核心内容总结
这篇文章讲的是：金融行业长期存在“聪明人干笨活”的怪现象——名校毕业生每天花大量时间做信息搬运、数据清洗、表格整理等重复工作；但现在，类似编程行业“Codex”的AI工具（文章里叫Agent）开始进入金融领域，承包了这些基础杂活，让金融人的工作重心从“熬夜做底稿”转向“复核、判断、形成核心观点”，行业的竞争焦点也从“谁能更快搬完材料”变成“谁能在AI产出的基础上做出更有价值的决策”。
一、金融圈过去的日常：聪明人干最“费时间”的笨活
金融行业里，很多看似高大上的工作，本质都是“体力活”。比如：
- 做DD deck（尽职调查演示文稿）：老板要一份某公司的调查材料，你得去天眼查翻股权、官网看业务、年报里抠收入利润、新闻里找风险，把十几个网页的信息拼成表、洗干净Excel，最后可能只做3页PPT——这就是信息搬运。
- 量化研究：听起来是用数学模型找市场规律，但研究员大部分时间不是想策略，而是捞数据、清洗字段、写代码跑测试、调参数，一轮下来几天就没了，真正想策略的时间少得可怜。
- DCF估值（算公司未来值多少钱）：手动做一份完整模型，光是从同花顺导数据、配平资产负债表、写假设，就能耗大半天。
这些活没什么技术含量，但耗时间，过去大家都觉得“忍忍就好”，甚至“熬夜能做完”成了竞争力。
二、AI Agent来了：把金融里的“笨活”全承包
现在的AI不再是单纯的聊天框（问一句答一句，还要手动复制），而是能像“小助手”一样自己完成复杂任务：
- 量化研究场景：AI能自己捞数据、跑因子验证（比如找价量反转、波动率这些规律），还能告诉你“哪些因子不行，为什么不行，下一轮该调什么”——研究员不用再重复跑代码，只要判断AI的建议合不合理，决定下一步方向。
- DCF估值场景：AI能自动从同花顺导数据、配平三表、写假设，大半天的活可能几小时就搞定。
- 日常杂活：做DD deck时，AI能自动查股权、整理公司概况、财务快照、风险点，直接输出第一版PPT；做行业对比表（comps table）时，AI能自动拉30家公司的数据、统一口径，不用人手动整理。
简单说，AI把过去“必须人做但不值得花时间”的活全接了。
三、工作变了：从“做底稿”到“挑毛病、定方向”
过去，金融人的竞争力是“谁能更快做完底稿”（比如熬夜做DD deck、两天出行业对比表）；现在，AI能快速出第一版底稿，人要做的是：
- 复核：检查数据来源对不对、口径准不准（比如两家公司的收入计算方式是否一致）；
- 修正：调整不合理的假设（比如某公司未来增长率假设太高）；
- 升华：把AI的材料变成有说服力的观点（比如从财务数据里看出公司的核心风险，或者选对估值指标）。
比如senior分析师不用再从零开始搬材料，直接盯着AI的底稿挑问题，然后形成投资逻辑——真正的价值从“做底稿”转移到了“用底稿”。
四、参考编程行业：Codex如何改变程序员？
文章拿编程行业的Codex举例，帮我们理解金融行业的变化：
- Codex刚出来时，程序员觉得它只是“自动补全代码”的小工具；但后来它能承包查文档、写样板代码、补测试用例等杂活，让初级程序员更快接触架构设计、复杂业务，高级程序员聚焦更难的问题。
- 结果是：程序员没被淘汰，但整个行业的“门槛”提高了——过去靠堆时间的活被AI替代，大家都得往更核心的能力走。
金融行业现在正经历类似的过程：AI不是要淘汰金融人，而是把行业的“水位线”拉高了。
五、新竞争点：底稿之后见真章
现在，所有人都能快速拿到底稿，真正比高低的地方变成了“底稿之后”：
- 谁能从AI的财务数据里发现异常（比如某块收入突然增长但没有合理原因）？
- 谁能判断估值时该用EV/EBITDA还是P/E（不同指标适合不同公司）？
- 谁能把AI的材料改成老板、客户愿意听的观点（比如用简单的话讲清楚公司的投资价值）？
抢先适应这种变化的人，就能更早展现自己的核心能力——毕竟，AI能做基础活，但判断、决策、讲故事这些“人独有的能力”，才是未来的竞争力。
一句话总结：AI不是来抢金融人饭碗的，而是帮他们从“搬砖”转向“盖楼”——把时间花在更有价值的思考上，行业的竞争也从“体力”变成了“脑力”。