蚂蚁数科正在完成一次从“数字化”到“AI化”的业务重构。
蚂蚁数科是蚂蚁集团旗下的科技商业化板块，长期以来，蚂蚁数科将蚂蚁在自身业务发展中沉淀的技术能力和产业实践对外开放，并不断针对企业需求研发全新产品和解决方案。
截至目前，蚂蚁数科已服务全球超过3万家企业，在金融、能源、交通、政务等行业积累了大量产业数智化经验。随着大模型推动新一轮产业变革，蚂蚁数科正在将过去积累的云原生、数据、区块链、安全和行业Know-how，全面迁移到AI时代。
过去两年，蚂蚁数科已经完成了一场关于自身的AI重塑。
目前，公司整体业务年均增长近50%，其中AI业务增长超过三位数，已经成为新的增长引擎；客户净收入留存率（NRR）超过110%，大客户中AI产品采购占比已接近20%；与此同时，业务模式也从过去以大客户项目制交付为主，逐步转向平台化、标准化产品驱动，平台产品ARR增速达到60%。
这意味着，对蚂蚁数科而言，AI已经不再是一条“新业务线”，而正在成为公司新的业务底座和增长方式。
在2026年外滩大会上，蚂蚁数科CEO赵闻飙表示，随着“AI to B”成为公司核心战略，AI价值交付、AI原生应用收入以及平台ARR，正在成为衡量公司发展的关键指标。
从技术产品，到AI平台，再到智能体规模化落地，蚂蚁数科正在进入一个新的发展阶段。
一、从数字化到AI化，AI to B战略下蚂蚁数科完成业务重构
2024年，蚂蚁数科开始独立公司化运营。与此同时，随着大模型掀起新一轮产业变革，蚂蚁数科进一步明确“AI to B”战略，聚焦AI大模型在企业场景中的应用落地。
过去两年，一方面，公司持续推动原有产品体系的 AI 化升级，例如将云原生平台 SOFAStack 升级为 AI PaaS，将移动端开发平台 mPaaS 升级为智能终端开发平台；另一方面，也陆续推出行业大模型 LingDT、智能体平台 Agentar、模型服务平台 DTMaaS、智能体安全产品“蚁天鉴”等 AI 原生产品，服务企业智能化升级。由此，蚂蚁数科逐步形成从模型、平台、智能体到安全治理的企业AI产品体系。
更重要的是，这场变化已经反映到经营结果中。
几个关键的数字可以直观看到蚂蚁数科正在发生的变化：
业务指标显示，公司整体年均增长接近50%，其中 AI 业务增长超过三位数，已成为新的增长引擎。
与此同时，客户净收入留存率（NRR）超过110%，显示出较强的客户黏性和持续复购能力；
在大客户群体中，AI 产品采购占比已接近20%。
更值得关注的是，公司收入结构也在发生变化，正从以大客户项目制交付为主，逐步转向平台化、标准化产品驱动，其中平台产品 ARR 增速达到60%。
在2026年外滩大会上，蚂蚁数科 CEO 赵闻飙表示，随着 “AI to B” 成为公司的核心战略，AI 价值交付、AI 原生应用收入，以及平台 ARR（年度经常性收入），已成为衡量公司发展的关键指标。
这些变化，也在第三方机构的市场份额报告中得到印证。
IDC今年6月发布的《中国智能体开发平台市场份额，2025》显示，在2025年中国智能体开发平台私有化市场中，蚂蚁数科位列非云厂商第一、整体市场第四，前三名均为云厂商。
IDC今年7月发布的《中国金融行业大模型平台、智能体应用及服务市场份额，2025》显示，2025年中国金融大模型、智能体应用及服务整体市场规模已超过24亿元，蚂蚁数科以13.3%的市场份额位居第一。
这意味着，蚂蚁数科过去在金融等高严谨行业积累的数字化能力，正在成为AI时代的重要竞争优势。
二、打造智能体超级工厂，推动AI从一个“工具”变成企业的一支“数字员工队伍”
如果说过去两年企业AI解决的是“怎么用AI”，那么接下来企业需要解决的，将是“怎么管理越来越多的AI”。
Gartner预测，到2028年，平均每家《财富》500强企业将拥有超过15万个AI Agent；IDC则预计，到2030年，全球活跃数字员工（Agent）数量将达到22亿个。
蚂蚁数科CEO赵闻飙认为，当智能体数量从几十个走向几百、几千乃至更多，企业需要的就不再只是一个个智能体，而是一座能够批量生产、部署、运行和管理智能体的“工厂”。这正是智能体超级工厂出现的原因。
蚂蚁数科今年7月在WAIC上正式提出智能体超级工厂的企业AI基础设施方案，其将Agentar作为智能体超级工厂的核心平台，将智能体的开发、部署、运营、协作与治理整合到统一平台中。
在产品形态上，蚂蚁数科智能体超级工厂以 Agentar 为核心，提供统一的平台能力，将智能体开发、部署、运营与治理整合在一起，结合行业 Skill、数字专家模板、知识库、系统连接器以及治理能力，助力企业批量化生产、运行和管理智能体。
在Agentar之下，蚂蚁数科 LingDT 系列大模型提供面向垂直场景的智能中枢能力，负责支撑智能体的理解、推理和决策；同时，开放的DTMaaS支持企业从统一接口，连接和调度多个模型供给，根据不同任务，在效果、速度和成本之间作选择。
针对智能体大规模应用，企业最关心的数据安全、权限管理和过程可追溯问题，蚂蚁数科将区块链、隐私计算和AI安全能力嵌入平台底层，形成智能体运行的可信底座，支撑智能体在企业真实业务环境中安全、稳定、可信地协同运行。
目前，Agentar 已在金融、能源、政务、交通、消费等行业场景中落地，这意味着AI开始进入金融、能源、交通、政务等高严谨行业。
其中，在金融领域，蚂蚁数科已经推出超过300个智能体，服务全部国有银行和股份制银行、超过60%的地方商业银行以及数百家金融机构。在能源领域，蚂蚁数科推出“能碳数字员工平台”，围绕源网荷储碳等关键业务环节，构建垂类智能体团队。
这意味着，AI不再只是企业里的“聊天机器人”，而开始真正参与到复杂业务流程中，AI开始从数字世界走向真实产业。
三、AI时代，蚂蚁数科的「老家底」焕新成为新基础设施
蚂蚁数科的想象力，并不只来自大模型和智能体。一个更值得关注的变化是，蚂蚁数科过去十多年积累的区块链、数据、安全、隐私计算、云原生等能力，正在AI时代重新找到位置。
这也是蚂蚁数科与很多“从大模型切入企业AI”的公司不同的地方。企业真正把AI放进生产系统后，最关心的问题并不只有模型效果，还包括数据能不能用？权限怎么管？智能体代表谁？谁授权它做这件事？它做了什么能不能追溯？出了问题谁负责？不同企业的Agent能不能可信协作？
这些问题，本质上都是企业级AI基础设施问题，而这恰恰是蚂蚁数科过去长期积累的能力。在AI时代，区块链、数字身份、隐私计算、安全风控等能力，并不是AI之外的“附加功能”，而正在成为智能体时代的重要基础设施。
据了解，蚂蚁数科长期投入区块链、数字身份、隐私计算和安全风控方向，相关能力如今已逐步形成从身份入口、数据使用，到模型和智能体运行防护的完整安全链路，为企业级 AI 应用的安全可信落地提供支撑。
其中，KYA（Know Your Agent，识别你的智能体）正成为智能体经济中的关键身份基础设施。当智能体开始代表企业或个人执行任务、完成交易时，系统必须能够回答几个关键问题：这个 Agent 代表谁、被授权做什么、行为是否可信、出现问题如何追责。具备去中心化、可验证、可追溯等特性的区块链，因此成为构建 KYA 体系的重要技术支撑。
在标准建设方面，外滩大会期间，蚂蚁数科联合十多家单位发起的《区块链和分布式记账技术智能体身份管理要求》国家标准化指导性技术文件正式启动立项。该文件首次系统提出基于区块链的智能体身份管理模式，覆盖总体架构、身份标识、身份建立、验证机制、跨链互通和接口规范等全链路技术要求，标志着国内智能体身份管理开始迈向标准化阶段。
在应用实践层面，蚂蚁集团也在持续推进“区块链+AI”的融合落地。目前，AI付已引入区块链存证与赔付机制；今年8月，支付宝发布的全栈商业产品底座，也进一步将区块链纳入核心技术底座。在外滩期间，蚂蚁集团还会发布智能体可信身份解决方案及 KYA 产品，形成从标准、方案到产品落地的完整布局。
对蚂蚁数科而言，这些能力并不是独立于 AI 之外的附加模块，而是已经成为智能体超级工厂的内生可信底座。也就是说，智能体超级工厂背后不仅有模型、平台和智能体协同能力，也整合了区块链、数字身份、隐私计算和安全风控等底层能力，从而为企业级智能体在真实业务环境中的安全运行、可信协作和规模化落地提供支撑。
附录：两个真实案例——AI正在成为企业的数字员工
1、数字客群经营专家
过去，一家股份制银行的零售业务团队需要从多个系统提取数据，再结合员工经验判断客户需求、产品匹配和触达策略。在零售金融业务中，客群经营长期依赖人工作业和经验判断。一家股份制银行零售业务负责人提到，团队十多个岗位每天都要从多个系统中提取、拼接数据，再结合个人经验判断产品推荐和客户触达策略。经验丰富的员工能够维持效率，但一旦人员流动，经营节奏就容易中断。遇到市场波动，从发现信号到调整策略，往往需要数天时间。
蚂蚁数科Agentar金融版的数字客群经营专家。该系统以大模型为基础，在客群洞察、产品匹配、策略生成和渠道执行等环节提供支持。数字客群经营专家可识别客户流失风险、资产提升机会，并结合市场变化生成差异化经营策略和触达话术，推送至客户经理工作台或私域渠道。以往需要多人协同完成的一套经营流程，可压缩至当日闭环。实际应用中，相关方案带动客户总资产规模提升10%，客户活跃度提升15%。
2、数字风控专家
在信贷风控中，过去一个新模型从需求提出到上线往往需要一到两个月，一次策略优化也可能需要专家投入两天以上。事实上，在信贷风控领域，真正稀缺的往往不是数据，而是兼具业务理解和建模能力的复合型人才。现实中，一个新模型从需求提出到上线，往往需要一到两个月；一次策略优化，也可能占用专家两天以上时间。大量原始数据特征因缺乏人力挖掘，难以转化为有效风控能力。
蚂蚁数科Agentar的数字风控专家，将风控专家经验沉淀为可协同运行的智能体体系。其中，特征智能体负责理解业务场景并挖掘有效特征，建模智能体负责自动训练和输出模型，策略智能体负责目标分析和策略推荐，三者共同形成从特征挖掘、模型生成到策略优化的闭环。应用结果显示，策略生成所需时间则由原来的2天缩短至1至4小时，且建模效果与人类专家相当。