近日，复旦大学经济学院举行“南土国际金融政策圆桌会第12期”暨“迎接AI时代系列”第1期。本次会议以“AI时代的金融人才核心竞争力：基于金融实务工作的思考”为主题，围绕AI对金融实务、金融科技和人才培养的影响展开研讨。深圳市财富趋势科技股份有限公司副总裁萧岚在发言中指出，AI不会淘汰真正具备复合能力的金融科技人才，但会淘汰无法理解AI、无法驾驭AI、同时又失去金融本质判断力的人。

萧岚结合金融科技公司一线实践表示，金融科技行业同时处在IT和金融两个高度受AI影响的领域之中，所承受的变革压力尤其明显。财富趋势长期服务于券商、基金、银行等金融机构，其产品和系统已覆盖股票交易、固收交易、投研支持、风险预警和运营服务等多个场景。随着AI技术快速渗透，券商智能投顾、资管量化投研、固收交易、公募基金风险预警和运营分发等领域中，大量标准化、重复性工作正在被AI高效替代。

在这一背景下，萧岚提出，AI时代金融人才的第一项转变，是从“数据搬运者”转向“逻辑裁判”。过去，整理财报、撰写周报、汇总数据等工作，很大程度上属于信息搬运和格式化表达；现在，AI已经可以快速生成质量较高的报告。但问题在于，金融从业者是否敢直接在AI生成的报告上签字，是否能够承担由此产生的专业责任。她指出，AI可能存在幻觉，也可能忽略最新政策变化、企业真实运营状态和现场调研中才能发现的细节。因此，金融人才的核心价值不再是谁算得更快，而是谁更能发现AI结果中的逻辑漏洞、假设偏差和异常信号。

第二项转变，是从“写代码的人”转向“人机协作的翻译者”。萧岚认为，未来真正稀缺的未必只是会写Python的人，而是能够把业务问题转化为AI可以理解和执行任务的人。例如，在债券交易场景中，AI机器人可以24小时扫描市场，识别定价偏离、流动性变化和潜在交易机会，并辅助交易员完成询报价、意向确认和基础信息传递。人的角色不再只是盯盘和机械执行，而是把更复杂的业务意图转化为机器可执行的任务，并在结果出现异常时作出专业判断。

第三项转变，是从“规则执行者”转向“原则判断者”。萧岚指出，AI可以识别监管规则、触发风险预警和执行标准化风控指令，但金融合规和风险管理的本质并不是机械地踩刹车，而是在复杂环境中理解规则初衷、把握边界并承担责任。以投资者适当性管理为例，问卷和模型可以提供初步判断，但什么是不适当、如何理解客户真实风险承受能力、如何在特殊场景下解释规则，仍需要人来完成。

萧岚强调，AI在金融系统中更像一个“放大器”。它可以加速交易竞争、运营效率和逻辑判断，也可能放大风险和错误。因此，金融科技公司的系统设计目标，并不是让AI替代人的最终判断，而是把重复性、标准化工作交给AI，让金融从业者腾出精力处理只有人才能完成的工作，包括逻辑裁判、人机翻译、原则判断和责任承担。

谈及学生培养，萧岚认为，未来多数金融科技人才不会直接进入底层大模型研发，而会在应用层面发挥作用。应用层人才需要两类能力：一是熟悉AI能力边界和底层逻辑，能够发现大厂尚未覆盖的空白地带；二是具备创造性思维，能够发现行业中尚未被有效解决的问题。她还指出，AI有可能缩短教育差距，使更多学生获得类似“大师级老师”的即时反馈和知识支持。但前提是学生必须在日常学习和工作场景中真正使用AI，而不是把AI仅仅当作完成作业或生成文本的工具。

以下为萧岚发言全文（已经本人审定）：

尊敬的各位老师、同学，大家好。

非常荣幸来到校园，和各位青年学子、行业伙伴一起探讨：AI浪潮下，金融人才的核心竞争力该如何重塑。

我目前任职于一家金融科技公司，主要为证券、资管、基金、银行等金融机构提供服务。每天，我都在见证AI技术如何重塑金融机构投研、风控、运营、客服等全业务链条，也全程参与了公司内部全面拥抱AI过程中的人才能力迭代与团队搭建。

当下，AI大模型、自动化工具、算法已全面渗透金融行业：券商的智能投顾、资管的量化投研、固收领域的智能交易与做市、基金的风险预警与运营自动化——越来越多标准化、重复性的工作正在被AI高效替代。这些场景，我司的解决方案其实都已经在深度参与了，目前在多家头部机构也已实现生产级部署。

前段时间硅谷研究机构的预测引起不小波澜：AI浪潮下，哪些行业失业风险最大？排在最前面的就是IT和金融。作为一家深耕金融行业的科技公司，我们首当其冲。

但我的答案很明确：AI不会淘汰金融科技人才，但会淘汰那些不愿拥抱AI、无法驾驭AI、失去金融本质判断力的金融科技人。 行业真正稀缺的，从来不是只会操作工具的执行者，而是兼具金融底色、技术思维、创新能力与风险敬畏心的复合型人才。

基于一线实务观察，我分享三个核心观点。

第一，从“数据搬运”到“逻辑裁判”——专业判断力是最后的护城河。

过去，整理财报、写周报这类工作本质是“数据搬运”，现在AI能快速完成。但AI给出的报告或结论，你敢直接签字吗？它可能会忽略某个政策的实时变化，或者一个需要实地调研才能感知的企业经营细节。

所以，从业人员的核心价值不再是“谁算IRR更快”，而是“谁更快发现AI算出的IRR哪里有问题”。质疑AI的假设、识别模型的偏见、判断异常值的真伪——这才是金融从业人员的价值所在。你不是一个数据搬运工或计算器，而是一个严谨的逻辑裁判。

第二，从“写代码”到“写提示词”——人机协作的翻译能力。

未来最稀缺的不是写Python的能力，而是“把业务问题翻译成AI能听懂的任务”的能力。

举个例子。一个股券交易员想分析市场情绪，自己写代码可能搞不定。但如果他懂得设计一套提示词，让大模型去抓取、总结、生成报告，并不断纠正AI的偏差，他的效率就是别人的10倍。

再比如债券交易。过去，交易员要盯盘、找流动性、判断买卖时机，非常依赖经验和人脉。现在，我们的债券交易AI机器人可以7x24小时扫描市场，自动识别定价偏离、流动性洼地和潜在的交易机会。同时，机器人还能辅助交易员与对手方进行初步沟通，比如询价、确认意向、传递标准信息。交易员不再是坐在屏幕前被动响应，而是与AI机器人深度协同：让机器人承担海量数据的实时监控、机会筛选和标准化沟通，自己则专注于策略判断、复杂谈判和异常情况处理——这种协作模式下，一个人能覆盖的交易范围是过去的5到10倍。

第三，从“规则执行”到“原则判断”——合规与风险管理能力。

AI可以精确执行每一条监管规则、每一笔风控阈值，但金融合规与风险管理的本质，从来不是机械地“踩刹车”，而是在复杂情境中做原则性判断。

举个例子。监管规定某类产品不能向“不适当”的客户销售，但什么是“不适当”？是只看资产规模，还是要综合考量投资经验、风险偏好、资金用途？当客户情况处于边界地带时，AI可以给出数据维度的参考，但最终的判断——以及判断背后的责任——必须由人来承担。

再比如，一个债券交易出现异常波动，AI可以触发警报，但它是系统性问题还是偶发事件？是市场情绪还是内幕交易？该暂停交易还是继续观察？这些问题需要的是对市场规则、法律边界、机构风险的综合性把握，而不是简单的对错判断。

这就是金融人才不可替代的价值：你不仅仅是规则的执行者，更是规则的解读者、边界的把握者、责任的承担者。 AI可以告诉你“什么违反了规则”，但只有你能回答“这个规则的初衷是什么，在这个特殊场景下该如何理解和适用”。AI可以识别风险，但只有你能在多种风险之间做权衡和取舍。

所以，在AI时代，合规与风控人才的核心功能正在升级：从“背规则、设阈值”转向“理解规则背后的立法精神，在灰度地带做出可解释、可担责的决策”。AI是放大器，而你是判断者、决策者，以及最终责任的承担者。

总结一下。

AI时代，金融人才的核心竞争力不是和机器比速度，而是回归人的本质——

· 向上看，做AI的“逻辑裁判官”；

· 向内求，做AI的“首席翻译官”；

· 向深走，做“原则判断与责任承担者”。

说回我们自己。作为一家服务金融机构的科技公司，我们设计系统的出发点很简单：把重复的、标准化的交给AI，让金融从业者——包括我们自己——能把精力腾出来，去做那些只有人才能做好的事。比如我们前面聊到的：做逻辑裁判、做人机翻译、做原则判断。

所以，我和我的团队一直在做的事情很简单：让AI去处理数据、生成报告、预警风险；让我们自己去质疑结论、拆解任务、承担信任。 与各位共勉。

谢谢大家！