OpenAI产品副总裁Nick Turley被问到这会不会减少投行招初级员工的需求时，他的回答很外交辞令，说这是在提升每个员工的效率。听着耳熟吧，这话跟当年程序员被问到AI会不会替代自己的时候，公司高管的标准答案一模一样。

OpenAI、Anthropic、月之暗面，三家平时打得头破血流的模型厂商，这一周不约而同地，把枪口对准了同一个行业，金融。

先说9月10号，OpenAI开了第一枪。

他们发布了一个叫ChatGPT for Financial Services的东西，用的是最新的GPT-6 Astra模型，官方说这个模型专门针对金融数据检索、金融推理和内容准确度做了优化。

这种官方话术我看多了，基本套哪个行业都能用。设计合作伙伴倒是挺实在，摩根士丹利和Evercore，华尔街数一数二的投行。它能干什么呢，帮投资银行家和股票研究员做公司研究、分析财务数据、搭建模型、生成引用有据可查的路演材料，数据接的是LSEG、PitchBook这类专业数据源。

你品品这个瞄准的岗位，投行分析师和研究员。就是那批每天熬夜做PPT、抠数据、建模型的初级民工。

OpenAI产品副总裁Nick Turley被问到这会不会减少投行招初级员工的需求时，他的回答很外交辞令，说这是在提升每个员工的效率。听着耳熟吧，这话跟当年程序员被问到AI会不会替代自己的时候，公司高管的标准答案一模一样。

这里有个案例挺戳我的。管理着320亿美元资产的对冲基金Balyasny，早在2022年底就成立了一个20人的应用AI团队，用OpenAI的模型做了一套内部投研系统。

里面有个叫央行发言分析师的智能体，把宏观情景分析的时间从2天压缩到了30分钟。

还有个并购套利超级预测员，原本靠人工做的表格和提醒，现在换成智能体持续监控，实时更新每笔并购交易能成的概率。

2天到30分钟，这个数字我盯着看了好一会儿。

......

还没等我把这条消化完，四天之后，9月14号，Anthropic接着来了一枪，而且这一枪的落点跟OpenAI完全不重合。

他们发的叫Claude for Financial Advisors，字面意思，给理财顾问用的Claude。

OpenAI盯的是投行那批做交易、做研究的机构精英，Anthropic这次绕开了投行，直接切进了财富管理这个更贴近普通有钱人的场景。工具打通了嘉信理财、贝莱德、Addepar这些资产管理和顾问软件，能帮理财顾问做客户会议前的准备、投资组合分析、合规审查，还有会后的跟进文档。

这里有个细节我觉得很能说明问题，就是谁按下最后的确定键。Anthropic在产品设计上明确说，关键操作必须由顾问本人审批，Claude负责准备简报、草拟分析，但不能替顾问拍板。定价大概每人每月70到120美元，前提是企业已经在用Claude Cowork。

而且这不是Anthropic在金融领域的第一枪。他们同期还上线了一整套面向金融机构的智能体模板，专门啃那些最耗时的活，做路演材料、筛查KYC客户资料、月底关账对数。

这些模板可以当插件装进Claude Cowork和Claude Code，也可以当成托管智能体在平台上自主运行，跑通宵、跑整个交易周期。数据接口对上了FactSet、标普Capital IQ、MSCI、PitchBook、晨星，还有各家机构自己的内部数据仓库。

......

如果说前两条还只是硅谷两家公司在打擂台，那第三条才是真正让我从椅子上坐直的。

9月17号，月之暗面正式发布了Kimi金融行业AI解决方案。首批已经在真实业务里跑起来的机构，工商银行、中信建投证券、中金公司、易方达基金，一水的头部机构，不是拿几个客户做门面的那种试点。

这套方案接入了万得、标普全球、财新数据、天眼查这些十余个权威数据源，封装了机构财务建模、组合复盘、持仓早报等9项专业技能。我数了一下，这些技能凑一块，够干一整个投研部门了。

更关键的是还搭了一个叫「风险评估网关」的东西，把数据分级、权限授权、人工复核、审计留痕这些合规要求，一条条落到每次调用上。官方还明确承诺企业数据零留存，不用于训练，这一条对金融机构来说是硬门槛，没有这条，谈都不用谈。

中信建投证券的首席信息官肖钢有一段话我觉得挺实在。他说合作之前，他们自己搭了一套评测体系，拿真实的金融任务去测了好几家大模型，结果Kimi K3的综合得分最高，尤其在多份材料的长程分析里，识别风险线索和归因更稳定。现在双方已经共创了一个金融投研智能体，架构是1个主Agent配13个专职子Agent，专门承接晨报编制和定期复盘这种周期性作业。

还有几个第三方跑出来的数字更有意思。服务着八千多家机构、十二万投研用户的Alpha派，联合上海交大和复旦搞了一个叫iRaB的投研实战评测，Kimi K3拿了0.649分，总榜第二，开源模型里第一，而平均单任务成本只有榜首模型的百分之三十六。熵简科技的另一份评测更直接，说K3是目前唯一能平替海外旗舰模型的国产大模型，接进他们的AlphaEngine产品之后，用户采纳率涨了20%。

效果也不是虚的。财务建模原来要5到15人天，现在压到2到4人天，行业深度研究报告也从半个月级压到几天级。红杉中国用它的深度研究功能，LP季报初稿从5个工作日缩短到1天，这个数字我算了一下，效率提了整整五倍。

......

看到这我合上电脑，安静了几分钟。

海外两家大厂先后出手，紧接着国内头部模型厂商也在同一周把方案端出来，而且不是喊口号，是真的接进了工商银行和中信建投的业务流程里。

头一回见到三家竞争对手，用完全不同的产品形态，同时冲进同一个行业，还都是真枪实弹落了地的那种。

所以我忍不住琢磨一个问题，为什么偏偏是金融。

这个问题让我想起了这两年AI在编程这条赛道上的路径。回头去看，编程之所以成为AI最早站稳脚跟的战场，不是因为写代码这件事有多高大上，而是因为它凑齐了一套很特殊的条件。

代码对错一目了然，跑一遍测试用例就知道行不行，不需要靠人的主观判断去评分。

互联网上又攒了几十年高质量的开源代码，训练素材要多少有多少。

再加上工程团队里永远存在一大堆枯燥重复的初级活，改bug、写单测、搬砖式的CRUD。

可验证、有数据、有粗活，三个条件一凑齐，Claude Code、Codex、Cursor这些工具就顺着这条缝钻了进去，一路长成了现在的样子。

回到金融这块，我把这三条一对，发现居然是同一套配方。

数字对不对错不错，模型算得清清楚楚，一分钱都藏不住。数据海量而且结构化，财报、公告、行情、研报，几十年攒下来的规范文本，密度不比GitHub上的开源代码低。而且这个行业同样存在一大堆初级重复劳动，投行新人抠数据做PPT，理财顾问会前翻半天客户资料，投研分析师熬夜写晨报，跟当年程序员改bug写单测，其实是同一种苦活的不同包装。

......

说到这我得说句公道话，站在投行新人和理财顾问助理的角度，这事儿真不轻松。

我完全理解那种焦虑。你熬了几年夜，从最基础的抠数据、对模型、跑excel开始练手，指望靠这些又苦又累的基本功攒出判断力，攒出未来能独当一面的底气。结果现在AI两天能干完你原来两周的活，你会不会怀疑自己这几年是不是白熬了，未来还有没有机会真正上手历练。

但我自己观察编程这条赛道两年多下来，得到的判断是，替代的从来不是岗位本身，而是岗位里那部分最机械、最不需要判断力的环节。

Claude Code和Codex火了这么久，程序员这个职业并没有消失，反而是初级程序员的活儿变了，从自己一行行敲代码，变成审查AI写出来的代码对不对、边界条件有没有考虑周全。

判断力没有被替代，被替代的是那些不需要判断力的重复劳动。金融这次大概率也是同一个剧本，投行分析师从自己抠数据变成审核AI抠出来的数据准不准，理财顾问从自己整理客户资料变成审核AI整理的资料够不够细。我说这话不是想给谁灌鸡汤，我自己也没有十足把握，毕竟这次三家公司来得这么猛，节奏比编程那波快了不止一星半点，具体会怎么演变，我们都得接着往后看。

但有一点我倒是想得比较清楚，就是这轮渗透带来的启示，不只属于华尔街和陆家嘴的从业者，它对屏幕前每一个普通职场人都有参考价值。

我自己也拿这三个条件照过一遍，真正让我心里踏实一点的，是我知道自己攒的那些私人经历、判断和态度，AI替我不了。你也可以拿这三条照照自己的工作，对错能不能被验证，数据够不够多，重复的粗活占多大比例。三条全中，那可能真得开始琢磨怎么把自己往判断那一端挪了。

三条新闻，一周之内，三个不同的姿势，扑向同一片战场。

坡道一直在滚，这次轮到的是金融，下一次轮到谁，我不知道，但我猜不会太远。

最后

我们整理出这套 AI 大模型 突围资料包：

    ✅ 从零到一的 AI 学习路径图
    ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
    ✅ 百度/阿里专家闭门录播课
    ✅ 大模型当下最新行业报告
    ✅ 真实大厂面试真题
    ✅ 2025 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《 AI大模型 入门+进阶学习资源包》，下方扫码获取~

资料展示

下面是我整理的AI大模型学习资料和工具包预览，适合收藏后按主题逐步学习。

需要这份AI大模型资料清单的话，在评论区回复「清单」即可；我会根据大家的问题继续补充对应的实战内容。