金融人别只盯着银行和券商,AI+金融正在打开新的职业机会

她今年31岁，金融专业毕业，在金融行业工作了6年。之前在一家金融机构负责业务分析和产品运营，平时接触最多的是客户数据、金融产品、业务报表和各类行业资料。工作这些年，业务流程越来越熟悉，但她也逐渐遇到了职业瓶颈：想涨薪，需要往管理岗走；想换工作，能选择的岗位似乎还是银行、券商、基金和保险公司。

去年，她开始关注AI相关岗位。最初只是觉得大模型发展很快，想学点新东西，后来发现不少金融科技公司、互联网平台和企业服务公司，也在招聘懂金融业务、懂AI应用的人才。

她这才意识到，金融人的职业选择不一定只能围绕银行和券商展开。AI+金融，可能正在打开另一条职业路径。

但她也有自己的顾虑。自己不是计算机专业，没有开发经验，之前做的金融业务和AI产品经理、AI解决方案岗位看起来相差很远。她担心学了半天，最后既没有技术优势，也失去了原来的金融竞争力。

后来她找到我，我看完她的经历后，建议她先不要急着转程序员，而是从金融业务与AI应用的结合点入手。她过去6年的金融经验，完全可以成为转型的基础，但还需要通过系统学习和项目实践，把这些经验转化成企业看得见的能力。

我带她准备的过程中，最重要的不是让她记住多少AI名词，而是让她逐渐看清楚：金融背景的人究竟能进入哪些AI相关岗位，又应该补齐什么能力。

📌第一类机会：AI金融产品经理，负责把金融需求变成AI产品。

这是她最开始重点了解的方向。

过去她做金融产品运营，更多是围绕业务流程、客户需求和产品功能开展工作。但AI产品经理需要进一步理解大模型的能力边界，知道哪些需求适合用AI解决，以及如何把模型能力设计成用户真正愿意使用的功能。

我先带她学习产品需求分析、用户调研、竞品分析和PRD设计，再结合金融业务做产品拆解。

比如，金融机构内部有大量制度、产品说明和业务资料，员工经常需要查找信息。传统方式依赖人工检索，如果做成金融知识助手，就需要考虑用户是谁、资料从哪里来、检索结果如何展示，以及模型回答错误时怎么处理。

她过去熟悉金融产品和客户需求，这些经验可以帮助她判断功能是否真正符合业务场景。需要补充的是大模型基础、Prompt、RAG、Agent和AI产品评测能力。

📌第二类机会：金融AI解决方案，负责让AI真正进入业务流程。

这个方向和传统金融业务经验的联系非常紧密。

金融企业并不是引入一个大模型就能完成数字化升级。不同部门有不同的业务流程，数据权限、合规要求和系统接口也各不相同。

比如一家企业希望建设智能投研助手，就要先了解研究人员平时如何收集资料、整理报告、跟踪行业动态，再设计知识库检索、信息总结和报告辅助生成等功能。

我让她练习从业务调研开始，梳理现有流程、识别效率瓶颈，再输出解决方案和实施计划。

她过去做过金融业务分析，知道不同岗位的工作方式，也熟悉金融资料和业务规则。经过练习以后，她逐渐能够把这些经验整理成一套完整的AI解决方案，而不只是介绍某个模型有什么功能。

📌第三类机会：金融知识库和Agent应用，负责设计具体的AI业务场景。

这是我们重点做项目的部分。

我带她做了一个金融研究助手项目，模拟金融机构内部使用场景，将行业报告、企业资料、研究文档等整理成知识库，再通过RAG实现资料检索和内容总结。

项目开始时，她负责梳理目标用户、核心需求和功能流程。随后学习文档切分、Embedding、向量检索、关键词检索和Rerank，理解知识库从资料接入到答案生成的完整流程。

真正做起来以后，她发现并不是把资料上传就能得到可靠结果。不同来源的信息需要区分，资料过期需要更新，模型回答还需要展示引用依据。

在此基础上，我们又增加了Agent应用设计，让系统能够根据用户任务调用资料检索工具，完成信息收集和内容整理。

我还让她补充了权限管理、异常处理和人工复核机制。尤其是金融场景，AI生成的内容不能直接等同于投资建议，涉及风险判断和业务决策的环节必须设置明确边界。

这个项目让她从原来只会分析金融业务，逐渐具备了设计金融AI应用的能力。

📌第四类机会：金融AI运营与评测，负责让产品持续产生业务价值。

很多人一提到AI岗位，就只想到产品经理和开发工程师，其实AI产品上线以后，还需要有人持续跟踪使用效果。

例如金融知识助手上线后，用户是否真的愿意使用？检索结果是否准确？模型回答有没有依据？哪些问题经常无法解决？用户反馈集中在哪些地方？

这些都需要通过数据和业务反馈进行分析。

我带她学习基础的AI产品评测方法，建立测试问题集，记录检索准确性、回答质量、任务完成情况和用户反馈，再根据问题定位需要优化的环节。

她原本就有金融数据分析和产品运营经验，所以这部分上手相对快。以前她分析的是金融业务指标，现在开始进一步分析AI产品的使用效果。

这也让她发现，金融背景并不只能对应金融业务岗位，还可以延伸到AI产品运营、AI应用评测和解决方案交付等方向。

经过这段时间的准备，她对自己的职业方向清晰了很多。简历不再只是写客户分析、金融产品运营和业务数据整理，而是能够展示自己对金融业务的理解、AI产品方案设计能力，以及完整的金融AI项目实践。

她后来跟我说，自己以前找工作，眼睛总盯着银行、券商和基金公司，觉得离开这些传统金融机构就不知道还能做什么。现在才发现，金融科技公司、企业服务平台、AI应用公司，同样需要懂金融业务的人。

我觉得这也是很多金融人值得重新思考的地方。

金融行业不会因为AI出现就失去专业门槛。风险控制、业务规则、客户需求、金融产品逻辑，这些东西依然需要专业人员理解。变化的是工作方式，以及企业对人才能力的要求。

如果你是银行、证券、保险、基金、财务或者金融分析背景，不妨把视野从传统金融机构扩大一些。AI金融产品、金融知识助手、智能投研、风险管理辅助、金融AI解决方案，都可以成为值得了解的职业方向。

当然，行业经验只是基础。想真正进入AI相关岗位，还需要补齐大模型基础、RAG、Agent、产品设计和项目实践。不要只停留在会使用AI工具，而要能够结合金融业务做出一套完整的应用方案。

我本人6年Java后端转大模型产品，现在在大厂做AI产品，业余时间也一直在带不同背景的人转型AI+行业复合方向。最近准备带一批金融、银行、证券、保险、财务和运营等背景的朋友，系统补齐AI应用能力。重点不是让你放弃金融专业去做程序员，而是帮你把原来的金融经验和AI应用结合起来。

💡带学硬性要求

必须是我的粉丝，现在关注也可以。
22-45岁，金融、银行、证券、保险、财务、分析师、运营等背景优先。
每晚能稳定拿出1-2小时学习和实操，想真正转型，而不是只收藏资料。

如果你符合这些条件，可以留下“想学”，我会把整理好的AI+金融学习路线发给你，包含大模型基础、金融AI应用场景、RAG和Agent实战、项目实践以及相关岗位面试准备。

在金融行业待得越久，我越觉得，很多人不是没有职业竞争力，而是习惯用原来的岗位和行业定义自己的发展空间。不要因为自己不会编程，就觉得AI与你无关；也不要因为已经做了五六年金融，就认为转型只能从头开始。真正值得做的，是把过去积累的业务理解和行业经验保留下来，再增加一层AI应用能力，让自己的职业选择不再局限于银行和券商。