从“会聊天”到“能干活”：智能体正在重塑企业AI落地方式

过去几年，AI给人的印象大多是聊天机器人、文案助手、智能客服——能说会道，但干不了实事。而如今，以OpenClaw为代表的自主执行智能体突然火了。它们不再只是回答问题，而是能自动调用系统、查数据、填表格、下单、审批，甚至跨系统协同完成一整套业务流程。企业开始发现：AI不再只是“加分项”，而是能直接省人、省钱、提效的“生产力工具”。

但现实很快给了大家一盆冷水。很多公司试用后发现，这些智能体虽然“能动”，但太“费钱”。一个简单的查询任务，它可能反复调用工具、反复检索、反复重试，消耗的计算资源是传统脚本或集成式系统的几十倍。有金融机构反馈，一个高频的客户身份核验任务，用OpenClaw跑一天，算力成本比原来高了80倍。这不是智能化，这是“烧钱式试错”。

真正的竞争，不是参数大小，而是“每一分钱花得值不值”

3月26日，中关村论坛上，蚂蚁数科大模型技术创新部总经理章鹏的一句话，点中了行业痛点：“大模型产业的下半场，拼的不是谁参数更大，而是谁的Token更省、效率更高。”

这话听着简单，但背后是无数企业的血泪经验。金融、政务、物流、制造这些行业，每天要处理成千上万的小任务：客户问“我的贷款进度到哪了？”“这张发票能不能报销？”“这个订单今天能发吗？”——这些事不需要GPT-4那样的“大聪明”，只需要一个快、准、稳的“小能手”。

用大模型处理这些高频小任务，就像拿一台F1赛车去送外卖——动力是够了，但油耗高、停车难、还不一定能进小区。真正需要的，是那种能跑得快、省油、耐造、还能24小时轮班的电动车。

蚂蚁推出“金融专用小脑”：快一倍，成本砍一半

就在论坛现场，蚂蚁数科发布了专为金融场景打造的轻量级模型——Ling-DT-Fin-Mini-2.5。这不是又一个“通用大模型”的翻版，而是为“高频、低时延、高并发”任务量身定制的“金融专用处理器”。

它基于混合线性注意力架构，专为快速识别意图、提取关键字段、匹配规则做优化。实测数据显示：在处理相同金融任务时，它的推理速度比主流通用模型快100%，硬件成本直接降低60%以上。这意味着，一家银行如果用它替代部分大模型任务，每月算力开支能省下上百万元。

更重要的是，它不是“玩具”。它已经接入蚂蚁内部的信贷审批、反欺诈、客户服务等真实系统，每天处理数百万次请求，稳定运行超过半年。不是实验室里的Demo，是正在干活的“员工”。

行业风向变了：大模型管“大事”，小模型干“杂活”

这不是蚂蚁一家的独创。最近，OpenAI悄悄推出了GPT-5.4 mini和GPT-nano，明确标注为“低延迟执行层模型”；Google也在内部测试轻量版Gemini Nano，专用于移动端和自动化任务；国内的百度、讯飞、MiniMax也都陆续发布了自己的“小模型+执行框架”组合方案。

行业共识正在形成：未来的AI系统，不再是“一个大模型包打天下”，而是“大模型+小模型”的分工体系。

• 大模型负责：复杂决策、深度分析、跨领域推理（比如：评估一笔跨境贷款的信用风险）
• 小模型负责：高频重复、低延迟操作（比如：一分钟内处理500个客户的还款提醒）

这种“分工协作”模式，不仅省钱，还更可靠。小模型响应快、出错少，大模型不被琐事拖累，系统整体效率反而更高。

企业落地AI，别再迷信“大就是好”

很多企业还在纠结：“要不要上大模型？”其实问题不该这么问。真正该问的是：

• 我每天有多少任务是重复、简单、有明确规则的？
• 这些任务现在靠人工还是脚本？成本多少？
• 如果换成AI，我需要它多快响应？能承受多少并发？
• 算力预算有多少？能不能承受每天几万元的开销？

答案往往很清晰：80%的日常任务，根本不需要“超级大脑”。你不需要一个能写诗的AI来填报销单，你需要的是一个不会出错、永不疲倦、成本低廉的“数字员工”。

蚂蚁数科表示，接下来会推出“百灵企业版Ling DT”系列，覆盖更多行业场景——物流、制造、零售、政务。不是为了炫技，而是为了让每个企业都能用得起、用得稳、用得久。

AI的下半场，不是比谁的模型参数多，而是比谁的系统更聪明地省下每一分算力。真正能活下来的，不是最“智能”的，而是最“务实”的。

图说:蚂蚁数科大模型技术创新部总经理章鹏在中关村论坛演讲