金融行业 AI 落地的 FDE 路径
—— 钱最多、项目最密、门槛也最高的那个战场
出品:北京常温教育科技有限公司 · FDE 实战营教研组 版本:v1 · 2026-08-16 | 系列:行业 FDE 路径研究 第 3 篇(第 1 篇制造业 · 第 2 篇零售消费) 性质:公开可引用。所有数字标注口径与来源;凡我们自己抓的数据,均说明抓取方式与抽样偏差。
摘要
如果说制造业的 AI 问题是"进不去"、零售是"用不透",那么金融的问题是:东西已经进去了,而且规模不小,但每一步都要有人负责。
- 2025 年金融行业大模型中标 587 个项目、披露金额 15.06 亿元;而 2024 年是 133 个项目、2.4 亿元 —— 项目数一年 +341%,金额 +527%。
- 机构侧投入:2025 年约 144 亿元,预计 2030 年 579.2 亿元;其中 80.6% 投在应用层数智化改造,真正投基础大模型的只有 52.8%。
- 单家体量已经很大:中国平安 2025 年超 23 万员工使用智能体平台、开发超 7 万个应用、模型调用 36.5 亿次;众安保险全年大模型调用超 20 亿次、健康险自动化审核比例超 45%。
而承接这些项目的岗位,画像与前两个行业明显不同。我们实抓的 10 条金融/保险 FDE 在招职位显示:
| 维度 | 金融 FDE 的特征 |
|---|---|
| 薪资上沿 | 90–120k·15 薪、70–100k、45–75k·14 薪 —— 显著高于制造业同类 |
| 经验门槛 | 10 条里 6 条要求 5 年以上,出现 7 年以上、8 年以上、10 年以上 |
| 岗位命名 | 出现「策略师」「架构师」「负责人」,而非单纯"工程师" |
| 薪数 | 出现 24 薪、15 薪、14 薪 |
一句话结论:金融是 FDE 三个行业里回报最高的战场,但它不是入门战场。它要的不是"会做",是"敢签字"。
一、金融 AI 的现状:已经过了试点期
1.1 项目数量:一年翻近 4.4 倍
| 年份 | 大模型中标项目数 | 披露金额 |
|---|---|---|
| 2024 | 133 个 | 2.4 亿元 |
| 2025 | 587 个 | 15.06 亿元 |
| 增幅 | +341% | +527% |
这是本系列三篇里最硬的一组落地证据 —— 中标项目是真金白银签过合同的,不是意向、不是试点。
1.2 投入结构:钱主要花在"用起来"
2025 年金融机构 AI 类产品投入约 144 亿元,预计 2030 年增至 579.2 亿元。投入方向:
- 80.6% → 应用层数智化改造
- 77.8% → 算力基础设施
- 52.8% → 基础大模型
80.6% 投在应用层,意味着这个行业买的不是模型,是把模型用起来的工程与服务。这正是 FDE 的价值区间。
1.3 场景效果:三大场景都有可量化产出
| 场景 | 案例 | 效果 |
|---|---|---|
| 智能风控 | 百融智能 硅基质检专员 | 违规风险检出率提升至人工抽检的 3 倍以上;复杂问题意图识别准确率超 95% |
| 智能理赔 | 众安保险 | 健康险自动化审核比例超 45% |
| 智能理赔 | 中国平安 | 9 个 AI 产品入选国家级创新应用典型案例 |
| 智能投顾 | 百融智能 × 财通证券 | 产能覆盖率超 80%,投产比达人工 11 倍,客户投诉率下降 90% 以上,触客半径扩展 300% |
1.4 规模化程度
- 中国平安:23 万+ 员工使用智能体平台,7 万+ 应用,模型调用 36.5 亿次(2025)
- 众安保险:全年大模型调用超 20 亿次
- 蚂蚁数科 Agentar:已在银行、证券、保险等机构落地超 300 个金融专业智能体
- 云厂商份额:阿里云金融智能体市场份额 32.4%,百度智能云生成式 AI 12.2%
二、金融与前两个行业的根本差异:责任在谁
| 制造业 | 零售/消费 | 金融 | |
|---|---|---|---|
| 卡点 | 进不去(集成墙) | 用不透(流程与组织) | 每一步都要有人负责 |
| 具体约束 | 数据不出厂、产线不能停 | 流程要改、组织要动 | 合规、审计留痕、可解释、责任归属 |
| 出错代价 | 停线、废品 | 转化率下降 | 监管处罚、客户资金损失、声誉事件 |
| 因此需要的人 | 工程型 | 顾问型 | 能承担责任的资深型 |
金融的 AI 不缺预算也不缺场景,它缺的是"敢在方案上签字的人"。这解释了 §三 里那组反常的经验门槛。
三、一手岗位证据:10 条金融 / 保险 FDE 在招职位
3.1 ⚠️ 抽样方式与偏差(务必连同数据一起读)
抓取方式:2026-08-16,通过本机真实浏览器检索招聘平台公开职位,使用"FDE + 金融"等定向关键词,记录职位名、公司、城市、薪资、经验与学历要求。
🔴 这是定向检索,不是随机抽样。 因此绝不能说"某某比例的 FDE 岗位来自金融业" —— 本节只能回答"金融业在招的 FDE 长什么样",不能回答"金融占 FDE 市场多大比例"。 (作为对照:本系列第 1 篇中"37 条在招职位里制造与工业能源占 18.9%"取自未加行业词的通用 FDE 专题页,那个比例才可用。)
3.2 职位明细
| # | 职位 | 公司 | 城市 | 薪资 | 经验 | 学历 |
|---|---|---|---|---|---|---|
| 1 | AI FDE 现场部署工程师 - 金融投资方向 | 某北京云计算/大数据公司 | 上海 | 90–120k·15 薪 | 3 年以上 | 统招本科 |
| 2 | FDE Echo(前沿部署策略师·保险类金融方向) | 某北京计算机软件上市公司 | 北京 | 70–100k | 5–10 年 | 本科 |
| 3 | 前沿部署架构师 FDE(AI 架构师) | 上海暖哇科技 | 深圳福田 | 45–75k·14 薪 | 10 年以上 | 本科 |
| 4 | FDE 现场部署工程师(金融投资方向)- 火山引擎 | 字节跳动 | 北京海淀 | 40–60k·15 薪 | 7 年以上 | 统招本科 |
| 5 | FDE 现场部署工程师(金融投资方向)- 火山引擎 | 字节跳动 | 上海杨浦 | 40–60k·15 薪 | 7 年以上 | 统招本科 |
| 6 | 需求分析与 FDE 负责人 | 众安信科 | 上海黄浦 | 25–40k·15 薪 | 5 年以上 | 统招本科 |
| 7 | 知己智投(兴业证券交易服务系统)FDE | 某上海基金/证券/期货上市公司 | 上海 | 25–40k | 3–5 年 | 学历不限 |
| 8 | 知己智投 FDE | 某上海基金/证券/期货上市公司 | 上海浦东 | 20–30k·24 薪 | 3–5 年 | 硕士 |
| 9 | 火山引擎 FDE(AI 全系产品·金融投研行业) | 字节跳动 | 北京海淀 | 15–30k | 5–10 年 | 统招本科 |
| 10 | FDE 前沿部署工程师(金融 AI 方向) | 上海常春藤投资控股 | 上海浦东 | 15–25k | 1–3 年 | 本科 |
3.3 四个可读出来的结论
① 经验门槛显著偏高。10 条里 6 条要求 5 年以上,并出现 7 年以上(2 条)、10 年以上(1 条)。对照制造业样本中大量 3 年以上、1–3 年的岗位,金融明显更看资历。
② 岗位命名去"工程化"。出现「前沿部署策略师」「前沿部署架构师」「需求分析与 FDE 负责人」。与零售的「Consultant(顾问)」不同,金融用的是策略、架构、负责人 —— 强调的是判断与担责,不是执行。
③ 薪资上沿最高,但下沿也不低。上沿 90–120k·15 薪、70–100k;下沿 15–25k(1–3 年)。且出现 24 薪这种少见的薪数结构。
④ ⭐ 做出成果的公司,正在招这个岗位。§1.3 里众安保险的"健康险自动化审核超 45%"是公开披露的成果,而 众安信科(众安体系)正在招「需求分析与 FDE 负责人」;暖哇科技(同属众安系健康险科技)在招「前沿部署架构师 FDE」。
这是本文最值得注意的一条交叉验证:公开数据里跑出成果的机构,和在招 FDE 的机构,是同一批。
四、金融 FDE 的能力画像
结合 §1 的约束与 §3 的岗位特征:
| 能力 | 金融场景下的权重 | 为什么 |
|---|---|---|
| 合规与审计留痕 | 极高 | 每一次模型决策都可能被监管问到"依据是什么" |
| 评测与监控 | 极高 | 风控/理赔一旦漂移就是资金损失,不是体验问题 |
| 需求拆解 | 极高 | 业务方说"降低不良率",要翻成可验收的指标 |
| 系统集成 | 高 | 核心系统改造窗口极小,多为旁路接入 |
| 客户沟通 | 高 | 要面对风控、合规、审计三方,不只是业务方 |
| Agent 编排 | 中(上升中) | 蚂蚁 Agentar 已落地 300+ 金融智能体,趋势明确 |
与本系列前两篇对照:
| 制造业 | 零售/消费 | 金融 | |
|---|---|---|---|
| 核心能力 | 集成 + 评测 | 沟通 + 需求拆解 + 方案表达 | 合规 + 评测 + 担责 |
| 岗位命名 | Engineer(工程线) | Consultant(咨询线) | 策略师 / 架构师 / 负责人 |
| 经验门槛 | 中 | 中 | 高(6/10 要求 5 年以上) |
| 薪资上沿(我方样本) | 60k 级 | 80k 级 | 120k 级 |
| 适合谁切入 | 懂产线、懂老系统的人 | 懂生意、会讲方案的人 | 已有金融从业背景的人 |
🎯 给转型者的实话:金融是三个行业里回报最高、也最不适合从零切入的。 如果你已经在银行、券商、保险、金融科技公司工作,这是你存量优势最大的方向; 如果你完全没有金融背景,建议先从制造或零售切入,而不是直接冲这里 —— 那里的经验门槛会把你挡在外面。
五、结论
- 金融 AI 已过试点期。中标项目一年从 133 个涨到 587 个(+341%),金额涨 527%,这是三个行业里最硬的落地证据。
- 钱主要花在"用起来" —— 80.6% 投应用层改造,而非基础模型。这正是 FDE 的价值区间。
- 金融 FDE 的差异是"担责"而非"技术"。岗位名从 Engineer 变成策略师/架构师/负责人,经验门槛 6/10 要求 5 年以上。
- 合规与评测监控是金融 FDE 的核心能力,权重高于集成 —— 因为出错代价是监管处罚与资金损失。
- 有金融背景的人在这条路上有巨大存量优势;没有的人,建议先从其他行业切入。
六、方法与局限(请连同结论一起引用)
我们做了什么 - 引用公开报道披露的金融 AI 数据(中标项目统计、机构投入预测、三大场景效果、平台调用量) - 使用本机真实浏览器实抓招聘平台 10 条金融/保险 FDE 在招职位(2026-08-16)
我们没做什么(局限) - 🔴 §3 是定向关键词检索,不是随机抽样,不可用于计算金融在 FDE 市场中的占比 - ❌ n=10,且含平台匿名发布职位(以"某某公司"呈现);未做去重与真实性核验 - ❌ 薪资为公开招聘信息标注区间,不代表实际到手,更不代表任何承诺 - ❌ §1 各项数据来自不同机构、不同口径、不同统计年份,不可直接横向做算术比较 - ❌ 我们未获取任何金融机构的内部数据,§1.3 全部为公开报道 - ⚠️ §4 的"能力权重"是我们基于岗位描述与行业约束的判断,非统计结果
利益披露:本文由 FDE 实战营教研组撰写,我们从事该方向的职业教育。本文不构成任何就业、薪资、投资或合规建议。金融业务受严格监管,任何实际落地请以持牌机构与监管要求为准。
七、数据来源
- 金融行业大模型中标项目统计、机构 AI 投入预测、投入结构占比 —— 2026 年金融科技发展洞察相关公开报道
- 三大场景效果(百融智能、众安保险、中国平安、财通证券)、平台调用量、云厂商份额 —— 2026 金融 AI 应用报告相关报道
- 蚂蚁数科 Agentar 落地 300+ 金融智能体 —— 公开报道
- 在招职位:招聘平台公开职位定向检索(2026-08-16,本机浏览器实抓)
- 制造业 / 零售对照数据 —— 详见本系列第 1、2 篇
附:这个行业的 FDE 具体在做什么(三个场景)
上面几节说的是盘面 —— 这个行业已经过了试点期,缺的不是预算也不是场景,是敢在方案上签字的人。这一节把盘面落到活上。
三个场景是从本页第一节的落地证据与第三节的岗位证据倒推出来的典型形态,不是我们正在承接的项目,也不对应某一家具体机构。「客户会怎么说」这一栏是故意留模糊的 —— 真实世界里第一次开口就是这么说的。
整理于 2026-09-20,依据本页第一节(中标与投入数据)与第三节(10 条一手岗位证据)。场景为典型形态归纳,非具体项目案例。
场景一 · 理赔 / 单据材料预审
客户会怎么说
「理赔材料人工看太慢,但我们不敢让 AI 直接给结论。」
绕不开的约束:⚠️ 必须留痕,每一步要能查是谁的判断;拒赔要能给出理由;个人信息强合规。
数据实际长什么样:上传的照片歪斜、模糊、多张拼在一起;同一个字段在不同单据上叫法不同。
交付物算不算合格,看这三条
- AI 只出「建议 + 依据」,最终结论必须由人点
- 每条建议可回溯到原始材料的具体位置
- 全流程留痕,且可导出审计
本页第一节里有一条公开披露的成果:众安保险健康险自动化审核比例超 45%。注意是 45%,不是 100% —— 这个行业里做得最好的那一档,也把人留在了链路上。
手里有什么的人接得住:测试、后端、传统 IT 实施 / 集成(见谁转过来更容易)
场景二 · 合规文档问答(强制引用溯源)
客户会怎么说
「制度文件太多了,一线经常记错。」
绕不开的约束:⚠️ 答错等于合规风险;文件有版本与生效日期;过期文件不能被引用。
数据实际长什么样:同一制度多个版本并存,而且都没标作废;附件里的表格 OCR 之后错位。
交付物算不算合格,看这三条
- 每条回答必须带文件名 + 条款号 + 生效日期;给不出出处,就答「我不知道」
- 过期版本不进检索,而且能证明(给得出排除清单)
- 多版本冲突时同时呈现,不自行选一个
第 3 条常被当成产品体验问题,其实是责任问题:系统替客户选了一个版本,出事的时候,是系统在替人做判断。
手里有什么的人接得住:后端、数据 / BI、测试
场景三 · 客户投诉分类与升级路由
客户会怎么说
「投诉量上来了,重要的那几条经常被埋在里面。」
绕不开的约束:监管投诉有时限要求;误判等级会出事。
交付物算不算合格,看这三条
- 高等级投诉宁可误报不可漏报,而且漏报率单独报
- 分类依据可解释,不是一个分数
- 有人工改判入口,改判数据能回流
手里有什么的人接得住:数据 / BI、测试、产品
这个行业最常见的那个伪需求
「让 AI 直接做决定,提高效率。」
在金融场景里,这是最危险的一句需求 —— 不是技术上做不到,是没有人能在那份方案上签字。
一种接法是:「这样做你们签不了字。我们把 AI 放在『出建议 + 给依据』的位置,人做最终决定,但把人的时间从 30 分钟压到 3 分钟。」
本页第二节说的「差异在担责而非技术」,落到活上就是这一句话的位置之争。也正因为如此,这个行业的岗位名更多是策略师、架构师、负责人,而不是工程师 —— 本页第三节的 10 条样本里,6 条要求 5 年以上,并出现了 7 年、10 年以上。招聘方在用年限筛人,这是打算转过来的人应该先知道的事。
想自己练手:数据从哪来
金融数据一条都不会给外人。所以这类场景必须靠合成数据开做:
- 生成同一份制度文件的三个版本,其中一个已过期但没标注 —— 用来练「过期版本不能被引用」
- 生成 300 条投诉工单,故意让其中 5 条高危投诉的措辞很平静 —— 用来练「漏报比误报贵」
⚠️ 有两类场景不建议拿来当练手项目,也不建议写进作品集:投资建议、授信决策、风险定价。这些在国内有持牌要求,做出来不是加分项。流程效率、文档检索、分类路由这三类是安全的,前提是人工终审那一步不能省。