夜雨聆风过去两年，最先被 AI 震到的，是程序员。
以前大家觉得，写代码是技术活，门槛高，不太容易被替代。结果 Codex、Claude Code、Cursor 这类工具一出来，很多人发现，AI 不只是会补几行代码，它已经开始读项目、改文件、跑测试、生成文档，甚至能像一个初级工程师一样接任务。
程序员的工作方式变了。
以前是自己写代码，现在越来越像是把任务拆给 AI，再负责检查结果。
但接下来，类似的事情可能要发生在金融行业。
尤其是银行。
因为银行里也有大量工作，和写代码一样，表面看专业，实际每天消耗最多时间的，是查资料、核规则、写材料、做摘要、拉数据、走流程。
说白了，很多“金融民工”的日常，不是每天都在做惊天动地的金融决策，而是在处理一堆又细、又重、又不能出错的中间劳动。
而这部分，正好是 AI 最想接手的地方。
一、AI 不是更会聊天，而是开始干活
过去提到银行 AI，很多人想到的是智能客服。
手机银行里那个问答机器人，电话里那个语音助手，网点里员工用来查制度的知识库。
这些当然有用，但还只是第一层。
真正值得关注的是，AI 正在从“回答问题”走向“执行任务”。
这个变化，最近有个新词叫 Agentic Banking。翻译得直白点，就是银行开始用 AI 智能体来处理流程，而不是只让 AI 陪客户聊天。
比如一条反洗钱预警出来，过去调查员要查客户资料、交易流水、关联账户、历史行为，再写调查结论。以后 AI 可以先把证据拉出来，把交易链路整理好，把可疑点标出来，报告初稿也写出来，最后交给人复核。
注意，这不是让 AI 直接拍板。
银行不可能这么冒险。
真正的变化是：AI 把最耗时间的前置工作先干掉，人把精力放到判断和责任上。
二、建行的例子：AI 先解决一线员工的“天天问”
国内银行里，建行这个案例很典型。
建设银行副行长雷鸣在 2025 年度业绩发布会上提到，截至 2025 年末，建行全行网点柜面问题响应过程中，AI 助手覆盖率已经达到 99.42%，日均访问量超过 10 万人次。
这个数字很有意思。
它说明 AI 并不是先去替代某个高大上的岗位，而是先从一线员工最烦、最频繁的事情切进去。
网点员工每天会遇到大量问题：
这个业务需要什么材料？
客户这种情况能不能办？
系统报错怎么处理？
某个流程现在按哪个版本执行？
过去怎么办？
翻制度、问同事、找总行、等回复。
客户坐在对面，员工还在查流程，这种体验谁都不舒服。
AI 助手的价值就在这里。它先给员工一个回答方案，员工再判断能不能用。它不一定替人做最终决定，但能把大量查询时间省下来。
这就是银行 AI 的第一种落地方式：不是炫技，而是把“天天问、反复问”的问题先吃掉。
三、农行的例子：9.7 万客户经理背后的 AI 数字员工
农业银行也有一个很接地气的案例。
在数字中国建设峰会上，农行展示了“一明”AI 数字员工。据公开报道，“一明”依托大模型和农行自研平台，7×24 小时在线，能回答专业问题、辅助客户经理、处理业务咨询，已经服务全行 9.7 万名客户经理，累计响应超过 95 万次。
这个场景比客服更往里走了一层。
客户经理的工作，其实非常适合 AI 辅助。
他要懂产品、懂政策、懂客户、懂风险，还要随时回答客户问题。一个客户来了，不是只问“利率多少”，还可能问产品适配、贷款条件、经营资金安排、财富配置、风险提示。
过去客户经理靠经验、靠培训、靠翻材料。
但银行产品多、制度更新快，人很难全部记住。
AI 数字员工能做什么？
先帮客户经理查清楚政策口径，整理产品信息，生成沟通要点，甚至辅助处理业务咨询。
这不是替客户经理去维护关系，而是给客户经理配了一个随时在线的业务助手。
以后客户经理之间的差距，可能不只是“谁更勤快”，还包括“谁更会用 AI 准备客户沟通”。
四、行的例子：智能体已经开始成批上岗
如果说建行和农行体现的是“员工助手”，兴业银行更像是在做“智能体矩阵”。
兴业银行近期披露，首批部署 DeepSeek-V4，并构建“统一底座、场景驱动、安全可控”的模型服务体系。更关键的是，它提到已经上线 200 多个智能体，赋能 260 多个应用场景。
这个信息值得单独拎出来。
因为它说明银行 AI 已经不是“做一个大模型入口，让大家随便问问”这么简单了。
200 多个智能体，意味着银行开始把不同岗位、不同流程拆开：
业务经营有业务经营的智能体。
风险控制有风险控制的智能体。
运营管理有运营管理的智能体。
科技研发有科技研发的智能体。
这就很像过去银行给不同部门配系统，现在开始给不同流程配 AI agent。
以前是人打开系统干活。
以后可能是人设定目标，AI 先跑一遍流程，人再审核结果。
这才是银行 AI 真正有想象力的地方。
五、招行的例子：AI 已经进了研发和业务流程
招商银行这个案例也很值得写。
公开报道里，招行提出 “AI First” 战略，2025 年日均 Token 吞吐量达到 260 亿，累计落地 183 个领域专精模型、856 个 AI 场景应用，场景智能化覆盖率达到 50%。
这些数字背后，至少能看出两件事。
第一，银行已经不是“小范围试点 AI”。
如果有 800 多个场景应用，说明 AI 已经进入不少业务流程，不再只是创新实验室里的展示项目。
第二，AI 不只是前台客服，也开始进入研发。
招商银行自研过研发智能体 DevAgent，公开报道提到，它可以依托编程现场环境感知、企业研发知识检索等工具，以开发者业务目标为导向，提供任务级功能需求开发服务，具备跨文件、大片段代码生成能力。
这就和程序员被 AI 改变那条线接上了。
银行本身就是一家大型软件公司。
手机银行、支付系统、风控系统、数据平台、核心系统，全都需要大量研发人员维护。
AI 如果能帮开发人员读代码、补测试、改功能、写文档，对银行科技部门的影响会非常直接。
所以说，AI 改变金融民工，不只是改变客户经理、风控、合规，也包括银行自己的 IT 人。
六、交通银行的例子：银行更在意私有化和可控
还有一个很能说明银行特点的案例，是交通银行。
交行今年基于昇腾等国产化算力，完成 DeepSeekV4、GLM5.1、MiniMaxM2.5 等开源大模型私有化部署，升级企业级智能体平台，并集成记忆、Skills、上下文压缩、MCP 工具等能力。
这段看起来技术味很重，但翻译成人话就是：
银行不是随便打开一个外部 AI 工具就开始用。
它要把模型部署在自己可控的环境里，要能接自己的知识库、代码库、流程系统，还要有权限、日志、审计和安全边界。
交行还提到，代码助手集成 OpenCode 编程智能体，并沉淀适配交行开发规范的编程技能。
这就很银行。
它不是追求“AI 多会说”，而是要让 AI 按本行规范干活。
这也说明，国内银行的 AI 路线和个人用户完全不同。
个人用户追求好用、快、便宜。
银行追求的是：安全、可控、合规、可追溯。
七、金融民工最先被 AI 接手的，不是决策，而是中间劳动
所以回到标题：AI 先改变了程序员，现在轮到金融民工了吗？
我的判断是：会，但不是很多人想的那种方式。
AI 不会明天就替客户经理签字，也不会替风控负责人拍板，更不会替银行承担监管责任。
它最先接手的，是那些“专业但重复”的中间劳动。
比如：
客户经理整理客户画像。
信贷人员核材料、写初步风险点。
合规人员检查话术和合同文本。
运营人员处理流程查询和工单摘要。
反洗钱人员整理交易链路和调查初稿。
投研人员做财报摘要和行业比较。
银行科技人员读老代码、补测试、写文档。
这些工作都有一个共同点：耗时间、规则多、材料多、初稿多，但最终还需要人判断。
这就是 AI 最适合插进去的位置。
八、真正危险的，不是 AI 会金融，而是你只会做 AI 最擅长的那部分
金融行业不会因为 AI 出现就突然不需要人。
但人的价值会重新排序。
过去，一个人能吃苦、能加班、能快速整理材料，就很有用。
以后，这部分价值会被压缩。
因为 AI 不怕材料多，不怕制度厚，不怕反复查，也不怕写初稿。
更值钱的会是什么？
懂客户真实需求。
懂业务背后的风险。
懂监管红线。
懂流程怎么优化。
懂 AI 给出的结果哪里不靠谱。
能把一个模糊问题拆成 AI 可以执行的任务。
也就是说，金融人的分水岭，不是“会不会用 AI 写一段漂亮话”。
而是你能不能指挥 AI 干活，并且判断它干得对不对。
九、结尾
AI 先改变程序员，是因为代码工作里有大量可拆解、可验证、可自动化的任务。
现在轮到金融业，是因为银行里同样有大量流程化、材料化、规则化的工作。
区别在于，金融比编程更重视责任边界。
代码写错了，可以回滚。
金融判断错了，可能影响客户、资产、合规，甚至监管。
所以金融业的 AI，不会是“AI 一把梭替你干完”。
更现实的路径是：AI 做初筛、初稿、初判，人做复核、判断、签字。
这对金融民工来说，既是解放，也是压力。
解放的是那些最耗时间、最重复、最没成就感的活。
压力在于，如果你只会做这些活，那 AI 确实越来越像你的竞争对手。
AI 不一定会替代金融人。
但它会替代金融人身上最像机器的那部分。
真正的分水岭，已经很清楚了：
以后不是谁更能熬夜整理材料，谁就更有价值。
而是谁更懂业务、更懂风险、更会判断，也更会让 AI 替自己干活。
我有“龙虾俱乐部”社群，不收费，扫码进群。
