7月1日，距离2026 CBRC金融强国论坛闭幕已过去三天。论坛散场后的深圳，热度并未消退——学者们抛出的观点被反复咀嚼，金融从业者在私下交流中继续追问同一个问题：当AI从工具变成同事，我的岗位还在吗？
把时间拨回6月27日清晨七点半，中国人民大学深圳研究院宝安院区四楼，签到台前排起了长队。一位从广州赶来的城商行（884251）中层在排队时对《华夏时报》记者说，他关注AI对支行业务流程的改造已有两年，“但这次论坛不一样，大家讨论的不再是‘怎么用AI降本增效’，而是‘有了AI之后，人还能干什么’。”
这场由台湾金融教育协会AFMA委员会、中国银行（HK3988）业研究中心（CBRC）、台湾大学金融研究中心、北京大学中国信用研究中心联合主办的论坛，主题定调为“‘十五五’规划下AI应用、金融科技与金融强国高级人才培养”。从议程设置来看，两天时间里安排了两场主旨演讲、四场主题报告、两场圆桌研讨及一场综合座谈会。但真正让参会者感到“不一样”的是贯穿始终的一个核心命题——2026年被业内称为“金融智能体元年”，当AI从单点工具进化为能独立处理复杂业务的“自主智能体”，金融行业的人才底座是否已经松动？
AI进场，从内部试错开始
台湾东吴大学财务工程与精算数学系副教授、台湾政治大学金融科技研究中心首席副执行长李宜熹观察到：金融机构对AI的应用并非一哄而上，而是遵循一条“由内而外”的稳健路径。
“AI在金融领域的应用，目前仍有高度风险。”李宜熹开门见山。他所说的“由内而外”，指的是先从银行内部的运营效率提升入手，在可控范围内试炼AI，待技术达到一定稳健程度后，再向对外营销推展。“内部的效率提升是一个可控的范围，通过可控范围的AI应用，再具体推展到外部，会是比较稳健的做法。”
这种审慎，在另一个更前沿的概念——智能体支付——面前显得尤为必要。中国人民大学财政金融学院教授、中国人民大学深圳金融高等研究院副院长邱志刚
描述了一个场景：家中的智能终端记录着消费（883434）品的使用情况，比如有10箱水、每三天消耗一箱，到了最后一箱时，智能体自主判断该补货了，根据消费（883434）习惯和价格信息直接下单。“扫码支付是我们自己在决策，智能体支付相当于代替你决策。”但邱志刚随即泼了一盆冷水，“具体到这一步还比较远。”
远在哪里？一个容易被技术乐观主义者忽略的障碍是：当智能体代替人做支付决策，它读不懂“情绪价值”。“我们人类购买东西，很多时候不全是基于需求，有时候是满足情绪价值。智能体能不能满足情绪价值？这是问题。”邱志刚进一步指出，如果卖家掌握了消费（883434）者的习惯数据，刻意设计营销策略诱导智能体自动下单，“这些都是有可能发生的风险”。一家大型股份制银行（884250）的参会代表在茶歇时对本报记者说：“智能体支付如果真的推开，银行的风控模型得从头写过——以前防的是人，以后防的是机器。”
兰州大学经济学院教授、专业学位教育工作高级主管陈南旭的判断更为直接：“从金融领域来讲，不管是金融信息、信用、风险、客户关系还是运营流程，其实都在被AI重塑。”但他紧接着强调了一个关键限定——“大量简单的、重复性的工作已经交给人工智能（885728）了，剩下的更多是复杂问题。我们需要的并不是让它替代我们，而是高质量的人机协同。”
当“人机协同”从概念变成现实，一个新的追问随之浮出水面——协同的前提，是人的能力还能贡献什么。
能力模型改写，高校最先感受到震动
当AI从“工具”变成能独立完成风控、营销、运营等任务的“数字员工”，金融从业者的核心竞争力还剩什么？这是两场圆桌研讨中被追问最多的问题。
陈南旭给出了一个四维框架：“首先要懂业务的基础逻辑，要懂人工智能（885728）的基本知识，要有金融的伦理素养，还要有跨界的整合能力。只有这几个维度都具备了，才是一个高素质的金融人才。”他特别强调了对AI工具使用观念的转变——“你不能够简单地把它当作一种工具来使用。它不是简单的搜索引擎，而是一种工作方式，一种思维方式。我们要学会怎么样去和人工智能（885728）共同创造价值。”
但观念的转变知易行难。邱志刚向记者坦言了教学中的现实困境：“一旦留作业，大部分学生全是用AI写的。”但他并不主张禁绝AI，而是主张重新定义使用方式——“了解题目的背景，用AI进行学习，做出自己的判断，最终形成自己的文章，用它来润色。就像当年我们用Word一样，来源还是你自己，而不是完全生成。”
视线转向职场，中国台湾金融业对人才的态度并非简单的“替代”，而是“调整”与“赋能”。李宜熹分享了台湾的做法：“在台湾，不会直接解雇你，而是在可能被AI替换的情境下，先让你做职务的调整。过去金融业做‘双人工’，你有A职务但要具备B技能。现在面向未来，你可能要有第三技能、第四技能，不断去演进。”
来自银行一线的声音提供了另一个观察维度。徽商银行（HK3698）深圳分行副行长肖刚在研讨中表示，当前AI更多是嵌入特定业务场景做辅助决策，离全面替代还有相当距离。北京银行（601169）深圳分行行长助理孔令涛也表达了类似判断——银行对AI的态度是“赋能而非取代”，关键不在于用机器换人，而在于重新定义岗位职责。
当AI在业务层面加速渗透，制度层面的治理框架如何同步跟上？这些来自产业一线的判断，与学者们的分析形成了交叉印证。
制度堵漏，从数据共享到防止泡沫
“十五五”规划提出“全面实施‘人工智能（885728）+’行动”，金融业如何积极稳妥、安全有序地推进AI应用？学者们从数据、算法、标准、风险控制等多个维度给出了制度性思考。
陈南旭提出了三个层面的关注点：“首先是金融数据的质量和共享共建。这个行业中的数据都有凭证、都是高质量的，但可能会存在重复建设的可能性，所以更需要关注金融数据的分割以及共享共建；第二是算法标准。如果能够有统一的行业标准，人工智能（885728）在金融业的发展又能大大跃升一次；第三是AI智能体（886099）需要有广泛的应用群体，有了应用群体才会有持续动态的更新。”在风险控制层面，他特别提到AI的“幻觉”问题——“使用人工智能（885728）体可能会有幻觉，存在风险。怎么合规地去做风险控制，是值得关注的内容。如果风险能够控制在一个合理的区间，这个金融人工智能（885728）体就是一个比较令人满意的智能体。”
邱志刚从更宏观的视角发出了警示。他提醒，从金融的角度看，“一定要防止AI泡沫的出现。金融资源大量流向AI赛道，催生泡沫是肯定会出现的。并不是所有的东西都是好东西。”他以互联网泡沫为鉴——“当年互联网泡沫破灭的企业，不是说所有企业都是好企业。到最热的时候，公司不管做什么，只要后面加个.com，股票价格就比其他高50%。这些是我们需要防范的，不能过度AI，不能过度神话AI。”
至于AI在金融投资中的具体应用——比如用大模型预测股价涨跌——邱志刚分享了一个来自其学生的研究发现：用大模型检测其是否存在行为偏差，“答案是会。因为喂进去的数据是交易数据，而交易数据都是人的交易数据，人是会犯错的。既然人会犯错，数据就有错，生成的东西当然有错误，你不可能是百分之百相信它的。”
从“线上化”到“智能体”，金融业正在经历的不仅是一次技术升级，更是一次对“人机关系”的深度重构。论坛第二天上午，一场关于“高级金融管理师（AFMA）证书推动与储备主管（MA）人才培养”的综合座谈会，试图为这场讨论画上一个阶段性的句号。从证书标准到人才评价体系，从高校培养到企业用人，一个覆盖“选、育、用、留”全链条的金融人才新生态正在被重新定义。
正如论坛讨论中反复出现的一个共识：AI不会完全替代人，但不懂AI的人将被懂AI的人替代。而如何在这场重构中守住金融的伦理底线、保障消费（883434）者权益、建立可追溯的治理框架，将是“金融智能体元年”之后更长一段时间的核心命题。
