月活超3亿，千问把事办成了

　　千问 App 在刚过去的这一个春节没白忙活。

　　3 月 19 日，阿里巴巴集团发布 2026 财年 Q3 财报，千问的成绩单也包含其中。财报中提到，AI 相关产品收入连续十个季度呈三位数增长，阿里 AI 全栈布局取得显著进展，AI 业务双线突破，其中 C 端应用千问 MAU（ 月活跃用户 ）超 3 亿。

　　刚刚过去的春节，应该不少人都尝试着用千问点过奶茶、订过电影票。财报显示，截至 2 月底，近 1.4 亿用户通过千问 App 的智能体功能首次体验 AI 购物。

　　短暂的拉新只能证明 AI 应用足够新鲜、运营策略足够成功。但高价值的月活，却可以证明 AI 应用真的有用、可以一直用。3 亿的月活，说明千问确实帮人把事办成了。

　　其实千问走了一步 “ 险棋 ”。

　　上一阶段 AI 应用比拼的重点，更多的是局限在应用内：理解用户的指令，给出一定解答和操作。比如，用户说 “ 我要订一杯奶茶 ”，AI 会为你梳理怎样找到外卖 App、可以选择哪些奶茶品牌，它们给的是方法论。

　　但千问选择了另一个路线。“ 我要订一杯奶茶 ”，在千问的理解中，是直接拉起淘宝闪购，提供几个奶茶点单的选项，用户只需选择，即可直接下单进入付款页面。

　　说白了，它不只是局限在自己的 App 里解决问题，而是要联动外部的各类平台，实实在在帮用户完成线下、线上的实际事务。

　　而这种做法的风险其实极大，但凡 AI 有一点理解偏差，把事办错了，用户的信任就会瞬间崩塌。比如给一张电影海报让千问订票，要是它理解错了片名、买成了别的电影，哪怕过程中设计了主动确认的环节，这种失误也会让用户的信服度大打折扣。

　　毕竟，大家找 AI 办事图的就是省心靠谱，办砸一次，就很难再愿意托付。

　　“ 此招虽险，胜算却大。” 春节期间，千问真的把这些生活琐事办好了，甚至还把办事的链条大幅缩短了，不需要精确无比的指令，只要跟千问说 “ 帮我订张电影票，我晚上有空 ”，它就能自动匹配可看的场次、帮着做决策，还直接拉起下单窗口，全程不用切换任何其他 App。

　　千问不仅稳稳完成了用户的办事需求，甚至做得比大众普遍预期还要省心，这正是它能和用户建立起信任的核心基础。

　　而用户愿意持续留下来，核心也正是千问的办事能力和春节这个时间窗口的完美契合。

　　春节本就是新产品的黄金试验场。大家有充足空闲时间尝试新事物，这个节点既能带来规模化用户，也能沉淀海量真实使用数据。但这同时也是一场高难度考验，春节的生活办事需求本就繁杂，订奶茶、买电影票、订机票酒店、规划出行路线，各类指令琐碎又多元，AI 的承接任务量极大。更关键的是，春节的用户覆盖了全年龄段，其中不乏不习惯用 AI，甚至不知如何与 AI 交流的中老年群体，这些变量对 AI 的交互友好度、指令理解能力都是不小的挑战。

　　千问的发挥还算稳定。它可以做到精准识别方言，把用户模糊、抽象的指令转化为具体办事动作，还通过极简的语音交互大幅降低了数字鸿沟，让中老年群体也能轻松上手。

　　研精毕智市场调研曾在 3 月初给出这样一组数据，千问 App 用户呈现 “ 年龄跨度广、地域下沉深、行为场景化 ” 的显著特征。年龄结构上，00 后占比高达 40%，成为核心消费群体，在 “ AI 出差管家 ” 等复杂决策场景中，50% 的使用率来自该群体。同时，60 岁以上用户规模达 400 万，其中 156 万老年人通过语音交互首次体验线上外卖、票务预订等服务，有效降低了数字鸿沟，银发族日均使用时长已突破 45 分钟，语音交互成为其核心使用方式。

　　千问作为 AI 助手，本就适配春节这种全民性、高频次的办事场景，选在这个节点发力，既借势拿到了海量用户和真实场景数据，又靠实打实的办事能力，让用户从尝鲜变成了依赖。

　　进入应用化阶段，AI 也要找到自己的所长。从一开始，千问的定位就是 “ 能办事的 AI 助手 ”，一方面是基于千问大模型强大的基础能力，比如上下文、Coding 等等，实现数字世界的办事能力；另一侧，借助阿里生态能力，实现 “ 物理世界 ” 的办事能力，打出自己的差异化胜利。 

　　AI 洪流席卷而来，人们往往指望科技能够改天换地。但其实 AI 应用的价值，恰恰在于办成每一件不声不响，却足以让人安心踏实的小事。

　　在这个过程中，千问能找准自己定位，实现弯道超车的原因，也在于其背靠的阿里强大的生态基底。

　　当下多数传统AI应用的打法，仍是依托内容平台做场景延伸，这种模式下的需求理解始终囿于相对单薄的内容情境，很容易出现意图解读模糊的问题，只是停留在 “ 听懂用户说了什么 ”，仅围绕话语本身做信息层面的回应，没有实际落地办事的能力支撑。

　　但阿里生态内拥有的不止是单薄的语言信息，还有用户的一系列消费生活习惯。所以，千问对用户需求的理解多了关键一层，它不仅能听懂用户的表述，还更具有履约能力，判断 “ 能为用户做什么、该怎么做 ”。

　　一个 AI 应用，拥有履约能力到底有多重要？

　　举个例子，ChatGPT 如果要帮用户订酒店、规划旅行，仅能生成第三方网站的外部链接，用户需跳转才能下单，ChatGPT 全程无法参与履约，更无法跟踪订单进度、处理退改需求。Google 有自己内部生态，Google Gemini 能调用谷歌地图、机票工具做行程规划，但仍需跳转 Booking 等第三方平台订票。而以上说的这些，千问都能在 App 端内搞定。

　　生态内部深度融合的意义就是如此。更何况，现在用户在选择 AI 应用的时候会关注应用的背景。想理解内容，分析抖音、微信公众号的内容，用户会选择豆包、元宝，而现在阿里也建立起了这部分心智：办什么事都可以找千问。

　　千问承载着阿里重构 C 端用户入口的核心布局。所以，千问在 MAU 上的突破，不仅仅是单个产品的胜利，而是阿里 C 端 AI 战略初步成型的标志。

　　阿里从来不缺用户入口，但比较松散，千问用 “ 一句话办事 ” 把这些入口的能力整合起来了。千问既是撬动全域消费的 AI 新入口，又是串联所有业务的连接器。

　　在 1 月 15 日，千问 App 与淘宝天猫、淘宝闪购、高德、飞猪、支付宝等阿里生态业务深度打通，成为中国首个具备大规模执行真实世界复杂任务能力的 AI 助手。

　　千问作为阿里的 AI 新入口，核心是靠高频的 AI 互动，带动低频生活服务消费。阿里手握一众 C 端入口，每个平台都能完成专属的消费或办事动作，但大多是低频工具。

　　大麦的演出票务、淘票票的买电影票、盒马的生鲜、夸克的知识检索，用户只有产生明确需求时才会打开，日常流量相对固化且难以转化。而千问的 AI 交互是天然的高频入口，比如用户随口问 “ 周边有什么小众演出 ”，千问会先通过以前跟用户的交流记录掌握其喜好，再直接联动大麦订演出票；用户说 “ 想买点进口水果 ”，千问会直接调起淘宝闪购，匹配用户地址附近可配送的水果店铺。

　　这种以高频 AI 互动为入口的模式，让阿里各平台的流量有了统一的承接点。

　　而作为阿里生态的专属连接器，千问的意义在于，它可以让生态内的 App 不再各自为营，而是联动起来发挥作用。

　　阿里的生态本就覆盖了生活的方方面面，支付、购物、出行、本地生活、文娱、生鲜一应俱全，但过去这些 App 之间是数据孤岛，服务也是割裂的。而千问能打通各 App 的底层能力和数据，让原本孤立的服务产生化学反应，一个用户需求，多个阿里 App 协同完成。

　　比如，用户说 “ 帮我订今晚 7 点某地附近的电影票，看完顺路买杯奶茶 ”，千问的操作是，调起大麦、淘票票选片订票，并根据大麦提供的影院数据，筛选附近有奶茶店的影院，再用淘宝闪购直接点单，三者无缝衔接。再比如，用户说 “ 下周日去上海看演唱会，帮我安排全程行程 ”，千问会联动飞猪订机票酒店、大麦订演唱会门票、高德规划机场到酒店和场馆的最优路线，就算指令很模糊，没有让千问知道具体的演唱会安排，它也可以告诉你：“ 如果你是去梅奔看演唱会，梅奔旁边的世博源商场很大，看完演出如果饿了，可以去那里吃夜宵。”

　　这些场景里，没有一个 App 能单独完成全部服务，但千问的连接器作用，让阿里生态的所有能力拧成了一股绳。

　　再往深了说，千问的强大，还会反哺阿里 AI 模型的技术升级。其中最主要的原因是，千问侧获得的用户需求，是极为真实的。

　　真实的用户需求，从来都不是实验室里精准的标准化指令，而是充满犹豫、抽象与模糊性的。比如一句 “ 周末没事干，想看电影也想看演出 ”，没有明确的时间、地点、偏好，却恰恰是最贴近生活的真实表达。

　　这些源于实战的非标准化数据，远比实验室里的标准化训练数据更具价值。它让模型跳出 “ 理解文字 ” 的浅层阶段，真正学会 “ 理解人 ”。而千问会将这些真实交互转化为场景化，从而优化样本库，不仅锻炼着模型的自然语言理解能力，更倒逼着大模型结合阿里生态学会自主拆解需求、调用工具、跨 App 联动。

　　比如用户随口说 “ 点咖啡 ”，千问能从真实交互数据中习得，将这个模糊指令拆解成确认地址、筛选商品、调用优惠、完成支付等几个原子动作，从 “ 周末没事干 ” 中，识别出用户的核心需求是找休闲娱乐方式，进而自主联动淘票票、大麦、高德做个性化推荐，这是实验室纯文本训练永远练不出的 “ 懂人 ” 的能力。

　　更珍贵的是，千问承接的还有大量口语化、多模态、非标准化的突发需求。比如发一张电影海报让它订票、传一份英文菜单让它点单、用方言给了一句指令等等。这些实战数据要求千问的容错性和适应性更高，也会反过来让阿里的模型能力更抗造。

　　今年，阿里巴巴通义实验室发布 Qwen3-ASR 系列语音模型，官方数据显示，这个语言模型支持 22 种中文方言与 52 种全球语言识别，其中在覆盖 22 种方言的混合方言测试集上，Qwen3-ASR-1.7B 的词错误率仅为 15.94%，优于行业主流模型。

　　都说要想学好英语得多开口说，那么千问就像是阿里大模型的实战 “ 英语角 ”。

　　而且，这也带来了 AI 应用行业的 “ 返璞归真 ”。用户可以不再被灌输 “ 必须写好 Prompt 才能用好 AI ” 的思维，因为总有新用户第一次用 AI，也总有年长的用户小心翼翼地讲出并不精准的需求。AI 其实可以在反复的获取指令、逻辑推演中成长出更好的服务人的能力，它应该解决每一个人的问题，而不是只帮会写 Prompt 的人解决问题。

　　说到底，千问给阿里 AI 模型带来的，从来都不是简单的数据量积累，而是理解真实人类需求的核心样本库。而这种正向循环，也让阿里的 AI 技术形成了独一无二的护城河。

　　AI 时代，仍然要做超级 App，只是这个 App 需要比以前更懂人。