李明杰

一、调查背景

随着人工智能（AI）技术的快速发展，金融行业正经历深刻变革。AI在风险管理、智能投顾、量化交易、反欺诈等领域的广泛应用，使得金融机构对人才的需求发生显著变化。同时，金融类毕业生的就业渠道也随之调整，传统岗位减少，新兴技术岗位需求日益激增。本报告基于对相关金融机构、金融科技公司、高校及毕业生的调研，分析AI对金融业人才需求的影响及毕业生就业趋势。

二、调查方法

1.问卷调查：面向金融机构、金融科技公司人力资源负责人及金融类毕业生发放调查问卷，收集数据。

2.深度访谈：对12家银行、证券、保险及金融科技公司的人力资源负责人进行访谈。

三、调查结果与分析

1.企业基本情况

（1）被调查企业所属金融行业类型

从金融行业类型的分布数据来看，银行 / 保险 / 证券行业的数量占据了较大的比例，达到 88 个。在本次调查范围内，传统金融行业依然占据主导地位，其业务规模、市场份额或者参与调查的积极性较高。而会计 / 审计 / 咨询行业的数量最少，仅为 4 个。对于 “其他” 类型有 27 个，这说明存在一些不在常见分类中的金融行业类型，如投资基金管理公司、金融租赁公司、金融资产管理公司、投资咨询公司等。

（2）被调查企业总部所在地区

在地区分布方面，一线城市（北上广深）的数量最多，为 84 个。这符合金融行业资源往往集中于经济发达地区的特点，一线城市具有更完善的金融市场体系、更多的金融机构总部和更丰富的金融业务机会。新一线城市和二三线城市的数量相对较少，四线城市及以下的数量最少，这可能反映出金融行业在不同层级城市的发展不均衡，经济相对欠发达地区的金融行业规模较小，对金融资源的吸引力较弱。

（3） 单位总部所在地区与所属金融行业类型交叉分析

对于银行 / 保险 / 证券行业，在一线城市的分布数量最多，这符合一线城市金融资源聚集的特点，众多金融机构倾向于在一线城市设立总部以获取更多的业务机会和资源。在二三线城市和四线城市及以下也有一定分布，可能是为了拓展区域市场。

金融科技行业在一线城市的数量也相对较多，这是因为一线城市有更浓厚的创新氛围、更充足的技术人才和更发达的金融生态系统。在新一线城市和二三线城市的数量较少，在四线城市及以下几乎没有，这可能是由于金融科技行业对技术和人才要求较高，而这些地区在这方面相对薄弱。

会计 / 审计 / 咨询行业在一线城市有一定数量的分布，在二三线城市及以下地区分布极少甚至没有，可能是因为该行业的主要服务对象多集中在经济发达地区，且对专业人才和信息资源的依赖度较高。

其他类型的金融行业在一线城市的数量较多，在其他地区也有少量分布，这表明这类行业的分布相对较为分散，但一线城市仍然具有一定的吸引力。

近 3 年传统金融类岗位招聘人数变化趋势分布

在近 3 年，大部分传统金融类岗位招聘人数呈现减少或者持平的态势，只有少数岗位招聘人数大幅增加。这反映出传统金融行业整体发展趋于稳定，甚至可能面临一定的调整和收缩，导致招聘需求下降。而少数大幅增加的情况，或许是某些新兴业务或者特殊领域在传统金融行业中兴起，带动了相关岗位的招聘。

近 3 年传统金融类岗位招聘人数变化趋势与单位所属行业类型分析

银行 / 保险 / 证券行业：该行业中显著减少和略有减少的招聘人数占比较大，这可能意味着银行、保险和证券行业在近 3 年进行业务调整、优化人员结构或者受到市场竞争、监管政策等因素影响，减少了传统金融类岗位的招聘。不过仍有部分岗位大幅增加招聘，可能是有新业务拓展。

金融科技（支付 / 区块链 / 量化投资）行业：虽然整体招聘人数变化的数量相对银行 / 保险 / 证券行业较少，但也呈现出减少或持平为主的趋势。这可能是因为金融科技行业发展迅速，对人才需求的结构发生变化，传统金融类岗位需求降低，而更倾向于招聘具有科技背景的人才。

会计 / 审计 / 咨询行业：除了基本持平有少量人数外，在显著减少、略有减少和大幅增加方面人数都很少甚至为 0。这或许表明该行业的传统金融类岗位招聘比较稳定，没有出现大的波动。

其他行业：显著减少和略有减少的人数相对较多，反映出这部分行业中的传统金融类岗位可能面临一定的压力，招聘需求在下降。

2.AI技术应用与影响分析

（1）AI 技术对业务效率的提升幅度分布

从这个分布可以推测，AI 技术在大多数情况下能够对业务效率产生积极影响，仅有少数情况没有带来提升。“略有提升” '的情况最多，这可能表示 AI 技术在很多业务场景中起到了一定作用，但尚未达到最佳效果，也许是技术应用还不够成熟或者与业务的融合度有待提高。“全面优化”  和“显著提升”的情况也占有一定比例，说明在部分业务中 AI 技术取得了较好的成效。而“没有提升”的情况虽少，但也值得关注，需要进一步探究是技术本身的问题，还是业务流程不适合 AI 介入等原因。

（2）AI 技术应用过程中的障碍分布

从这些数据可以推测，在 AI 技术应用过程中，缺乏复合型人才是最为突出的障碍。这可能意味着企业在实施 AI 项目时，既懂 AI 技术又熟悉业务的人才短缺，从而影响了 AI 技术的有效应用和推广。数据质量不足和技术成本过高也是较为重要的障碍，分别反映出数据层面和经济层面的挑战。而监管不明确相对来说影响较小，但也不能忽视，可能会在一定程度上限制 AI 技术的创新应用。

（3）AI 技术应用过程中的障碍与岗位替代率交叉分析

对于基础数据处理岗，在各种障碍下都有较高的 AI 替代率，特别是在缺乏复合型人才这一障碍下，替代率最高。这可能是因为基础数据处理岗的工作相对较为标准化，在人才短缺的情况下，企业更倾向于用 AI 来替代。传统客户经理岗位的 AI 替代率相对较低，可能是因为该岗位需要大量的人际沟通和个性化服务，即使存在各种障碍，AI 也较难完全替代。量化分析师岗位在技术成本过高时的替代率相对较高，推测是因为量化分析需要较高的技术支持，当技术成本成为障碍时，企业可能会考虑用 AI 来降低成本。风控合规岗在缺乏复合型人才和监管不明确时的替代率相对较高，这或许表明在这两种情况下，企业希望借助 AI 来提高风控合规的效率和准确性。

3.人才能力需求分析

  （1）高校金融专业应届毕业生最大劣势

从调查结果可以看出，大部分人认为高校金融专业应届毕业生最大的劣势是技术应用能力不足。这可能是因为高校的课程设置更侧重于理论知识传授，而实践环节相对薄弱，导致毕业生在将所学技术应用到实际工作中时存在困难。行业认知滞后的人数也占有一定比例，这或许反映出高校教学内容与行业实际发展存在一定的脱节，学生对行业最新动态和趋势了解不够。抗压能力较弱和职业稳定性低的人数相对较少，但也表明部分毕业生在这两方面存在问题，可能与学生的成长环境和心理调适能力有关。

（2）是否要求应聘者具备 AI 相关实习经历

从数据中可以看出，大部分单位对于应聘者是否具备 AI 相关实习经历持较为灵活的态度。“视岗位而定”和“优先考虑”的数量较多，这表明单位会根据不同岗位的需求来判断 AI 实习经历的重要性，对于一些对 AI 技术依赖程度较高的岗位，可能会更看重这一经历；而对于其他岗位，可能相对不那么重视。只有极少数单位会“强制要求”，这可能是一些专门从事 AI 相关金融业务的企业。

（3）是否提供内部 AI 技能培训补贴分布

这显示出大部分单位在 AI 技能培训补贴方面的支持力度有限。近一半的单位要么不提供任何支持，要么仅提供培训资源而不给予经济补贴。只有少部分单位会“全额报销课程费用”，这可能是那些对 AI 技术发展非常重视，并且希望通过吸引和培养员工的 AI 技能来提升企业竞争力的单位。

4.企业招聘策略与未来趋势分析

（1）AI 技能人才招募渠道分析

从这些数据可以推测出，大部分金融单位在招募 AI 技能人才时更倾向于通过社会公开招聘的方式。这可能是因为社会公开招聘的受众范围广，可以吸引到不同背景、不同经验的人才，增加招聘到合适人才的概率。校企定向培养也是一个较为重要的渠道，有一定数量的单位选择这种方式，这可能是因为定向培养能够根据单位的特定需求来培养人才，使人才在毕业后能够更快地适应单位的工作环境和业务需求。而高薪挖角科技公司和海外引进的方式相对使用较少，海外引进的数量最少，可能是由于这两种方式成本较高，或者面临人才来源有限、文化差异等问题。

（2）“金融 + AI” 复合人才需求增速分析

从这个分布可以看出，大部分金融单位预计未来 3 年对 “金融 + AI” 复合人才的需求增速在 10% - 30% 这个区间，说明多数单位认为此类人才需求会有一定程度的增长，但并非高速增长。预计增速小于 10% 的单位也占有相当比例，这可能表示部分单位目前的业务模式对 “金融 + AI” 复合人才的依赖程度相对较低，或者其业务扩张计划较为保守。而预计增速大于 50% 的单位较少，可能只有少数金融单位处于业务快速转型或者新兴业务拓展阶段，对这类人才有迫切且大量的需求。

（3）高校培养 AI 金融人才途径分析

从分布数据来看，大部分金融单位认为高校培养 AI 金融人才时，增加真实数据实训是最为关键的。这可能是因为真实数据实训能够让学生更好地将理论知识应用到实际场景中，提升他们解决实际问题的能力，符合金融行业对人才实践能力的需求。强化编程基础课程和引入企业导师制也受到较多单位的关注，分别占 33 和 31，说明编程能力以及企业实践经验对于培养 AI 金融人才也很重要。而开设 AI 伦理课程和其他建议相对提及较少，可能目前在该领域对 AI 伦理课程的重视程度相对较低，或者其他建议较为分散，未形成主流观点。

四、总结与建议

金融行业正从传统业务向 “金融 + AI” 转型，人才需求呈现 “技术 + 协作” 双核心特征。单位需打破招聘路径依赖，高校需解决培养与实践脱节问题，求职者需主动构建复合能力体系。各方协同发力，方能缓解行业人才缺口，推动金融科技健康发展。

2.建议

（1）对金融单位：优化人才策略，深化 AI 应用

拓宽校企定向培养渠道（如联合开设 “金融 + AI” 微专业），降低对高薪挖角的依赖，通过实习留用提升人才匹配度。

建立分层培训体系：对现有员工提供 AI 技能补贴（如报销 50% 课程费用），对技术岗设立专项培训预算。

优先在量化交易等场景扩大 AI 应用，与金融科技公司合作解决数据质量问题，设立跨部门 AI 项目组提升协作效率。

明确 AI 伦理管理职责，将 AI 伦理纳入企业战略优先级。

（2）对高校：聚焦实践导向，强化产教融合

增加 Python/R 编程、机器学习等实操课程比重（建议占总学分≥20%），引入企业真实数据集开展实训项目（如与银行合作反欺诈建模）。

开设 “金融 + AI” 跨学科专业，邀请企业导师参与课程设计（如每学期至少 20 课时企业案例授课）。

与金融机构建立联合培养基地，设立 “AI 金融人才实验班”，提供实习学分置换政策。

定期举办行业导师讲座，分析金融 AI 人才培养变化趋势，指导学生职业规划。

（3）对求职者：提升复合能力，适应行业变革

优先掌握 Python、SQL 等工具，考取 CFA、FRM 等证书的同时，补充 AI 相关认证（如 TensorFlow 开发者认证）。

通过各类金融学科竞赛、金融科技实习积累项目经验，重点提升数据清洗、模型调优能力。

关注一线城市金融科技企业（岗位占比超 60%），但可考虑新一线 / 二三线城市的区域性银行科技岗（竞争压力较小）。

对传统金融岗位，强调 “金融知识 + AI 认知” 复合背景，例如在简历中突出 AI 辅助客户画像的实践案例。

（4）政策与行业协同

设立 “金融科技人才专项补贴”，对校企合作项目给予税收优惠，鼓励金融机构开放脱敏数据集用于高校教学。

制定《金融 AI 人才能力框架》，明确技术、业务、伦理等维度的能力指标，推动行业认证互认。