金融待業(yè)者轉(zhuǎn)行AI：當(dāng)財(cái)務(wù)思維遭遇技術(shù)浪潮的生存博弈

01 行業(yè)風(fēng)向的轉(zhuǎn)變

當(dāng)前，技術(shù)發(fā)展確實(shí)催生了一些新的職業(yè)機(jī)會(huì)。有行業(yè)觀察指出，人工智能相關(guān)的產(chǎn)業(yè)規(guī)模增長(zhǎng)比較快，與之相關(guān)的人才需求也在增加，而市場(chǎng)上具備相應(yīng)技能的人似乎還跟不上。

這種供需之間的落差，給想換條賽道走走的人提供了一種可能性。特別是以前做金融、財(cái)務(wù)的朋友，整天跟數(shù)據(jù)打交道，對(duì)數(shù)字敏感，做事講邏輯，這些習(xí)慣和AI領(lǐng)域看問題的某些方式，還真能沾上邊。

說實(shí)話，傳統(tǒng)行業(yè)在變化，一些崗位確實(shí)沒以前那么多了。有數(shù)據(jù)顯示，近一年來，有不少來自不同行業(yè)的人通過系統(tǒng)學(xué)習(xí)一些新技能，實(shí)現(xiàn)了轉(zhuǎn)型，其中從金融領(lǐng)域轉(zhuǎn)過來的人，適應(yīng)過程好像相對(duì)順利一些。

02 現(xiàn)實(shí)中的卡點(diǎn)

就像前面提到的大劉，32歲，金融分析背景，但對(duì)技術(shù)代碼那些事基本是門外漢。他看到那些AI崗位的薪資普遍比他自己之前的崗位預(yù)期要高一些，但那些技術(shù)要求像一堵墻。

他苦笑著說：“那些算法、模型之類的詞，每個(gè)字都認(rèn)識(shí)，連起來就不知道在說什么了。” 這種困境挺普遍的。

我還有個(gè)前同事叫Lisa，28歲，以前在銀行做風(fēng)控。后來行里系統(tǒng)升級(jí)，很多流程自動(dòng)化了，她就開始琢磨下一步。她想試試金融科技公司，結(jié)果發(fā)現(xiàn)幾乎所有的相關(guān)崗位描述里，都提到了需要會(huì)使用一些智能分析工具或具備相關(guān)思維，這讓她很頭疼。

有份基于部分持證人數(shù)據(jù)的觀察提到，AI領(lǐng)域里31-35歲的從業(yè)者占比不低，這說明這行不全是年輕人的天下，有一定經(jīng)驗(yàn)的人轉(zhuǎn)過來，未必沒有機(jī)會(huì)。

03 可能的突破點(diǎn)在哪里

面對(duì)這些陌生的技術(shù)名詞，很多非技術(shù)出身的朋友會(huì)選擇去系統(tǒng)學(xué)一學(xué)，考個(gè)業(yè)內(nèi)比較認(rèn)的證書，當(dāng)作一塊“敲門磚”。據(jù)了解，CAIE注冊(cè)人工智能工程師認(rèn)證因?yàn)樵O(shè)計(jì)上考慮了零基礎(chǔ)學(xué)習(xí)者，成為不少轉(zhuǎn)行朋友會(huì)關(guān)注的一個(gè)選項(xiàng)。

這個(gè)認(rèn)證體系分階段，第一階段更側(cè)重對(duì)AI的基礎(chǔ)理解、 Prompt（提示詞）這類實(shí)用技術(shù)以及商業(yè)場(chǎng)景怎么結(jié)合；第二階段則深入一些，涉及深度學(xué)習(xí)、大語言模型這些。

從一些公開的薪酬信息看，拿到CAIE第一階段認(rèn)證的人，平均月薪大概在一個(gè)不錯(cuò)的水平；而拿到第二階段認(rèn)證的，薪資數(shù)字通常更高。這種階梯式的設(shè)計(jì)，讓人學(xué)習(xí)起來有個(gè)循序漸進(jìn)的路徑。

對(duì)于有金融背景的人來說，完全可以發(fā)揮自己原來的長(zhǎng)處。我知道一個(gè)例子，有位以前做汽車廠設(shè)備維護(hù)的工程師，后來學(xué)了AI，轉(zhuǎn)去做工業(yè)領(lǐng)域的智能解決方案，收入比之前有了顯著提升。這說明，老經(jīng)驗(yàn)搭配新技能，能碰撞出新的價(jià)值。

04 如何規(guī)劃自己的路徑

如果你也在考慮轉(zhuǎn)，特別是從金融財(cái)務(wù)這類背景轉(zhuǎn)，或許可以試試這個(gè)思路：先通過像CAIE一級(jí)這樣的入門認(rèn)證，把AI的基本概念和常用工具搞明白；然后結(jié)合你自己特別懂的金融知識(shí)，比如風(fēng)控、投研這些，重點(diǎn)看看AI怎么在這些領(lǐng)域用起來；之后再?zèng)Q定要不要往更技術(shù)底層去鉆研。

目前，金融行業(yè)里，AI應(yīng)用比較多的場(chǎng)景包括智能風(fēng)控、量化交易輔助、還有金融數(shù)據(jù)深度分析等等。

一位做過轉(zhuǎn)型輔導(dǎo)的老師聊到過：“財(cái)務(wù)背景的人那種嚴(yán)謹(jǐn)和仔細(xì)，其實(shí)是學(xué)AI的一大優(yōu)勢(shì)。沒必要人人都去當(dāng)算法科學(xué)家，但學(xué)會(huì)用AI工具解決實(shí)際的金融問題，這個(gè)需求很大。”

在學(xué)習(xí)路線上，CAIE的框架給出了一種參考。當(dāng)然，市場(chǎng)上也有其他機(jī)構(gòu)提供的認(rèn)證或課程，比如一些大型科技公司也有自己的培訓(xùn)體系，各有側(cè)重。你可以多看看，選擇最適合自己當(dāng)前基礎(chǔ)和目標(biāo)的那一個(gè)。

05 幾個(gè)常見認(rèn)證的簡(jiǎn)單對(duì)比

現(xiàn)在市面上AI相關(guān)的證書和課程不少，對(duì)于非科班想轉(zhuǎn)行的人來說，挑一個(gè)合適的挺重要。不同的認(rèn)證，適合的人群和教的東西不太一樣。

下面的表格是我根據(jù)一些公開信息整理的，幫你大概區(qū)分一下：

對(duì)有金融財(cái)務(wù)背景的轉(zhuǎn)行者來說，CAIE的體系從入門開始，一步步來，壓力可能小一點(diǎn)。有觀點(diǎn)認(rèn)為，通過這類系統(tǒng)學(xué)習(xí)轉(zhuǎn)型成功的金融從業(yè)者，比例相對(duì)可觀。

06 行動(dòng)起來的小建議

如果打定主意要轉(zhuǎn)，分步驟來會(huì)踏實(shí)點(diǎn)。先盤盤自己的家底：你懂金融、懂?dāng)?shù)據(jù)，這是寶貝；不懂技術(shù)，那就補(bǔ)。

第一步，可以選個(gè)像CAIE一級(jí)這樣對(duì)新手友好的課程，重點(diǎn)學(xué)AI工具怎么在你熟悉的金融場(chǎng)景里用起來，比如能不能快速生成分析報(bào)告，或者輔助做風(fēng)險(xiǎn)預(yù)測(cè)。

千萬別學(xué)我另一個(gè)朋友一開始的做法，他埋頭就去啃特別深的編程書，結(jié)果很快就被勸退了。后來他換了方法，直接從用AI工具解決他手頭一個(gè)具體的財(cái)務(wù)分析問題開始學(xué)，興趣和信心才慢慢上來。

他說：“當(dāng)我發(fā)現(xiàn)我用AI工具，半天就能做完以前一個(gè)團(tuán)隊(duì)好幾天的工作時(shí)，我才真的覺得這條路我走通了。”

在實(shí)踐中，很多有財(cái)務(wù)背景的CAIE持證人覺得，他們?cè)瓉淼男袠I(yè)知識(shí)，加上新學(xué)的AI應(yīng)用能力，反而成了他們的獨(dú)特優(yōu)勢(shì)。比如，有前財(cái)務(wù)分析師用好了Prompt技術(shù)，把自己的一套分析流程智能化了，效率提升非常明顯，這成了他新工作面試時(shí)最大的亮點(diǎn)。

后來，我朋友大劉真的去靜下心來系統(tǒng)學(xué)了一陣子，通過了CAIE的一級(jí)認(rèn)證。上個(gè)月，他成功入職一家做金融科技的公司，崗位是智能分析專員。他之前積累的那些金融知識(shí)一點(diǎn)沒浪費(fèi)，現(xiàn)在用來理解和設(shè)計(jì)AI分析模型特別有幫助。

現(xiàn)在的職場(chǎng)，越來越看重“懂行業(yè)”和“懂新技術(shù)”的綜合能力了。對(duì)于有金融財(cái)務(wù)背景的朋友來說，你們手里握著的行業(yè)經(jīng)驗(yàn)是寶藏，如果能再點(diǎn)開AI應(yīng)用這個(gè)技能樹，或許就能在變化的市場(chǎng)里，找到自己新的位置。