银行正大力投资“具身”（agentic）AI，并且另外还投资代币化基础设施。大多数机构将这两者视为平行的路线，最终会汇聚。对这种先后顺序的假设需要加以审视，因为目前大多数技术路线图所反映的并不充分：这两个项目的关联程度要比多数人想象的更紧密。这里面存在的根本问题是：具身AI系统与其之前的预测模型和决策支持工具在本质上是不同的。模型提出洞见。代理（agent）基于洞见采取行动。这个差异并不是营销层面的细微措辞变化。它会直接带来基础设施层面的影响，而大多数部署计划尚未把这一点纳入考量。当代理采取行动时，交易需要在当下完成清算。不是一天结束时。也不是下一个工作日。因为工作流中的下一条指令取决于当前这条指令的结果——所以必须在执行的瞬间完成清算。批量清算会彻底打断这种依赖。如果一个代理识别到流动性不足，选择要转移的最优抵押品，并发起转账，但结算基础设施要到第二天早上才能确认最终性，那么该代理就并不是在实时管理资金库（treasury）。它是在把指令排队塞进一个系统，该系统会按某个时刻表处理这些指令，而这个时刻表是为“人类才是执行者”的世界设计的。等这些指令完成结算时，触发它们的市场条件可能已经不再成立。代理并没有失败。只是“通道/轨道”（rails）失败了。NTT DATA 将此描述为“栈口差”（stack gap）：具身AI所要求的与大多数银行基础设施实际能够交付的之间的鸿沟。MIT 在多份跨行业分析中引用的研究发现，导致银行业的AI试点无法在规模化层面交付可衡量价值的首要原因并非模型质量，而是基础设施集成失败。限制因素不是智能本身。问题在于基础。这对资金库（treasury）和支付运营尤为关键，因为自主执行的价值在这里最为直接。一个代理需要在日内跨多方管理抵押品、持续监控敞口，并在实时状态下优化现金头寸——这就要求基础设施能够与其同步运转。A16z 在其 2026 年的展望中直接指出：AI 代理将需要以互联网速度运行的支付，并由可编程结算工具提供支持。向以意图（intent）为基础的自主系统转型，与那些围绕人类处理窗口设计的“通道”（rails）并不兼容。真正的自主金融工作流所需要的是原子性结算：价值的同时发生、不可撤销的交换，并在实时确认最终性。正是代币化基础设施正在为此而构建。JPMorgan 在 Base 上的存款代币（deposit token）、BNY 面向机构客户的代币化存款平台，以及由五家区域性银行组成的 Cari Network 联盟，从核心上讲，都是在建设不依赖隔夜批量周期的结算通道。它们不仅仅是“代币化”的故事。它们是“AI 基础设施”的故事。今天在构建可编程结算通道的机构，也正在为规模化的自主金融运营打造先决条件。对于将这两者作为独立项目运行的银行来说，这种先后顺序带来的影响是直接的。就在不久的某个时点，被部署在资金库和支付工作流中的代理，将能够比底层结算基础设施更快地完成决策确认。届时，组织会面临一个选择：将代理的能力约束在通道所允许的范围内，接受自主执行将在人工交接开始的边界处停止；或者以远高于若从一开始就把两个项目设计为单一项目所需的成本和复杂度，重建这些通道。还有一个值得点名的、面向客户的维度。企业资金库团队正在构建他们自己的具身工作流。一个构建了“AI 原生资金库职能”的客户，不需要银行替它管理这些决策。它需要银行的基础设施支持自主执行，同时不要在结算边界处重新引入人工介入。那些无法提供这一点的银行，会发现企业客户正在向能够提供相应能力的机构或平台转移。对每一家目前正在运行具身AI项目的银行而言，一个实际问题是：这些代理最终将依赖的结算基础设施，是否正在与之并行建设。不是作为未来的考虑项，而是作为当前的设计决策。两个项目并不是按顺序推进的。它们是同一个项目。
您的AI代理存在结算问题
银行正大力投资“具身”（agentic）AI，并且另外还投资代币化基础设施。大多数机构将这两者视为平行的路线，最终会汇聚。对这种先后顺序的假设需要加以审视，因为目前大多数技术路线图所反映的并不充分：这两个项目的关联程度要比多数人想象的更紧密。
这里面存在的根本问题是：具身AI系统与其之前的预测模型和决策支持工具在本质上是不同的。模型提出洞见。代理（agent）基于洞见采取行动。这个差异并不是营销层面的细微措辞变化。它会直接带来基础设施层面的影响，而大多数部署计划尚未把这一点纳入考量。
当代理采取行动时，交易需要在当下完成清算。不是一天结束时。也不是下一个工作日。因为工作流中的下一条指令取决于当前这条指令的结果——所以必须在执行的瞬间完成清算。
批量清算会彻底打断这种依赖。如果一个代理识别到流动性不足，选择要转移的最优抵押品，并发起转账，但结算基础设施要到第二天早上才能确认最终性，那么该代理就并不是在实时管理资金库（treasury）。它是在把指令排队塞进一个系统，该系统会按某个时刻表处理这些指令，而这个时刻表是为“人类才是执行者”的世界设计的。等这些指令完成结算时，触发它们的市场条件可能已经不再成立。代理并没有失败。只是“通道/轨道”（rails）失败了。
NTT DATA 将此描述为“栈口差”（stack gap）：具身AI所要求的与大多数银行基础设施实际能够交付的之间的鸿沟。MIT 在多份跨行业分析中引用的研究发现，导致银行业的AI试点无法在规模化层面交付可衡量价值的首要原因并非模型质量，而是基础设施集成失败。限制因素不是智能本身。问题在于基础。
这对资金库（treasury）和支付运营尤为关键，因为自主执行的价值在这里最为直接。一个代理需要在日内跨多方管理抵押品、持续监控敞口，并在实时状态下优化现金头寸——这就要求基础设施能够与其同步运转。A16z 在其 2026 年的展望中直接指出：AI 代理将需要以互联网速度运行的支付，并由可编程结算工具提供支持。向以意图（intent）为基础的自主系统转型，与那些围绕人类处理窗口设计的“通道”（rails）并不兼容。
真正的自主金融工作流所需要的是原子性结算：价值的同时发生、不可撤销的交换，并在实时确认最终性。正是代币化基础设施正在为此而构建。JPMorgan 在 Base 上的存款代币（deposit token）、BNY 面向机构客户的代币化存款平台，以及由五家区域性银行组成的 Cari Network 联盟，从核心上讲，都是在建设不依赖隔夜批量周期的结算通道。它们不仅仅是“代币化”的故事。它们是“AI 基础设施”的故事。今天在构建可编程结算通道的机构，也正在为规模化的自主金融运营打造先决条件。
对于将这两者作为独立项目运行的银行来说，这种先后顺序带来的影响是直接的。就在不久的某个时点，被部署在资金库和支付工作流中的代理，将能够比底层结算基础设施更快地完成决策确认。届时，组织会面临一个选择：将代理的能力约束在通道所允许的范围内，接受自主执行将在人工交接开始的边界处停止；或者以远高于若从一开始就把两个项目设计为单一项目所需的成本和复杂度，重建这些通道。
还有一个值得点名的、面向客户的维度。企业资金库团队正在构建他们自己的具身工作流。一个构建了“AI 原生资金库职能”的客户，不需要银行替它管理这些决策。它需要银行的基础设施支持自主执行，同时不要在结算边界处重新引入人工介入。那些无法提供这一点的银行，会发现企业客户正在向能够提供相应能力的机构或平台转移。
对每一家目前正在运行具身AI项目的银行而言，一个实际问题是：这些代理最终将依赖的结算基础设施，是否正在与之并行建设。不是作为未来的考虑项，而是作为当前的设计决策。两 个项目并不是按顺序推进的。它们是同一个项目。