瑞银把 AI 能力列入入职硬指标这事儿对金融从业者压力太大了

2027 年之前，瑞银（UBS）的全球银行与市场部门要把 AI 技能变成管培生和实习生的入职门槛。这意味着以后去面试，你不能只说自己会用 ChatGPT 聊天，得在面试官面前拿出具体的案例，证明你怎么用 AI 提升了工作效率或者优化了业务结果。这种从“加分项”到“必选项”的转变，其实给所有金融专业的学生敲了警钟。

其实不光是瑞银，桑坦德银行（Santander）已经在筛选高级 AI 用户了。更激进的预测来自摩根士丹利，他们认为未来五年内，欧洲银行领域大概有 20 万个岗位会被 AI 替代。这种规模的裁员预期，本质上是因为金融行业的很多基础工作——比如数据清洗、财报分析、初步的风险评估——现在用 LLM 配合一些插件就能跑得飞快。

对于想进金融圈的人来说，现在最核心的竞争力不再是你会不会用某个工具，而是你能不能把 AI 嵌入到具体的金融工作流里。比如，你不能只说“我用 AI 写报告”，而应该能展示类似这样的操作逻辑：

一、利用 AI 处理非结构化数据
在面对大量 PDF 格式的财报或市场分析报告时，不再是手动阅读，而是通过构建一个简单的 RAG（检索增强生成）链路，用 Python 脚本调用 API 快速提取关键财务指标，对比历史数据，然后让 AI 总结出趋势异常点。

二、编写自动化分析脚本
很多金融分析师其实在做重复的 Excel 搬运工作。现在一个合格的候选人应该能用 AI 快速生成 Python 代码，处理万级行数的交易数据，直接输出可视化图表，而不是在 Excel 里死磕 VLOOKUP。

三、构建针对性的 Prompt 框架
在面试中，如果你能展示一套经过迭代的 Prompt 模版，证明你能够通过 Few-Shot（少样本提示）让 AI 输出符合金融监管标准的专业分析报告，这比说“我会用 AI”要有说服力得多。

举个例子，如果你在面试中能演示这样一个逻辑：

# 假设一个简单的分析流程：调用 LLM 提取财报关键点并进行对比分析
import openai

def analyze_financial_trend(report_text, historical_data):
    prompt = f"""
    分析以下财报文本：{report_text}
    对比历史数据：{historical_data}
    请指出本季度营收增长率与历史均值的偏差，并分析潜在风险点。
    要求：输出格式为 JSON，包含 'deviation' 和 'risk_factors' 两个字段。
    """
    response = openai.ChatCompletion.create(
        model="gpt-4-turbo",
        messages=[{"role": "user", "content": prompt}]
    )
    return response.choices[0].message.content

这种能把技术路径说清楚的候选人，才是瑞银现在想要的。

说到底，金融业现在的焦虑在于，AI 正在把“初级分析师”这个角色给抹掉。以前一个资深 VP 下面带三个分析师跑数据，现在一个懂 AI 的分析师可能就能干掉三个人的活。如果一个毕业生不能证明自己能通过 AI 放大产出，那么他在招聘市场上的议价能力会迅速下降。

这种趋势其实在给所有白领行业预演：工具的普及会导致人才需求的“两极分化”。要么你是定义 AI 任务的架构师，要么你成了被 AI 替代的执行端。对于金融人来说，学习 Python、掌握 LLM 调度、理解数据流转，已经不再是可选的“课外活动”，而是生存的基本功。