前言

      32家券商完成算法与模型备案，备案项目超过50个。这个数字来自易观千帆截至2026年7月末的统计。

      备案是合规动作，但落地数据更值得看：国泰海通累计发布智能体1314个、Skills 404个；中信证券的“超级研究员”月均调用近4万次，覆盖上万名员工。

      智能体并没有“均匀地”渗透进每一个岗位。它沿着一条极其清晰的路径推进：先吃掉流程，再逼近判断。

第一层：流程型任务，正在被批量封装

被封装得最快的任务，有一个共同特征：高频、规则清晰、输出可校验。

中信证券的数字员工体系里，除了“超级投行家”，还有请假助理、PPT助理等标准化工具。国泰海通的灵犀Skills体系，把数据提取、财务模型底稿、研报初稿这些环节从人的时间表里拿走。

AI可在十余分钟内完成过去需要一天的案头工作。这一层渗透的本质，是把“可写成规则的苦劳”从岗位上剥离。 当流程被抽走，原来靠“汇总数据、分发任务、上传下达”存在的“传声筒型中层”，将最先失去生态位；而留下来的人，其时间将被直接推到“判断”的红线前——这正是AI目前还在试探的边界。

第二层：判断型任务，AI在逼近，但未接管

招商证券国际的做法提供了一个窗口：把主动选股改造为“可审计的自动化生产线”，AI完成全过程，但最终结论与评级仍由持牌分析师签署负责。

行业普遍落地的模式是“AI生成+人工终审核验”的AB岗。判断没有被替代，但判断之前的准备工作被大幅压缩了。

一个微妙的变化在人才结构上发生了：AI对尚未建立行业积淀的新人冲击更大，资深分析师的价值反而被放大。AI是资深分析师的放大器，但新人传统的成长路径——“在笨功夫里培养数据敏感度”——正在被压缩。判断型岗位没被吃掉，但通往判断的路，变窄了。

第三层：一个新岗位最稀缺——“定界者”

猎聘和清华的联合报告里有个数字：AI智能体人才需求环比增速40%，而AI基础算法岗的需求占比从2022年的50%降到了2026年一季度的20%。

企业不再需要那么多“造模型”的人，而是极度渴望“用模型”的人。市场缺的不是“会写代码的人”，而是“能把金融业务逻辑和AI能力边界翻译清楚的人”。

这群人往往不是纯技术，也不是纯业务。他们不是泛泛的“懂技术又懂业务”的万金油，而是知道“业务在技术里的边界在哪”的人。 比如，他们不仅知道大模型能写出漂亮的底层代码，更知道这段代码在特定的信创数据库里根本跑不通；他们不仅知道AI能瞬间生成百页研报，更知道哪几个异常值可能是模型幻觉。

对金融IT从业者，这条信息比“AI会不会替代我”有用得多。被替代的不是岗位，是岗位上可被标准化的那部分任务。

AI拿走了你70%的工时，你剩下的30%——能不能提出好问题、能不能判断AI初稿里哪句话是幻觉——决定了你是被解放，还是被暴露。

从今天起，别再只做执行者，去学着做那个在最后关头按下“否决键”的审判者。

💬 读者投票