天弘基金机构尽调：余额宝母公司 1.6 万亿规模 + 贞仪大模型 + 天弘MCP 生态全面拆解

在所有已调研的 17 家机构中，天弘基金是唯一一家带着 10 亿级用户基因、同时完成从「流量货币化」到「AI 基础设施化」战略跃迁的互联网公募巨头。截至 2025 年末，天弘基金管理资产总规模预计超 1.6 万亿-1.8 万亿元，其中天弘余额宝单只产品规模约 7000 亿-8000 亿元，是中国资产管理行业最深入人心的普惠金融符号。但天弘的 AI 故事远不止余额宝——它以天弘 MCP为核心，深度适配蚂蚁集团贞仪大模型，构建了公募行业最具「场景想象力」的 AI 操作系统：底层依托阿里云/蚂蚁金融云底座与通义千问/贞仪大模型，中层通过金融语料垂直精调形成金融领域能力，上层通过灵活定制模板、场景化应用广场、基金经理数字分身和客服数字分身四大形态输出能力。平台分发上，天弘选择了MCP + Coze + Dify + Cursor 四大 AI 开发者生态全覆盖，是已调研机构中平台覆盖最广的之一。阿里系生态协同（蚂蚁财富 10 亿级用户 + 阿里云/蚂蚁金融云算力底座 + 钉钉组织协同）为天弘提供了其他基金公司无法企及的「流量 × 算力 × 组织」三重基础设施。这不是一个基金公司做 AI Skill 的故事，而是一个互联网基因基金公司如何利用阿里全栈生态将 AI 从工具升级为渠道效率引擎的故事。

一、机构概况：余额宝背后的 1.6 万亿互联网公募巨头

天弘基金管理有限公司成立于 2004 年，是中国最具互联网基因的公募基金公司。2013 年与支付宝合作推出余额宝，开创了中国互联网货币基金的先河，使天弘基金从一个行业排名中后段的小型基金公司一跃成为中国管理规模最大的公募机构之一。截至 2025 年末，天弘基金管理资产总规模预计超 1.6 万亿-1.8 万亿元，其中货币基金（以余额宝为核心）约 7000 亿-8000 亿元，指数基金和固收类产品构成另一大支柱。服务个人投资者户数超 7 亿（含余额宝用户），这个用户量级不仅在公募行业无人能及，在所有中国金融服务机构中也是顶级的存在。经营业绩方面，根据上市公司股东年报推算，2024 年天弘基金营收约 40 亿-50 亿元，净利润约 15 亿-20 亿元——凭借低费率的货币基金与规模效应，保持了稳健的盈利能力。

但「余额宝母公司」的标签既是最强光环也是最沉枷锁。一方面，余额宝带来的管理规模和品牌知名度是天弘一切业务开展的基础；另一方面，行业对天弘的认知长期停留在「货币基金批发商」——主动管理能力弱、投研体系薄、AI 不过是蚂蚁集团的附庸。这种认知在 2023 年之前或许成立，但在 2024-2026 年的 AI 浪潮中，天弘完成了不容忽视的战略跃迁：从依赖蚂蚁流量做基金代销，到以天弘 MCP为核心自建 AI 能力，将「阿里系生态协同」从被动依附升级为主动调度。

天弘 MCP 的架构设计充分体现了其互联网基因：它不是一个封闭的内部投研系统（像易方达 EFUTURE）或聚焦特定赛道的场景工具（像南方智投的养老），而是一个开放、可扩展、面向多场景的 AI 能力编排平台。底层依托阿里云百炼/蚂蚁金融云的模型调度能力，接入通义千问系列大模型并深度适配蚂蚁集团贞仪大模型——在通用基座之上，用天弘自有金融数据和蚂蚁生态数据进行垂直领域精调，提供金融领域专用的推理和生成能力。上层通过四种产品形态输出能力：灵活定制模板（低代码构建特定场景的 AI 工作流）、场景化应用广场（预置数百个金融场景 Skill）、基金经理数字分身（将基金经理的投资方法论转化为可交互的 AI Agent）、客服数字分身（7×24 小时智能客服覆盖投教/咨询/适配合规）。

在 C 端智能投顾层面，天弘依托蚂蚁财富频道提供了「目标投」（AI 自适应定投策略，为投资者设定止盈目标并动态调整扣款节奏）与「薪愿宝」（面向工薪族的场景化攒钱与定投计划）等智能化服务，并结合大模型持续升级用户风险画像，提供千人千面的基金组合推荐。平台分发上，天弘的策略是「全生态覆盖」——同时入驻 MCP、Coze、Dify、Cursor 四大 AI 开发者平台，是全行业平台布局最广的基金公司之一。这种策略与其互联网基因高度一致：不押注单一平台，而是把 AI 能力铺到所有可能有开发者和用户的地方。

天弘基金的 AI 战略可以概括为三个关键词：生态嵌入（深度融入阿里全栈而非独立自建）、场景优先（以应用广场和定制模板降低 AI 使用门槛）、流量效率（AI 的核心 KPI 是提升 10 亿级用户触达的转化效率和运营效率）。如果易方达 EFUTURE 是「全链路自研」的极致、南方 FinGPT+智投是「赛道深耕」的典范，那天弘 MCP 就是「把阿里系所有 AI 基础设施整合为基金行业可用、可复制的场景化操作系统」——这是只有天弘的股权结构和生态位置才能实现的独特战略。

二、AI 能力全景：贞仪大模型 + 天弘 MCP 的「场景操作系统」

2.1 Skill 矩阵一览

2.2 整体评价

天弘基金的 Skill 战略在所有已调研的基金公司中是最「互联网化」的。它不像易方达那样追求全链路自研的投研 AI 操作系统，也不像南方那样在养老 FOF 赛道深耕单点——天弘选择了一条更符合自身基因的路径：以阿里全栈 AI 基础设施为底座，以场景化应用和低门槛定制为核心交付形态，以 10 亿级用户触达为最终价值锚点。

从 Skill 矩阵来看，天弘的产品线有两个鲜明的特征。第一是「应用广场」思维——预置数百个金融场景 Skill，让用户像逛应用商店一样使用 AI 功能。这种设计理念直接继承了支付宝小程序的生态逻辑：降低使用门槛、提高分发效率、让长尾场景也能被覆盖。第二是「数字分身」战略——将基金经理和客服的能力 AI 化。基金经理数字分身在行业中是独一无二的创新——它不是一个简单的「AI 问答机器人」，而是将基金经理的投资框架和方法论系统性地「蒸馏」为可交互的 AI Agent，让基金经理的专业能力从「一次只能服务少数机构客户」变为「可同时服务成千上万人」。这在本质上是在将基金经理的个人 IP 从人力资产转化为 AI 资产——与易方达「去明星化、建系统化」的思路形成有趣对比：易方达想用 AI 替代明星基金经理，天弘想用 AI 放大明星基金经理。

多平台分发上，天弘的 MCP + Coze + Dify + Cursor 四平台策略是已调研机构中覆盖最广的之一。这种「全平台铺开」的策略逻辑是：天弘的 AI 能力定位是「场景化金融 AI 应用」而非「深度投研引擎」——场景化应用的边际分发成本极低，多一个平台就多一群潜在用户和开发者。但这也带来一个隐含的风险：在四个平台上维护相同或相似的 Skill，版本一致性、功能同步和品牌统一性将是一个持续的管理挑战。

阿里系生态协同是天弘最不可复制的战略优势。任何一个非阿里系的基金公司，都无法同时拥有蚂蚁财富的 10 亿级用户触达、阿里云/蚂蚁金融云的弹性算力和模型服务、钉钉的企业级组织和客户连接。天弘在这个生态中的角色不是被动的「流量接收方」，而是主动的「金融 AI 能力调度者」——它把阿里体系中分散的 AI 基础设施整合为基金行业的场景化解决方案。这种「以我为主、调度生态」的姿态，是天弘从「蚂蚁的附庸」到「阿里 AI 生态的金融能力枢纽」转变的标志。

三、三条核心产品线五维度深度拆解

3.1 天弘 MCP 核心平台：阿里云/蚂蚁金融云 + 通义千问 + 贞仪大模型 + 金融垂直精调

3.2 场景化应用广场 + 灵活定制模板：AI 能力的「应用商店」模式

3.3 基金经理数字分身 + 客服数字分身：个人 IP 与服务能力的 AI 规模化

四、核心亮点

4.1 阿里系生态协同：10 亿级用户流量 × 弹性 AI 算力 × 钉钉企业连接的三位一体

在已调研的 17 家机构中，天弘基金的阿里系生态协同是最独特的战略资源，没有之一。这种协同分为三个层次：

第一层：蚂蚁财富 10 亿级用户触达。天弘的 AI Skill 不是「做好了然后等用户来用」，而是「做好的同时已经有 10 亿级用户在那里了」。应用广场中的数百个金融场景 Skill，直接嵌入支付宝和蚂蚁财富 App 的对应场景——用户在查看余额宝收益时看到「市场解读」Skill，在浏览基金时看到「智能选基」Skill，在设置定投时看到「定投优化」Skill。这种「场景即入口」的触达效率，是任何非蚂蚁系基金公司都无法企及的。南方基金的罗盘 APP 需要自己买量拉新，易方达「内嵌」到华泰和招行的谈判和对接周期以年为单位——而天弘的 AI Skill 上线第一天就能被上千万用户看到。这种流量优势的 AI 时代价值被严重低估了：一个好的 AI Skill，如果没有用户用，再先进也只能是 PPT；而天弘的 Skill 天然拥有行业最大的测试和迭代用户群——7 亿用户意味着即使是千分之一的转化率，也是 70 万的日活，这种数据飞轮会让天弘的 AI 模型比其他机构迭代更快。

第二层：阿里云/蚂蚁金融云弹性算力和模型服务。天弘不需要自建 GPU 集群，通过云底座可以按需调度从推理到精调的全栈 AI 算力。这不仅大幅降低了天弘的 AI 基础设施建设成本，更关键的是让天弘的 AI 团队可以专注于「金融场景适配」这个最有价值的环节。通义千问/贞仪大模型每发布一个新版本，天弘可以第一时间在云平台上使用——这种「模型迭代零延迟」的优势，让天弘在产品体验上永远处于阿里 AI 技术栈的最前沿。核心系统全面上云也帮助天弘从容应对「双11」等大流量场景的技术压力。相比之下，自研模型的基金公司在模型迭代速度上无法与「直接使用最先进的基础模型 + 轻量精调」的天弘模式竞争。

第三层：钉钉企业连接。钉钉是中国最大的企业协同办公平台之一，覆盖数以千万计的企业和组织。天弘通过钉钉将 AI Skill 输出到企业场景——企业财务人员可以在钉钉中通过天弘 Skill 实现企业现金管理、企业员工可以通过钉钉接入天弘的养老规划和个税优化 Skill。这种 B2B2C 的分发路径，是其他基金公司完全缺失的。更重要的是，钉钉覆盖了大量的中小企业——这些企业在现金管理、员工福利、企业年金等方面的需求，恰恰是天弘固收和指数类产品的核心场景。天弘通过钉钉将 AI 能力渗透到企业端，本质上是在铺设一条从「C 端零售」到「B 端企业」的第二增长曲线。

三重生态协同的叠加效应是乘法的而非加法的：蚂蚁的 10 亿级用户为 AI 模型提供海量反馈数据 → 阿里云的弹性算力让模型能够快速迭代 → 钉钉的企业连接为 AI 能力提供差异化的商业变现路径。这个三位一体的生态协同，在公募行业中不仅独一无二，在可预见的未来也不会有第二家基金公司能复制。

4.2 场景化应用广场：公募行业第一个「AI 应用商店」模式

天弘的场景化应用广场是整个公募基金 AI 赛道中最具互联网产品思维的设计。它的底层逻辑直接继承了支付宝小程序生态的成功经验：不要教育用户「AI 是什么」，而是让用户在具体场景中「用起来」。传统基金公司的 AI 工具（如易方达 EFUTURE 投研平台、南方 FinGPT）是面向专业用户的「专业软件」——需要培训、需要学习、需要理解其功能边界。天弘的应用广场是面向普通用户和理财师的「应用商店」——点开、选择场景、立即使用。

这种产品哲学的根本差异在于对 AI 价值的判断。行业的主流叙事是「AI 的核心价值在于投研深度——发现 Alpha、优化组合、控制风险」，这个叙事在易方达和南方的策略中占据主导地位。天弘的判断不同：对于管理规模超 1.6 万亿（其中 7000 亿-8000 亿是货币基金）的天弘来说，AI 的核心价值在于效率——把 AI 应用到每一个可能提升用户转化率、降低运营成本、提升服务响应速度的场景中。智能选基 Skill 的转准率提升（转化效率）、客服数字分身将人工客服需求大幅降低（运营效率）、市场解读 Skill 让用户打开 App 的频率提升（用户粘性效率）——这些效率指标的加总，对于拥有 7 亿用户的天弘来说，产生的商业价值可能超过一个深度投研 AI 平台的 Alpha 贡献。

应用广场模式还有一个长期被低估的战略价值：它在训练用户习惯。当用户习惯了在各种金融场景中使用天弘的 AI Skill 后，「天弘 = 金融 AI」的品牌认知就建立起来了。这种品牌资产的建立，不是靠投广告，而是靠产品体验的日积月累。在金融 AI 这个「谁先建立用户习惯、谁就拥有用户」的赛道上，天弘的 7 亿用户基数和场景化应用广场的组合正在构建一个强大的正反馈循环。

4.3 基金经理数字分身：公募行业「个人 IP AI 化」的最前沿探索

基金经理数字分身是本次尽调中发现的最具争议性但也最具前瞻性的 AI 应用。它的底层逻辑挑战了基金行业一个根深蒂固的假设：基金经理的专业能力是不可规模化的——因为基金经理的时间和精力有限，只能服务少数机构客户和高净值个人。数字分身试图打破这个假设：通过 AI 将基金经理的投资方法论「蒸馏」为可交互的 Agent，让一个人可以同时「服务」成千上万人。

这个逻辑在理论上是成立的，但在实践中面临三重挑战。第一是认识论挑战：投资方法论真的可以被完整提取吗？很多基金经理的核心判断依赖的是多年来形成的「直觉」——这种直觉不是显性知识，无法通过结构化访谈提取。数字分身只能复制基金经理能够清晰表达出来的那部分方法论，而无法复现他面对市场波动时那种无法言说的「感觉」。第二是信任挑战：就算数字分身完美复现了基金经理的方法论，投资者会信任一个 AI Agent 吗？当投资者知道对面是 AI 而非真人时，他对投资观点的信任度会打多少折扣？第三是法律和监管挑战：目前没有任何法律法规对「基金经理数字分身」的性质和边界做出定义——它是一个投资顾问（需要投顾牌照）？是一个投教工具（不能给建议）？还是一个全新的监管盲区？

尽管存在这些挑战，基金经理数字分身的战略前瞻性不容忽视。它代表了一个不可逆的趋势：稀缺的专业能力必然会被 AI 规模化——律师、医生、教师都是如此，基金经理也不会例外。天弘在这个方向上的先发探索，即使早期不够完美、面临各种质疑，也为它积累了最宝贵的「试错经验」——当全行业 3-5 年后开始跟进时，天弘已经解决了最棘手的信任、法律和技术问题。这种早期探索虽然风险高，但一旦成功，建立的优势将是代际级别的。

4.4 隐私计算与联邦学习：不导出数据的生态协作

天弘与蚂蚁集团在技术协作上还有一个常被忽视的亮点——隐私计算与联邦学习。在严格的数据合规框架下，天弘不能将蚂蚁侧的用户行为数据直接导入自身系统。通过与蚂蚁合作采用联邦学习技术，天弘可以在不导出蚂蚁侧用户数据的前提下，优化基金产品的推荐算法模型：双方各自在本地训练模型、只交换加密后的梯度信息，既满足监管对用户数据保护的要求，又让推荐模型受益于蚂蚁生态的海量行为信号。这种「数据可用不可见」的协作范式，是金融 AI 生态协同走向深水区的重要技术底座，也为天弘后续在更多场景中与蚂蚁开展联合建模提供了可复制的方法论。

五、竞品对比：生态赋能 vs 全链路自研 vs 赛道壁垒

天弘基金在公募行业的 AI 竞品主要是易方达基金、南方基金和华夏基金——这四家合计管理规模超过 6 万亿元，但各自的 AI 战略选择了截然不同的路径，代表了公募行业 AI 化的四种终极范式。

5.1 天弘基金 vs 易方达基金：生态赋能 vs 全链路自研

关键判断：天弘和易方达代表了公募行业 AI 化的两种终极范式，分别对应了各自的基因和资源禀赋。易方达是「工程驱动」——全品类管理规模决定了它必须把投研、风控、运营的全链条都用 AI 自研覆盖，任何一个环节依赖外部就等于把命脉交给别人。天弘是「生态驱动」——1.6 万亿-1.8 万亿中 7000 亿-8000 亿是低费率货币基金，自研 AI 基础设施的投入产出比不合理，更好的策略是借力阿里生态中已经成熟的 AI 基础设施，将资源集中在金融场景的适配和用户体验的优化上。

这两种范式在短期内不会发生正面冲突——它们服务的用户群体和场景几乎完全不同。易方达的 EFUTURE 服务于内部投研团队和机构合作伙伴，天弘的 MCP 服务于 7 亿 C 端用户和合作渠道的理财师。但从长期来看，二者会在「机构客户」这个中间地带产生竞争——当天弘通过钉钉向企业输出 AI 能力、易方达通过「内嵌」向银行券商输出 AI 能力时，同一家银行可能会同时收到天弘和易方达的「AI 能力输出」方案。届时，天弘的差异化优势是「阿里云 + 钉钉的集成体验」，易方达的差异化优势是「投研数据的深度」——客户会选哪一家，取决于他们更需要「生态便利」还是「投研深度」。

5.2 天弘基金 vs 南方基金 / 华夏基金：流量效率 vs 赛道壁垒

关键判断：天弘与南方基金的对比是本次尽调中最有价值的「范式对决」。两家管理规模相近，但 AI 战略选择了完全相反的方向。南方是「窄而深」——把 AI 的重注押在养老 FOF 这一个赛道上，用 FinGPT 的投研深度和南方智投的养老 AI 能力建立不可替代的壁垒。天弘是「广而浅」——把 AI 铺到数百个场景中，用场景化应用广场和全平台分发覆盖尽可能多的用户和场景，不追求单个场景的 AI 深度做到行业第一，而是追求「在最多的场景中产生最大的综合效率提升」。

这两种策略的优劣没有绝对答案，取决于不同的市场假设。南方的策略假设是「养老是公募行业未来最大的结构性机会，在这个赛道做到 AI 最强，就能通吃」。天弘的策略假设是「AI 的核心价值在于效率提升而非 Alpha 发现，谁的 AI 触达的用户最多、覆盖的场景最广，谁的长期竞争优势最强」。如果养老 FOF 赛道如预期爆发，南方的壁垒会非常坚固；如果 AI 赋能的渠道效率提升成为行业竞争的主旋律，天弘的「广而浅」策略会因为覆盖的用户和场景量级而产生压倒性优势。

华夏基金在天弘和南方的对比中处于一种「结构性劣势」——ETF 工具 AI 是高度标准化的赛道，技术壁垒不高，竞争对手容易跟随。而且华夏缺乏天弘的阿里生态优势和南方的养老赛道壁垒——在「要么有平台、要么有赛道」的 AI 竞争中，华夏的 ETF 工具 AI 更像是一个「做得好但不够差异化」的定位。

六、结论与行业启示：流量飞轮、生态杠杆与投研深度的再平衡

天弘基金是中国公募行业中唯一将「互联网产品思维」与「金融 AI」深度融合并形成规模化分发的万亿级机构。它的天弘 MCP 不是最深的投研引擎（不如易方达 EFUTURE）、不是最强的赛道壁垒（不如南方智投的养老 FOF），但天弘在三个维度上建立了其他机构无法复制的独特优势：阿里系三位一体生态协同（蚂蚁 10 亿级用户 + 阿里云/蚂蚁金融云弹性算力 + 钉钉企业连接）、场景化应用广场的「AI 应用商店」模式、以及基金经理/客服数字分身的个人 IP AI 化探索。

天弘最大的结构性优势是「流量 × 场景 × 数据」的增强飞轮。7 亿用户产生海量交互数据 → 数据喂养金融精调模型 → 模型优化提升 Skill 效果 → 更好的效果提升用户使用频率和转化率 → 更多使用产生更多数据。这个飞轮在传统金融很难成立（因为金融是低频场景），但天弘通过场景化应用广场将 AI 渗透到投前/投中/投后/投教的每一个微场景中——市场解读是日频、智能选基是周频、定投优化（目标投）是月频、市场波动时的持仓诊断是事件驱动。高频的场景覆盖让低频的金融服务变成了高频的 AI 互动，从而为飞轮提供了持续的燃料。

对整个行业，天弘基金带来了三条深刻启示：

1. AI 时代的基金行业竞争不再是「谁的研究更牛」，而是「谁的 AI 触达效率更高」。传统公募的竞争维度是投资业绩——谁的基金经理更聪明、谁的研究体系更完善。AI 时代的竞争增加了一个新的维度：触达效率——同样一句话（市场观点/投教内容/调仓建议），谁能让更多用户在更合适的时机看到并产生行动。天弘的 7 亿用户 + 场景化应用广场在这个维度上享有压倒性优势：易方达的一个投研观点可能需要通过基金经理路演 → 渠道理财师 → 客户的漫长链条才能触达，而天弘的 AI 市场解读 Skill 可以在观点生成后的几秒内推送给数百万用户。这种触达效率的代际差距，可能会重新定义基金行业「好产品」的标准——不只是业绩好，还要「能被用户知道业绩好」。
2. 「生态嵌入」是比「独立自研」更具规模杠杆的 AI 策略——但前提是你有生态可嵌入。天弘的 AI 策略对大多数基金公司来说是无法模仿的——因为你没有蚂蚁的 10 亿级用户、阿里云的弹性算力和钉钉的企业连接。但这不意味着「生态嵌入」的思路没有普适价值。对于中小基金公司来说，「生态嵌入」可以降级为「平台嵌入」：不是嵌入一个超级生态，而是嵌入 Coze/Dify/Cursor 等 AI 开发者平台，利用这些平台已有的用户和开发者网络分发自己的金融 AI 能力。天弘的「全平台覆盖」策略恰恰证明了这一点——即使有了阿里生态，天弘仍然积极布局 MCP/Coze/Dify/Cursor 四大平台，因为没有任何一个生态能覆盖所有用户。
3. 基金经理数字分身代表了「个人专业能力 AI 化」的不可逆趋势，但这个趋势需要解决信任、法律和监管三重挑战才能释放全部价值。数字分身不是天弘独有的技术——任何有大模型和 RAG 能力的机构都能做。天弘的差异化在于「先发」——先发意味着先积累用户反馈、先试错、先建立信任。当全行业 3-5 年后开始跟进时，天弘的数字分身已经迭代了几十个版本，解决了早期最棘手的问题。这种「先发试错」的战略价值在 AI 领域被系统性地低估了——因为 AI 模型的效果提升高度依赖真实用户反馈，而真实用户反馈只能通过「上线了被人用」来获得。天弘的 7 亿用户基数为数字分身提供了行业最大规模的「测试场」——这是任何竞争对手都无法在实验室中模拟的优势。

天弘基金当前最大的挑战在于AI 投研深度的不足。天弘 MCP 在金融文本理解、合规审查和场景化应用上表现出色，但在 Alpha 发现（选股信号生成、另类数据因子挖掘、组合优化）这个投研 AI 最核心的环节上，明显落后于易方达 EFUTURE 和南方 FinGPT。这背后的根本原因是天弘的产品结构（7000 亿-8000 亿货币基金）和历史基因（互联网渠道起家而非主动管理起家）——天弘本来就没有 20 年主动管理的投研积淀可以用来训练 AI，也没有迫切的需求（货币基金不需要「选股」）来驱动投研 AI 的研发。但随着天弘在指数基金和固收+产品上的持续布局，投研 AI 能力的重要性会逐步上升。建议天弘未来可以考虑通过与阿里云联合研发的方式，在保持「生态赋能」核心策略的同时，在投研 AI 的关键环节（如因子挖掘、行业比较、宏观分析）上补强——不必追求自研全链路像易方达那样重，但需要在至少 1-2 个投研 AI 环节上达到行业领先水平。

另一个隐忧是品牌独立性问题。天弘的 AI 能力越深度地嵌入阿里生态（支付宝/蚂蚁财富/钉钉/阿里云），就越难建立独立的「天弘 AI」品牌认知。用户在使用支付宝中的市场解读 Skill 时，有多少人知道这是天弘提供的 AI 能力？如果用户永远只感受到「支付宝变聪明了」而不是「天弘 AI 很强」，那么天弘在阿里生态中的价值就始终是「能力供应商」而非「品牌拥有者」。建议天弘在 Skill 的场景化呈现中刻意强化「天弘」品牌元素——就像 Intel Inside 策略一样，让用户在使用支付宝 AI 功能时意识到「这个 Skill 由天弘 AI 提供」。

此外，值得关注的还有两条成长主线：一是ESG 布局——天弘已发行 ESG 主题混合型投资基金，并依托 AI 在投研与尽调环节的提效能力，逐步将可持续投资因子融入产品设计；二是跨境业务——通过互联互通机制参与香港市场 ETF 布局的动态值得跟踪。对天弘而言，能否把「余额宝时代」沉淀的用户信任，转化为「AI 时代」的智能财富管理能力，将决定它下一个十年的天花板。正如行业观察者所言：天弘不缺流量，不缺场景，缺的是在投研深水区证明自己的一次机会。