2026年，金融人将被分为两类

　　2026年春天，一组数据拉响了白领职场范式转变的警报。高盛报告显示，AI 的发展导致美国每月就业人数增幅净减少了约 1.6 万个，其中年轻技术工人受到的影响不成比例地高于资深从业者。Anthropic首席执行官则预测，五年内50%的初级白领岗位将消失。

　　行业将这种现象称为“知识工种的二次重构”。被冲击的不再只是写CRUD的程序员，而是金融行业的Junior Analyst——那个每天在Excel和数据之间搬运信息、完成投研“脏活累活”的人。

　　在任何一个投行、基金或券商研究部，Junior Analyst的一天通常是这样开始的：打开Bloomberg拉取宏观数据，登录天眼查整理公司股权结构，翻出过去三年的年报逐页摘录财务数据，打开同花顺导出可比公司估值，在Excel里手动搭建DCF的first draft，最后再花两个小时把数据贴进PPT。

　　这批工作的本质是重复、流程化、边界清晰、有明确的正误判断标准，而这正是AI Agent大规模部署的理想任务。

　　高盛CEO大卫·所罗门在思科AI峰会上指出，传统IPO招股书需要由六人团队花费两周完成，但如今AI可在几分钟内完成95%的工作。“最后的5%现在变得非常重要，因为其余部分已经变成了商品化的内容。”他同时指出，分析师的日常工作也将发生颠覆性变化，“显然，这一切现在都可以通过这种技术自动化完成”。但他强调这并不意味着岗位会被技术取代，而是“你仍然需要分析师，但团队会更小”。

　　这些变化已经在发生。摩根大通为5万名员工部署了“LLM Suite”自研AI工具，作为虚拟研究分析师，辅助研报撰写和文档摘要，占其全球员工总数的15%。高盛则与Anthropic深度合作，利用Claude大模型构建自主AI智能体，用于自动化交易会计和客户入职。高盛首席信息官Marco Argenti在2026年1月年度展望中提出，企业将转向“由人编排的多智能体集群”模式，计费方式从按人头、工时转向按AI消耗的Token结算。

　　更值得注意的一个信号是：OpenAI的Agent产品Codex中增速最快的用户群体不是程序员，而是写报告、搭模型的知识工

　　2026年1月，Kimi发布K2.5模型时主打的核心特性之一是Agent集群，K2.5可以根据任务复杂度，自主派出100个不能职能的分身协同完成工作。

　　2月，Anthropic与OpenAI几乎同时发布新模型，前者推出Agent Teams预览版，用16个Agent从零构建了能编译Linux内核的C编译器，后者则强化了Codex的并行能力。

　　到了4月，格局进一步清晰。月之暗面发布Kimi K2.6模型，将Agent集群从K2.5的100个子Agent、1500步扩展至300个子Agent、4000个协作步骤。相比单Agent顺序执行，最高提速4.5倍。更重要的是，K2.6支持最长5天不间断自主运行大型工程任务——这意味着不仅是简单的数据拉取，连持续数日的复杂分析流程也能被Agent托管。

　　在大洋彼岸，OpenAI于2026年3月推出了GPT-5.4及其“OpenAI金融服务”套件，在Excel金融建模能力上实现飞跃：内部投行基准测试得分从GPT-5的43.7%跃升至88.0%，在一项模拟初级投行分析师日常工作的电子表格建模任务中平均得分高达87.3%。

　　最值得关注的不是分数本身，而是AI“动手能力”的质变。GPT-5.4内置了原生计算机操作能力，在OSWorld-Verified基准测试中任务执行成功率达到75.0%。这意味着AI可以直接打开网页查数据→下载至Excel→构建模型→输出报告，无需编写任何代码。

　　Anthropic则走出了另一条路。其在2026年3月面向Claude Cowork用户推出了Computer Use功能，AI能直接控制用户的浏览器、鼠标、键盘和屏幕，在每一步前都会征得用户明确许可。紧接着，Claude for Finance正式落地，Opus 4.6专攻金融分析，直接嵌进Excel和PowerPoint，并接入了FactSet、MSCI的数据源。2026年6月3日，Anthropic官方进一步发布了financial-services插件集合，涵盖投资银行、股票研究、私募股权、财富管理等核心业务场景，包括10个完整业务流程的Agent和9个垂直行业插件。

　　这些头部厂商的共性方向已经很清晰：AI不再满足于“给你一个答案”，而是在进入应用程序内部，成为真正的“任务执行者”。

　　落地到具体场景，多家机构已经在用实际产出验证这一趋势。2026年3月，万得信息升级发布Alice 27智能金融操作系统，通过深度集成Wind全生态工具与多智能体协同技术，一个账号即可调动一个全建制的金融团队。系统内置数百个基于MCP的金融工具与智能体，可自动完成从任务拆解、工具调用到阶段校验的全流程操作。“用户只需给出业务目标，系统即可自动执行后续流程”——这句话背后，是多Agent并行架构对传统金融工作流的根本性重塑。

　　据一位创业公司创始人演示：在对话框里输入一家公司的名字，AI代理会自动下载历年年报、抓取交流纪要、汇集行业研报，按预设模板填入分析框架，一个多小时后一份结构完整的深度研究报告出现在电脑屏幕上。这相当于过去一个研究员一到两周的工作量。关键在于，研究员可以在页面上批注、提问、纠偏，AI会读取反馈后迭代更新，形成“底板—人工审校—AI修正”的闭环。

　　国内券商也在快速跟进。2026年6月1日，中金点睛宣布新增上线位分析师Skill，并在Agent模式中开放调用。此前上线的首席分析师数字分身“老于”，基于30万字以上的研究资料及12万多个专属数据指标训练形成，内化了假设—验证—估值—风险的完整投研框架。国泰海通、国信证券、广发证券等机构也陆续推出金融Skill产品。真正形成壁垒的已不再是模型本身，而是券商长期积累的数据资产、研究框架以及分析师经验——这些正在被Skill化为可复用、可调用的数字能力。

　　Kimi于2026年6月3日宣布Kimi Work 上线的Agent 集群能力。这款产品精准指向金融行业的需求：内置了金融专业数据库，WebBridge能直接操作用户自己的浏览器，面对复杂任务可自主创建最多300个子Agent并行处理。一句话指令“查天眼查+年报+新闻”，自动生成ownership structure、risk factors、red flags清单。输入股票代码，300个Agent同步检索，输出财务快照、业务拆解、DCF估值和PPT框架。这些能力叠加起来指向一个清晰的结论：Junior Analyst未来那句最常见的“老板，我先拉个表”，可能不再需要人工拉了。

　　2026年多智能体领域的最大变化在于：去年的“多Agent”大多是角色扮演，给几个大模型分别写一句system prompt让它们轮流说话，本质上是Prompt约定的规则。而现在，Kimi的Agent 集群引入了专门训练的编排器，能根据任务实际情况决定派多少个Agent、每个Agent负责什么、什么时候汇总结果，所有的角色分配和任务拆解无需用户预设，全由AI自主决策。Anthropic的Agent Teams则通过共享任务目录协调16个Claude并行工作，它们会冲突、会产生merge conflict，但能自己解决——这跟一个工程团队已经没有区别了。

　　金融行业信息密度高、标准化程度高、交付成果高度结构化，正是Multi-Agent架构最适配的场景。当传统投研流程中需要串行执行的fetch→抓取→检索→搭建→撰写→输出被拆解为检索员、计算员、写手、校验员并行协作时，效率提升是指数级的。Kimi K2.6的300-agent并发、GPT-5.4的75%桌面操作成功率、Anthropic的16个Agent写编译器——这些进展正在将多Agent并行从实验室推向企业工作流。

　　国际金融协会数据显示，2026年第一季度全球投行前台招聘数量同比下降了18%，其中分析师级别的空缺减少了近三成。摩根大通CEO戴蒙甚至公开表示，AI将削减传统银行家岗位，增聘AI专员。高盛的内部AI已经承担起了近半数的投研分析工作。

　　但“削减岗位”与“AI替代人”是两个不同的命题。摩根大通的实践表明，给员工配备AI工具后，分析师能花更多精力在客户沟通和策略判断上，而不是数格子填表。高盛CEO所罗门的原话是“团队会更小，但需要一个横向的引擎为每个人完成这些工作”，这与“失业”存在本质区别。

　　Anthropic官方发布的financial-services仓库甚至特意添加了一条

　　参考第一次“码农效率革命”的历史：当Copilot和Claude Code让日常编码任务高度自动化后，初级程序员的工作重心从“写代码”变为“理解业务需求、审查AI代码、做系统设计”。类似的事情正在金融行业发生。

　　投资银行家David Vann在播客中提到：“银行里大量底层分析工作，比如财务模型构建、可比公司分析，以前是分析师们加班加点做的，现在AI可以在几分钟内完成。这意味着年轻人不能再靠‘我比他更能熬夜’来体现价值了。”

　　真正有价值的判断力——这笔交易的投资逻辑是什么、尽调发现的关键风险是否被忽视了——仍然是人的领地。这意味着，同一间投行里，两位资历相近的分析师正在走向截然不同的职业轨迹。一个还在手动拉取数据、核对格式、粘贴表格，另一个已经用Agent集群在几分钟内完成信息抓取，把整块时间花在验证假设和与客户沟通上。半年后，他们的能力结构将完全不同——这不是“会不会用工具”的差异，而是“会不会用工具重新定义自己”的差异。

　　AI可以给你一份DCF模型，但它无法判断这个模型背后的假设是否合理，因为合理的商业假设需要对行业、对客户、对竞争的深刻理解。

　　被冲击的不是金融行业的价值内核，而是一批信息搬运和初筛任务。但这批任务恰好占据了Junior Analyst职业生涯头一两年的全部内容。当一个分析师跳过Excel拉表、PDF抄数据、PPT贴表格的阶段，直接开始接触真正的商业判断时，他的成长曲线会发生什么变化？这个问题，行业还没有答案。

　　这些工具能力的跃迁，正在把金融人推向一个分岔口。2026年，这个行业的从业者将被分为两类：一类是把AI当作“更聪明的框”，继续用传统方式完成底稿的人；另一类是把AI当作“数字团队成员”，重新设计工作流、把精力投向判断和策略的人。前者的工作内容正在快速商品化，后者则在定义新的价值标准。分水岭已经显现，且每天都在加宽。

　　回到开头那个问题：AI真的会“[*][*]”Junior Analyst吗？Anthropic官方financial-services项目描述中的一段话或许给出了更接近真相的答案：“金融人的工作方式，很可能会从‘我亲手做每一个底稿’，变成‘我设计流程、派发任务、审查结果、承担判断’。”

　　这才是Agent真正进入金融行业的样子，一类完成了从“手工业者”到“指挥者”的进化，另一类则继续在自动化的旧流程里。两者的差距不会保持不变，而会随着AI能力的每一次迭代呈指数级扩大。而这场重塑的速度，取决于多少人先按下那个启动键。