧。
百灵没有这么干。它顺着这句话，结合王老板此前的经营和信贷记录，一步步追问：新店在什么位置？多大面积？什么时候开？钱打算怎么用？自己手头能出多少？
一句模糊的「提额」，就这样被还原成了真实意图：
为第二家店筹备开店资金。
随着多轮对话推进，百灵梳理出新店整体投入约60万元：品牌、装修和设备约45万，房租、首批备货和经营周转约15万。王老板自筹20万，资金缺口约40万。
随后，百灵进一步结合老店流水、行业规律、商圈情况和开店计划，对新店预期收入和还款压力做了分析，并提示王老板补充必要的经营和用途材料。
没过多久，结果出来了：
可用额度由15万提升至40万，可按开店进度分笔支用，前6期先息后本。
全程只花了10分钟。
事实上，王老板的例子，只是这场银行AI改革的一个缩影。如今，百灵2.0已面向4200万小微商家提供服务。这是网商银行面向小微客户提供的全新服务入口，一个真正能办事的普惠金融服务Agent。
不过，前台终究只是一个用来发消息的GUI入口。如果没有后台风控、审批、营销和产研等基础设施、技能栈（Skills）和实时数据库的支撑，它充其量也只是个高级的智能客服，交付不了实际结果。
真正的变化，发生在客户看不见的地方。
这也是本次外滩大会，网商着重分享的部分。
后台：进了核心生产线的AI工作台
网商银行几乎把AI铺满了全流程，一口气建了八大AI工作台，量化风控、人审、营销、产研等环节都在进行AI化改造。
本次外滩大会重点披露了其中的四个。
千里眼：千人千面的风控，看清「一个真正的人」
传统量化风控的问题在哪？
它擅长从大样本里找共性规律，通过行业、区域、负债、征信这些标签判断风险。但小微企业方差很大，同一个标签背后可能是完全不同的生意。
一家企业外部负债增加，可能意味着经营恶化，也可能是正在开店、备货、扩大生产；征信查询次数多，可能反映资金紧张，也可能只是处于集中扩张期。
如果只看群体的静态标签，经营正常的小微客户很容易遭遇「误伤」。
这正是「千里眼」最有人情味的地方：发挥AI千人千面的能力，把分析单位的颗粒度从「客群」细化到「客户」，真正做到具体情况具体分析。
内测阶段就有过这么一个案例。
苏州一位连锁摄影商家申请资金支持，但系统里挂着两个风险标签：评级较差、负债较高。按传统逻辑，平台会立刻拉响警报，申请直接被拦截。
千里眼沿着决策链往回看，结果发现根本不是这么回事啊。
这位商家两年内已经把同一门生意开到了6座城市、9家门店，月营收稳定在70多万元。
负债确实不低，但人家那是高歌猛进的表现啊。
在策略专家逐项验证证据、确认风险边界后，原来冷冰冰的「拒绝」，变成了一套与经营节奏匹配的方案：
30万元额度，定价和期限根据生意情况重新测算。
定海针：25年的审批经验，注入AI
复杂信贷个案往往涉及历史风险、家庭关系、担保、行业变化和经营转型等多重信息。仅靠标准规则，很难判断这些信号代表的是仍在持续的风险，还是已经翻篇的历史问题。
当然了，经验丰富的人审专家能做这个判断。但专家数量毕竟有限嘛，个人经验也很难被完整记录和稳定复制。
有了「定海针」的赋能，专家效率获得了飞跃式提升。
核心就是调研这一步，AI会先读取和整理客户材料，把分散信息还原成一条完整事实链，再列出支持结论的证据、仍需核实的问题和风险点……最后向人审专家汇报。
就跟配了个秘书一样。
更有意思的是，专家也会反过来帮助AI。
在一次内部测试中，经营存储设备线上销售的吴女士准备扩大采购，通过百灵申请提额。几秒钟内，定海针就把她的经营、融资、履约及保证人信息浓缩成一页简报，并给出初步建议：
不予提额。
理由有三点：保证人存在逾期、同业支持较弱、近期多次申贷。
但人类审批专家并没有盲从AI的建议。
因为，在逐项深入追问后，专家发现了三处被忽略的实际情况：
- 保证人虽逾期，但正在按重组计划正常还款；
- 电商企业本来就是轻资产经营，同业支持弱不等于生意不好；
- 近期多次申贷，是因为存储设备涨价，企业需要提前扩大采购。
随后，定海针根据这些新事实重新推理，吴女士最终成功获批180万元额度。
180万元啊！！幸好有专家把关，差点拿不到大结果（bushi）。
这个二审环节与知识库是完全打通的，专家的标注会自动回流至系统。
下次再遇到类似情况，定海针就能判得更准。
宝莲灯：一次求助，让AI找到了数万人
小微客户的需求往往爆发得极快。极端天气、市场波动、集中备货、经营淡旺季……任何因素都可能在短时间内引发资金需求的剧变。
而银行传统的响应流程呢？
人工提取数据、分析目标人群、讨论方案、制作内容、配置审核……一次跨部门联动可能耗费数天，等方案上线，黄花菜已经凉透了。
这正是「宝莲灯」要解决的痛点。
今年7月，台风过境广西。南宁武鸣的沃柑种植户老谭，二十亩果园泡水，果子被暴雨打落一地。他没有打电话，也没有跑网点，只是在百灵里说了一句：
我受灾了。
宝莲灯瞬间开启红色预警模式。
它迅速交叉验证百灵对话、卫星遥感、经营流水及区域事件等多维数据，推理后发现：
受灾的不止老谭，一批种养殖户及其上游的农资经销商、下游的冷链物流商也都被波及。
紧接着，宝莲灯结合过往灾情处置经验与当地产业规律，生成了针对性的延期还款、免息等服务方案。
从老谭开口，到数万名产业链上下游客户收到解决方案，只用了1小时。
一个人的求助，让银行看见了一群尚未开口的人。
筋斗云：让银行的研发流程提效
网商银行在外滩大会上提到，他们内部也在推进AI Coding，目前AI Coding的占比已提升一倍。
这里需要澄清一个容易产生的误解：这并非外界常说的、可以「随手生成」的Vibe Coding。网商银行的研发流程相当严格，代码同样要遵守金融合规的各项要求，经过规范化的评审、测试与审核。AI提升的是效率，标准并没有因此放松。
效果也比较直观：如今他们有15%的业务修改需求由AI完成。
怎么做到的？这方面，网商银行分享了一个有些反直觉的结论：
光是代码写得快，并不够。
AI Coding固然能提升单个程序员的写码速度，但一款产品从需求提出到最终上线，中间还有很多步骤：需求澄清、交互设计、系统分析、编码、测试、合规审核……
Coding Agent让代码产出效率大幅提升，但其他环节如果跟不上，产品经理、设计师、研发和测试之间依然要反复传递和解释上下文，省下的时间又耗在了无休止的会议对齐中。
这也正是网商银行打造「筋斗云」的原因：让AI打通各部门，建立高质量上下文。
具体可从两方面看：
需求阶段：产品设想不再依赖文字文档层层传递。AI会直接生成一个可交互的高保真原型页面，产品、设计、研发所有人都能在同一个页面上直接操作、讨论，就「产品最终应该长什么样」达成共识。
研发阶段：需求被进一步转化为高质量的系统分析，精细到涉及哪些数据、模块、接口及测试范围。确认无误后，开启子代理并行推进，并同步安排自动化评测。
「农小宝」的天气预警功能就是这么来的。这是筋斗云在分析海量气象数据和用户行为后，连点成线发现的痛点：
农户查询天气预警的动作高频发生，但现有产品入口藏得太深了。
产品经理拍板后，直接让AI现场生成原型，原型与真实业务场景高度吻合。
紧接着进入正式开发阶段。AI快速梳理出受影响的模块，为编码提供精确指引；随后编码、机型测试、合规人审依次通过，推进至发布阶段。
2天，便形成了可供客户验证的版本。
而在过去，这个流程至少得一个月起步。
在「不容错」的银行，AI是怎么落地的？
看到这里，一个疑问自然浮现：
银行是天生的「不容错」行业。一笔错误授信可能变成坏账，一次合规疏漏可能引来监管关注。那他们是怎么敢让AI进核心业务的？
网商银行给出的答案是：Agent First。
它的意思很直接：设计任何一项工作，优先考虑让Agent来做。先问这件事里哪些环节可以交给Agent，能交的就交给Agent；再明确人在哪些节点做判断、权限边界在哪里、最终责任由谁承担。
这并非要把AI排在人前面，本质是重新划分分工：Agent负责执行、探索、分析和试算，人负责定义目标、设定标准、判断结果、纠正偏差并最终承担责任。
围绕这一逻辑，网商银行搭建了他们的技术底座。
Harness工程
当前的AI模型都存在幻觉，也受限于上下文长度和长程任务执行能力。
Harness工程要做的，就是补齐当前阶段模型的能力短板，让它能稳定支撑真实的业务流程。
以安全为例，这不是光靠提示词就能保证的东西，事实依据、模型输出、权限、工具调用和操作结果……一定要从架构上分层治理，尽可能将模型工作过程白盒化。
这样，即便出bug了，也能及时中止、接管、恢复和追溯。
评测
先有能力评价它，才能使用它。
很多个人开发者都没注意到这个问题，评测是Agent非常重要的环节，不是上线前随便做做样子的。
真实生产场景里，「光能用」远远不够，质量要从90%打磨到99.9%，靠的正是「定义问题 → Agent执行 → 评测 → 纠正回流」的闭环。
千万千万要重视评测。
这方面，网商银行搭建了一套高度可量化的评价指标。无论是换模型、换prompt还是换skill，能力和效果都可验证、可追溯。
知识库
可靠性有了保证，才是优化模型表现的时候。
没有高质量的上下文，AI不了一点。Agent只会更直白、更不绕弯子地给出错误答案（bushi）。
为此，网商银行把日常工作中散落在每个人脑海里、邮件里、文档里的知识，以及历史业务规则、客户数据，通过统一的抽取和编译，汇总成一个AI能理解的知识库。
这也是千里眼、宝莲灯们能读懂客户生意的底层支撑。
人机共生
这是一切的第一性原理。
设计一项工作时，先问「这件事里哪些活可以交给Agent干」，再明确人在哪些节点做判断、权限边界在哪里、最终责任由谁承担。
一个比较通用的二分法是，Agent负责执行、探索、分析和试算，人负责定义目标、设定标准、判断结果、纠正偏差并承担责任。
做产品，一定要从一开始就把这条线划好。
One More Thing
2025年外滩大会，网商银行首次提出AI时代的「新310」：0延时交互、360度感知用户、1对1专家服务。
一年后，答案不再只是PPT上的愿景。百灵2.0面向4200万小微商家提供服务，复杂需求办理从3天缩短至10分钟。普惠金融的第一阶段，是让更多小微经营者获得资金。
进入智能化阶段，新命题是：让他们也能获得过去主要服务于大型企业的专业能力。
今天，网商银行做到了。
当一个小微客户提出需求时，整套银行系统是真的在围绕这个客户实时运转，绝不会甩一个标准化产品就走人。
用户只需要在聊天框发句消息就行，就和过去跟银行柜员对话一样。
但带来的效率提升是成百上千倍的。
我想，这可能是未来一年，AI落地最重要的方向：
各行各业，都需要一个属于自己的AI Agent。