過去只有大企業才有的專屬金融服務，AI Agent正在把它送到小微經營者的聊天框裡。
一個小微商家想開第二家餐飲店，在聊天框說了句：「想把額度提一提」。
10分鐘後，他拿到了一筆40萬、可按開店進度分筆支用的融資方案。
10分鐘本身不算稀奇。網際網路金融這些年，早就把小微貸款的速度捲到了極致。
但速度背後，通常是一個標準化產品：額度不會太大，方案也不會太貼合具體生意。
客戶如果想要一筆真正匹配自己經營節奏的錢，往往還得跑幾個入口、登記好幾個產品，最後東拼西湊半天也不一定夠。
如今終於有個性化的解決方案了。
這是網商銀行在2026外灘大會上首次披露的AI銀行落地進展：
- 後台：AI全面進入風控、人審、行銷、產研等核心生產環節
- 前台：全球首個小微普惠金融Agent百靈2.0，已面向4200萬小微商家開放
要知道，銀行大概是全宇宙轉移成本最高的行業之一，傳統業務流程的慣性是很強的，想要克服創新者窘境，阻力非常大。
網商這次也算是打了個頭陣吧。
太AI Native了嗷。
從一句「提額」到40萬開店融資
王老闆經營第一家餐飲門店兩年，生意穩定了，看中了一處65平方米的沿街鋪面，準備開第二家。
找到百靈時，他開口只說了一句：
想把額度提一提。
沒有任何上下文。
擱傳統流程，這句話大機率會被直接翻譯成一次漫長的提額申請：填表、走審批……好，回家等結果吧。
百靈沒有這麼幹。它順著這句話，結合王老闆此前的經營和信貸記錄，一步步追問：新店在什麼位置？多大面積？什麼時候開？錢打算怎麼用？自己手頭能出多少？
一句模糊的「提額」，就這樣被還原成了真實意圖：
為第二家店籌備開店資金。
隨著多輪對話推進，百靈梳理出新店整體投入約60萬元：品牌、裝修和裝置約45萬，房租、首批備貨和經營周轉約15萬。王老闆自籌20萬，資金缺口約40萬。
隨後，百靈進一步結合老店流水、行業規律、商圈情況和開店計畫，對新店預期收入和還款壓力做了分析，並提示王老闆補充必要的經營和用途材料。
沒過多久，結果出來了：
可用額度由15萬提升至40萬，可按開店進度分筆支用，前6期先息後本。
全程只花了10分鐘。
事實上，王老闆的例子，只是這場銀行AI改革的一個縮影。如今，百靈2.0已面向4200萬小微商家提供服務。這是網商銀行面向小微客戶提供的全新服務入口，一個真正能辦事的普惠金融服務Agent。
不過，前台終究只是一個用來發消息的GUI入口。如果沒有後颱風控、審批、行銷和產研等基礎設施、技能棧（Skills）和即時資料庫的支撐，它充其量也只是個高級的智能客服，交付不了實際結果。
真正的變化，發生在客戶看不見的地方。
這也是本次外灘大會，網商著重分享的部分。
後台：進了核心生產線的AI工作台
網商銀行幾乎把AI鋪滿了全流程，一口氣建了八大AI工作台，量化風控、人審、行銷、產研等環節都在進行AI化改造。
本次外灘大會重點披露了其中的四個。
千里眼：千人千面的風控，看清「一個真正的人」
傳統量化風控的問題在那？
它擅長從大樣本裡找共性規律，通過行業、區域、負債、徵信這些標籤判斷風險。但小微企業方差很大，同一個標籤背後可能是完全不同的生意。
一家企業外部負債增加，可能意味著經營惡化，也可能是正在開店、備貨、擴大生產；徵信查詢次數多，可能反映資金緊張，也可能只是處於集中擴張期。
如果只看群體的靜態標籤，經營正常的小微客戶很容易遭遇「誤傷」。
這正是「千里眼」最有人情味的地方：發揮AI千人千面的能力，把分析單位的顆粒度從「客群」細化到「客戶」，真正做到具體情況具體分析。
內測階段就有過這麼一個案例。
蘇州一位連鎖攝影商家申請資金支援，但系統裡掛著兩個風險標籤：評級較差、負債較高。按傳統邏輯，平台會立刻拉響警報，申請直接被攔截。
千里眼沿著決策鏈往回看，結果發現根本不是這麼回事啊。
這位商家兩年內已經把同一門生意開到了6座城市、9家門店，月營收穩定在70多萬元。
負債確實不低，但人家那是高歌猛進的表現啊。
在策略專家逐項驗證證據、確認風險邊界後，原來冷冰冰的「拒絕」，變成了一套與經營節奏匹配的方案：
30萬元額度，定價和期限根據生意情況重新測算。
定海針：25年的審批經驗，注入AI
複雜信貸個案往往涉及歷史風險、家庭關係、擔保、行業變化和經營轉型等多重資訊。僅靠標準規則，很難判斷這些訊號代表的是仍在持續的風險，還是已經翻篇的歷史問題。
當然了，經驗豐富的人審專家能做這個判斷。但專家數量畢竟有限嘛，個人經驗也很難被完整記錄和穩定複製。
有了「定海針」的賦能，專家效率獲得了飛躍式提升。
核心就是調研這一步，AI會先讀取和整理客戶材料，把分散資訊還原成一條完整事實鏈，再列出支援結論的證據、仍需核實的問題和風險點……最後向人審專家匯報。
就跟配了個秘書一樣。
更有意思的是，專家也會反過來幫助AI。
在一次內部測試中，經營記憶體裝置線上銷售的吳女士準備擴大採購，通過百靈申請提額。幾秒鐘內，定海針就把她的經營、融資、履約及保證人資訊濃縮成一頁簡報，並給出初步建議：
不予提額。
理由有三點：保證人存在逾期、同業支援較弱、近期多次申貸。
但人類審批專家並沒有盲從AI的建議。
因為，在逐項深入追問後，專家發現了三處被忽略的實際情況：
- 保證人雖逾期，但正在按重組計畫正常還款；
- 電商企業本來就是輕資產經營，同業支援弱不等於生意不好；
- 近期多次申貸，是因為記憶體裝置漲價，企業需要提前擴大採購。
隨後，定海針根據這些新事實重新推理，吳女士最終成功獲批180萬元額度。
180萬元啊！！幸好有專家把關，差點拿不到大結果（bushi）。
這個二審環節與知識庫是完全打通的，專家的標註會自動回流至系統。
下次再遇到類似情況，定海針就能判得更準。
寶蓮燈：一次求助，讓AI找到了數萬人
小微客戶的需求往往爆發得極快。極端天氣、市場波動、集中備貨、經營淡旺季……任何因素都可能在短時間內引發資金需求的劇變。
而銀行傳統的響應流程呢？
人工提取資料、分析目標人群、討論方案、製作內容、配置稽核……一次跨部門聯動可能耗費數天，等方案上線，黃花菜已經涼透了。
這正是「寶蓮燈」要解決的痛點。
今年7月，颱風過境廣西。南寧武鳴的沃柑種植戶老譚，二十畝果園泡水，果子被暴雨打落一地。他沒有打電話，也沒有跑網點，只是在百靈裡說了一句：
我受災了。
寶蓮燈瞬間開啟紅色預警模式。
它迅速交叉驗證百靈對話、衛星遙感、經營流水及區域事件等多維資料，推理後發現：
受災的不止老譚，一批種養殖戶及其上游的農資經銷商、下游的冷鏈物流商也都被波及。
緊接著，寶蓮燈結合過往災情處置經驗與當地產業規律，生成了針對性的延期還款、免息等服務方案。
從老譚開口，到數萬名產業鏈上下遊客戶收到解決方案，只用了1小時。
一個人的求助，讓銀行看見了一群尚未開口的人。
觔斗云：讓銀行的研發流程提效
網商銀行在外灘大會上提到，他們內部也在推進AI Coding，目前AI Coding的佔比已提升一倍。
這裡需要澄清一個容易產生的誤解：這並非外界常說的、可以「隨手生成」的Vibe Coding。網商銀行的研發流程相當嚴格，程式碼同樣要遵守金融合規的各項要求，經過規範化的評審、測試與稽核。AI提升的是效率，標準並沒有因此放鬆。
效果也比較直觀：如今他們有15%的業務修改需求由AI完成。
怎麼做到的？這方面，網商銀行分享了一個有些反直覺的結論：
光是程式碼寫得快，並不夠。
AI Coding固然能提升單個程式設計師的寫碼速度，但一款產品從需求提出到最終上線，中間還有很多步驟：需求澄清、互動設計、系統分析、編碼、測試、合規稽核……
Coding Agent讓程式碼產出效率大幅提升，但其他環節如果跟不上，產品經理、設計師、研發和測試之間依然要反覆傳遞和解釋上下文，省下的時間又耗在了無休止的會議對齊中。
這也正是網商銀行打造「觔斗雲」的原因：讓AI打通各部門，建立高品質上下文。
具體可從兩方面看：
需求階段：產品設想不再依賴文字文件層層傳遞。AI會直接生成一個可互動的高保真原型頁面，產品、設計、研發所有人都能在同一個頁面上直接操作、討論，就「產品最終應該長什麼樣」達成共識。
研發階段：需求被進一步轉化為高品質的系統分析，精細到涉及那些資料、模組、介面及測試範圍。確認無誤後，開啟子代理平行推進，並同步安排自動化評測。
「農小寶」的天氣預警功能就是這麼來的。這是觔斗雲在分析海量氣象資料和使用者行為後，連點成線發現的痛點：
農戶查詢天氣預警的動作高頻發生，但現有產品入口藏得太深了。
產品經理拍板後，直接讓AI現場生成原型，原型與真實業務場景高度吻合。
緊接著進入正式開發階段。AI快速梳理出受影響的模組，為編碼提供精確指引；隨後編碼、機型測試、合規人審依次通過，推進至發佈階段。
2天，便形成了可供客戶驗證的版本。
而在過去，這個流程至少得一個月起步。
在「不容錯」的銀行，AI是怎麼落地的？
看到這裡，一個疑問自然浮現：
銀行是天生的「不容錯」行業。一筆錯誤授信可能變成壞帳，一次合規疏漏可能引來監管關注。那他們是怎麼敢讓AI進核心業務的？
網商銀行給出的答案是：Agent First。
它的意思很直接：設計任何一項工作，優先考慮讓Agent來做。先問這件事裡那些環節可以交給Agent，能交的就交給Agent；再明確人在那些節點做判斷、權限邊界在那裡、最終責任由誰承擔。
這並非要把AI排在人前面，本質是重新劃分分工：Agent負責執行、探索、分析和試算，人負責定義目標、設定標準、判斷結果、糾正偏差並最終承擔責任。
圍繞這一邏輯，網商銀行搭建了他們的技術底座。
Harness工程
當前的AI模型都存在幻覺，也受限於上下文長度和長程任務執行能力。
Harness工程要做的，就是補齊當前階段模型的能力短板，讓它能穩定支撐真實的業務流程。
以安全為例，這不是光靠提示詞就能保證的東西，事實依據、模型輸出、權限、工具呼叫和操作結果……一定要從架構上分層治理，儘可能將模型工作過程白盒化。
這樣，即便出bug了，也能及時中止、接管、恢復和追溯。
評測
先有能力評價它，才能使用它。
很多個人開發者都沒注意到這個問題，評測是Agent非常重要的環節，不是上線前隨便做做樣子的。
真實生產場景裡，「光能用」遠遠不夠，質量要從90%打磨到99.9%，靠的正是「定義問題 → Agent執行 → 評測 → 糾正回流」的閉環。
千萬千萬要重視評測。
這方面，網商銀行搭建了一套高度可量化的評價指標。無論是換模型、換prompt還是換skill，能力和效果都可驗證、可追溯。
知識庫
可靠性有了保證，才是最佳化模型表現的時候。
沒有高品質的上下文，AI不了一點。Agent只會更直白、更不繞彎子地給出錯誤答案（bushi）。
為此，網商銀行把日常工作中散落在每個人腦海裡、郵件裡、文件裡的知識，以及歷史業務規則、客戶資料，通過統一的抽取和編譯，彙總成一個AI能理解的知識庫。
這也是千里眼、寶蓮燈們能讀懂客戶生意的底層支撐。
人機共生
這是一切的第一性原理。
設計一項工作時，先問「這件事裡那些活可以交給Agent干」，再明確人在那些節點做判斷、權限邊界在那裡、最終責任由誰承擔。
一個比較通用的二分法是，Agent負責執行、探索、分析和試算，人負責定義目標、設定標準、判斷結果、糾正偏差並承擔責任。
做產品，一定要從一開始就把這條線劃好。
One More Thing
2025年外灘大會，網商銀行首次提出AI時代的「新310」：0延時互動、360度感知使用者、1對1專家服務。
一年後，答案不再只是PPT上的願景。百靈2.0面向4200萬小微商家提供服務，複雜需求辦理從3天縮短至10分鐘。普惠金融的第一階段，是讓更多小微經營者獲得資金。
進入智能化階段，新命題是：讓他們也能獲得過去主要服務於大型企業的專業能力。
今天，網商銀行做到了。
當一個小微客戶提出需求時，整套銀行系統是真的在圍繞這個客戶即時運轉，絕不會甩一個標準化產品就走人。
使用者只需要在聊天框發句消息就行，就和過去跟銀行櫃員對話一樣。
但帶來的效率提升是成百上千倍的。
我想，這可能是未來一年，AI落地最重要的方向：
各行各業，都需要一個屬於自己的AI Agent。 (量子位)