新加坡金融业 AI 培训将覆盖 8 万名员工，但技能本身无法保障工作岗位
根据 23 家大型金融机构作出的新承诺，到 2028 年，新加坡金融业的 AI 培训将覆盖逾 8 万名本地员工。规模令人瞩目，但更艰巨的考验将在员工完成课程后开始。银行、保险公司和资产管理机构必须将培训转化为重新设计的岗位、可信的职业发展路径，以及更安全的 AI 使用方式。
新加坡银行与金融学院（Institute of Banking and Finance Singapore，简称 IBF）正通过新设立的 AI Workforce Co-Lab 组织这一工作。参与机构承诺，通过获 IBF 认可的项目，为其所有新加坡员工提供关键 AI 技能培训。这些员工合计约占该国金融业劳动力的 40%。
这并非又一场数字素养推广活动。新加坡正试图应对 AI 更快落地与高价值白领职业稳定性之间的直接矛盾。该计划假定员工能够跟上技术变化，但培训本身并不能保证雇主会保留员工规模、妥善重塑岗位，或为新获得的技能提供相应回报。
新加坡金融业 AI 培训从试点迈向行业承诺
这项新承诺将 AI 准备工作从少数团队扩展至 23 家金融机构的全部本地员工队伍。
副总理颜金勇于 2026 年 9 月 24 日在 IBF Distinction Evening 上宣布了这一计划。颜金勇同时担任新加坡贸易与工业部长，以及新加坡金融管理局（Monetary Authority of Singapore，简称 MAS）主席。
参与机构包括银行、保险公司和资产管理公司。它们承诺在 2028 年底前，为逾 8 万名新加坡员工提供关键 AI 培训。相关项目将获得 IBF 认可；IBF 负责为金融业制定专业标准和培训框架。
8 万这一数字指的是参与机构在新加坡工作的员工，并不意味着该项目将培养出 8 万名新的 AI 工程师。大多数参与者仍将从事业务、运营、合规、风险、财富管理、客户服务及管理工作。
这一差异至关重要，因为金融机构需要多种类型的 AI 能力。构建模型的软件工程师，所需专业知识不同于审核 AI 生成客户简报的客户经理。监督自动化工作流程的运营人员，承担的职责也不同于批准企业级部署的管理人员。
AI Workforce Co-Lab 的目标之一，就是帮助机构梳理这些差异。它将评估 AI 如何改变岗位、测试培训方法，并开发岗位重塑的方法论。相关成果随后可在更广泛的金融业中共享，包括那些缺乏资源、无法独立建立每套框架的机构。
这为各公司的内部项目提供了一层共同基础。该计划不再将 AI 熟练度视为模糊的个人特质，而是可以将技能与具体岗位、任务和控制措施联系起来。这在金融业尤为重要，因为一份不准确的摘要可能影响客户、信贷决策或监管申报。
这一承诺也不止于通用课程。参与机构预计将为 AI 赋能岗位开发再培训路径，并加强年轻人才储备。因此，培训、岗位调配和初级人才培养将被纳入同一套劳动力战略。
据最初的劳动力公告，颜金勇表示，目标是将 AI 转化为更好的职业发展和更高的生产率。这样的并列设定了严格标准。即使职业稳定性下降，生产率也可能提升，因此这两项目标都需要独立证据加以验证。
新加坡已经建立了推动这一努力所需的大部分制度基础。MAS 负责监管该行业，而 IBF 与雇主及培训机构合作开展专业发展工作。当技术变化改变劳动力需求时，新加坡劳动力发展局及其他公共机构可支持职业转型。
因此，这项承诺的意义超越了一系列在线课程。它是在自动化进一步扩展至金融运营之前，试图将技术部署、劳动力规划和劳动力市场政策衔接起来的一项有组织的尝试。
这一时间点也构成核心张力。机构希望员工现在就使用 AI，但没有人能够完全界定到 2028 年许多金融岗位的具体工作内容。
为什么新加坡在金融岗位尚未完全重塑前采取行动
新加坡提前培训员工，是因为金融机构正在改变工作任务的速度，已快过传统岗位描述所能跟上的节奏。
生成式 AI 可以起草文件、总结研究资料、检索内部知识、整理会议记录，并为常规问题拟定回复。Agentic AI，即能够规划并执行多个相互关联步骤的系统，则将这一能力扩展到过去由人工协调的工作流程。
金融服务业拥有大量适合此类技术的任务，因为该行业会产生海量文件、通信内容、政策文本和结构化数据。然而，金融业也对草率的自动化设下严格限制。隐私、模型准确性、可解释性、网络安全和问责机制，都会影响某个应用场景能否投入生产环境。
新加坡现有的方法将劳动力发展分为三层。第一层是在全行业提升基础 AI 素养。第二层是向工作正在变化的员工提供岗位专属培训。第三层则是为技术和专业岗位建立更深厚的人才储备。
这一框架在新的 8 万员工承诺之前便已出现。MAS 和 IBF 已与 11 家机构合作制定生成式 AI 岗位转型图谱。参与机构包括 DBS、OCBC、UOB、Citibank、HSBC、Standard Chartered、UBS、Franklin Templeton、Income Insurance、Manulife 和 Prudential。
这一岗位转型框架聚焦三项行动：uplift、upskill 和 upbuild。Uplift 指提升更广泛员工群体的基础知识；upskill 指帮助员工为影响其岗位的工具做好准备；upbuild 则指为 AI 赋能的行业培养新人才。
Co-Lab 将这一逻辑从最初的一批机构扩展为更广泛的机构承诺。它也承认，企业不能等到岗位边界稳定后才行动。等到传统培训计划获批、部署并完成时，相关工具可能已经发生变化。
在文档密集型岗位中，这种压力尤为明显。财富管理顾问可能收到一份由 AI 生成的客户简报初稿。合规分析师可能使用系统整理预警信息。运营团队可能监督一个此前需要多次人工交接的自动化流程。
这些例子并不必然取代员工。它们可能会将员工的贡献从产出转向审核、异常处理、判断和沟通。然而，只有当雇主围绕这一变化重塑工作负荷和绩效预期时，这种转变才会产生价值。
如果一名员工既要完成旧流程，又要额外核查 AI 输出，其生产率未必有所提升。组织可能只是增加了一层工作。培训员工如何向工具发出提示，并不能解决这一问题。
新加坡也有提前干预的国家层面理由。金融业是高价值就业的重要来源，该国也作为国际金融中心参与竞争。如果机构无法有效部署 AI，可能会失去效率和投资；如果部署 AI 时缺乏可信的劳动力计划，则可能削弱本地专业人士的信心。
因此，政府正试图同时保护两项资产。它希望金融机构保持竞争力，同时确保新加坡员工仍能适应由此形成的运营模式。这些目标在原则上相互支持，但在削减成本或重组期间可能出现分歧。
2026 年 6 月宣布的一项更广泛合作显示了这一雄心的规模。IBF 与新加坡工运组织设定目标，计划在三年内让多达 10 万名金融专业人士具备 AI 能力。这项行业培训合作提出，应围绕金融应用场景、岗位角色和 MAS 指引开展实用项目。
较新的 8 万员工承诺则更为具体。它覆盖 23 家参与机构的全部本地员工队伍，并设定了 2028 年底的期限。两项计划共同表明，新加坡正将 AI 能力视为共享的劳动力基础设施，而非仅为技术团队保留的福利。
真正的较量在于培训与岗位重塑
主要的较量，是可量化的培训承诺与在不掏空职业发展空间的前提下重塑工作的艰难现实之间的较量。
培训目标很容易统计。机构可以记录报名人数、完成情况、评估成绩和证书。这些数字能反映活动开展情况，却无法说明员工是否获得了有价值的授权、进入了更好的岗位，或避免了被替代。
岗位重塑需要作出更难标准化的决策。雇主必须确定哪些任务应交由 AI 处理，哪些需要人工批准，以及哪些任务应完全由人来完成。他们还需要决定，当自动化建议不完整或出现错误时，由谁承担责任。
财富管理领域清楚地体现了这一差异。AI 系统可以汇集市场信息，并为客户经理生成初稿。客户经理仍需核查适当性、了解客户、质疑薄弱的推理，并对最终沟通承担责任。
当员工获得可靠的数据、充足的审核时间，以及拒绝输出结果的权限时，这种安排可以改善服务。但当生产率目标迫使员工以更少审查批准更多材料时，情况就会变得危险。
运营岗位也面临类似取舍。自动化可以完成常规步骤，员工则负责处理异常和复杂案例。然而，异常处理工作往往比被替代的常规工作更需要广泛的知识和更好的判断力。
雇主不能假定每位员工都能在短期课程后完成这种转变。他们必须提供实践、辅导、安全工具的使用权限，以及进入重塑后岗位的明确路径。有些员工还需要更深入的再培训，而不仅是通用 AI 素养。
新加坡的框架承认了这一区别。据早期报道，Co-Lab 将首先为管理人员、财富管理顾问和运营人员建立发展路径。这些群体处于决策链的不同环节，因此完全相同的培训价值有限。
领导者需要理解投资选择、治理、劳动力影响和问责机制。财富管理人员需要掌握安全使用 AI 处理客户信息和提供建议的方法。运营员工则需要监督工作流、调查异常情况，并识别自动化何时失效。
以技能为先的内部流动战略，可以将这些能力与新岗位联系起来。以 OCBC 为例，该行表示，几乎所有新加坡员工都参加过与 AI、数字技术或数据相关的项目。该银行还梳理了相邻的职业路径，使员工能够获得内部流动所需的技能。
根据行业报道，DBS 已为约 14,800 名驻新加坡员工配备基础 AI 能力。UOB 则强调，在掌握技术知识的同时，也要培养判断力、批判性思维、沟通能力和领导力。
这些例子表明，本地最大的银行并非从零开始。Co-Lab 可以整合已经大规模运行的项目经验，也可以揭示课程完成与实际岗位流动之间的差距。
最有价值的成果，应是一套可供雇主在从岗位中移除任务之前采用的路径。每条路径都应明确目标岗位、所需能力、受监督的实践经验、评估方法和可用职位空缺。
缺少这种衔接时，员工将承担大部分风险。他们可能完成了培训，但公司同时自动化了其现有任务、收窄了晋升路径，或为新职位从外部招聘专业人才。
这正是“承诺与现实”的冲突比标题数字更重要的原因。新加坡可以为超过 80,000 人提供课程，但如果经过重新设计的岗位没有出现，仍可能无法实现目标。反过来，即使证书数量较少，只要员工获得真正的流动机会和责任，也可以形成有意义的劳动力韧性。
知识型员工可以通过保留其决策依据，为这一转型做好准备。可检索的 AI knowledge base 可以帮助员工比较源材料、生成草稿和最终判断。它无法替代机构控制措施，但能在岗位变化期间支持可追溯的工作习惯。
因此，Co-Lab 的成功应以员工培训后能够做什么来衡量。完成培训只是起点，而非结果。
80,000 这一数字没有告诉我们的事
该公告设定了广泛的参与目标，但尚未明确培训深度、岗位再部署结果或就业保障。
“关键 AI 技能”这一表述可以涵盖范围很广的学习内容。一端可能是对可接受使用方式、隐私和常见风险的基础认知；另一端则可能包括重新设计工作流、测试模型、管理数据和监督自动化决策。
这两个层面都有价值，但不能相互替代。简短的负责任使用模块可以减少粗心行为，却无法让运营专家具备监督智能体工作流的能力，也无法帮助客户经理质疑生成式建议。
公开报道尚未为每个参与岗位提供完整课程体系，也未确立统一的最低学习时数、通用评估标准或必需的就业结果。
这并不意味着该承诺毫无意义。它意味着读者应区分已经得到验证的承诺，与仍需时间衡量的成果。
第二个不确定性涉及工具使用权限。员工无法仅通过教学培养应用能力。他们需要受治理的系统、具有代表性的任务、反馈机制，以及在不泄露机密信息的前提下进行试验的许可。
金融机构通常会限制消费级 AI 服务，因为员工可能输入敏感数据，或依赖缺乏支持的输出。企业系统可以通过访问控制、获批的数据连接、日志记录和监控来降低部分风险，但这些保障措施需要投资和谨慎实施。
一名在通用案例上接受培训的员工，进入银行的具体系统后仍可能面临困难。Co-Lab 将需要在全行业共享培训与机构层面的工具和政策之间搭建桥梁。
第三个不确定性是生产率衡量。企业经常估算自动化节省的时间，但节省时间并不会自动转化为更好的职业发展。管理层可以将释放的能力再投资于服务和分析，也可以用来减少人员需求。
该计划的公开表述倾向于“增强”，即 AI 协助人类而非取代人类。然而，任何培训项目都无法消除削减成本的商业压力。机构可能在不同职能中同时推进增强和劳动力缩减。
独立的全球研究支持保持谨慎。一项 2026 年关于金融服务业 AI 的研究发现，只有 10% 的受访机构认为其劳动力已做好高度准备。根据这项全球金融研究，报告 AI 盈利能力积极的机构，也更可能报告较强的劳动力准备度。
这种关系并不能证明培训导致了更高的盈利能力。管理更出色的机构可能在两项指标上都表现良好。不过，这仍表明，如果只购买技术而不准备员工，价值将无法充分实现。
同一研究发现，监管机构存在尤其严重的专业能力缺口。这一点很重要，因为监管者必须理解其所监管机构使用的系统。一个行业可以快速培训员工，却仍然领先于负责审查新风险的公共机构。
金融业还增加了一层复杂性：许多失败只有在部署后才会显现。模型在测试期间可能表现良好，却难以应对特殊客户、变化中的市场、不完整记录或对抗性行为。员工需要具备足够知识，在问题扩散之前识别这些失败。
因此，最有力的质疑并不是员工能否完成培训，而是机构是否会给予受训员工足够的时间、权限和职业机会来行使判断力。
新加坡更广泛的劳动力市场进一步增加了紧迫性。国际货币基金组织的一项分析发现，当受过适当培训时，新加坡受过高等教育的专业人士可从 AI 中获得显著收益。同一份劳动力市场分析也强调，AI 暴露程度集中于知识密集型职业。
这种组合解释了为何政策不能只关注裁员发生后的被替代员工。早期干预可以有所帮助，但其设计必须反映暴露程度的不平等。任务变化最大的员工，需要比只接受一般介绍的同事获得更深入的支持。
Co-Lab 应避免将每一次课程完成都表述为同等价值。透明的报告可以区分基础素养、岗位专项技能提升、高阶再技能培训以及成功再部署。这将让员工和政策制定者更清楚地了解进展。
新加坡通过行业协调形成了与众不同的方法
新加坡正将劳动力准备转变为一项协调的行业工程，而其他地区的许多机构仍在逐家公司管理 AI 培训。
大型国际银行已经推出广泛的内部项目。例如，Lloyds Banking Group 宣布成立 AI 学院，旨在面向不同的使用者、领导者、构建者和支持岗位培训全体员工。其他银行也正在开发企业助手、专业中心和治理项目。
新加坡的方法不同之处在于，一个与监管机构有关联的行业组织正帮助各机构比较岗位变化并分享培训实践。这一结构可以减少重复投入，并让小型企业获得由大型雇主开发的知识。
该模式还让劳动力政策更接近技术治理。MAS 已经就风险管理和负责任的技术使用设定预期。IBF 可以将新兴实践转化为技能框架和培训路径。
这种联系很有用，因为金融业采用 AI 不只是软件决策。它会影响运营控制、数据访问、客户沟通、模型验证、合规和问责。员工需要理解自己的岗位在这一系统中的位置。
Co-Lab 还可能帮助新加坡解决一个协调难题。如果受训员工可以跳槽至竞争对手，一家机构可能会犹豫是否大力投资再技能培训。共享标准通过建立一批具备公认能力的更广泛人才储备，降低了这种担忧。
当技能可在雇主之间流动时，员工将从中受益。设计过于狭窄的内部课程，在一家公司之外可能价值有限。IBF 认可的项目可以提供共同信号，尽管其市场价值仍取决于评估质量和雇主接受度。
行业协调并不会消除竞争。银行仍将争夺技术专家、客户关系和运营优势。它们可能共享基础方法，同时保护专有模型、数据和工作流。
这一结构还可以支持更一致的术语体系。AI 素养、技能提升和再技能培训等概念经常相互混淆。共同框架可以区分认知与应用熟练度，以及熟练度与胜任不同岗位的准备程度。
新加坡在早期技术变革浪潮中也采取过类似的劳动力战略。金融机构此前曾使用专业转换项目，对员工进行再技能培训，并将其转入职责扩展的岗位。当前努力则将这套劳动力市场机制应用于变化更快、可预测性更低的技术。
AI 让挑战变得更艰巨，因为它会影响各部门的认知型任务。早期自动化通常针对定义清晰的流程；生成式系统则可以同时进入写作、研究、分析、沟通和决策支持领域。
这种广泛性解释了面向全体员工的承诺。若将培训局限于技术团队，业务使用者将难以充分准备，以监督进入其工作的工具。这也会使知识集中在构建者手中，并与那些对客户和决策负责的员工脱节。
然而，共享培训标准不应导致标准化思维。金融机构需要能够质疑输出、识别语境并升级处理异常案例的员工。这些能力既依赖领域知识，也依赖技术熟悉度。
目标应是有信心的怀疑，而不是无条件采用。员工需要知道 AI 系统能够加速什么、其证据来自何处，以及何时应拒绝其结果。
这也是个人知识实践发挥作用的地方。能够整理源文件、会议记录和决策的员工，可以更有效地评估生成的工作。一套结构化的 knowledge workflow 提供了有用的类比，尽管金融机构必须使用获批的系统和控制措施。
如果新加坡的协调模式能够带来可衡量的岗位流动和更安全的采用方式，它将具有影响力。如果它只报告参与总数，其他市场将难以从这一试验中学到足够多。
三项信号将显示这一承诺是否保护职业生涯
下一阶段应通过培训深度、经验证的岗位流动，以及AI应用在不削弱问责的前提下改善工作的证据来评判。
第一个信号是发布针对不同岗位的培养路径。未来数月内，IBF及参与机构应明确领导者、财富管理人员和运营员工需要学习什么。最有力的培养路径将包含实践评估、受监督的使用方式，以及与重新设计后的岗位之间的清晰衔接。
详细的培养路径将强化这样一种判断：新加坡金融业AI培训不止于基础认知。模糊的课程目录则会削弱这一判断，尤其是在机构将简短的入门模块视为完整劳动力准备时。
第二个信号是岗位再部署数据。机构应披露有多少员工在完成培训后转入重新设计的相邻岗位或新设岗位。留任率、晋升情况、薪资增长以及在新岗位上的任职时长，比报名总数更具说明力。
持续的内部流动证据将支持政府关于AI能够带来更好职业发展的说法。若高完成率同时伴随裁员或晋升机会减少，则表明这一承诺与实际就业状况正在脱节。
第三个信号是机构如何衡量生产环境中的使用情况。有价值的披露应将受训员工与受治理的工具、真实工作流程及有记录的人类监督联系起来。同时还应说明，错误处理、客户结果和员工工作负荷是否得到改善。
仅凭生产力数据无法回答这一问题。更快的流程仍可能带来隐性的审核负担，或将风险转移给一线员工。最有力的证据将效率与准确性、问责和劳动力结果结合起来。
这些信号应在2028年期限到来之前充分显现。等到最后一年才观察，将没有足够时间纠正薄弱项目，或帮助岗位变化快于预期的员工。
对金融专业人士而言，务实的应对并不是追逐每一种新的AI产品。员工应识别自己岗位中哪些任务正在自动化、哪些决策仍需人类判断，以及雇主在填补重新设计后的岗位时采用哪些证据。
管理者也应明确开展同样的工作。他们可以在采购工具前梳理任务，在部署前界定责任，并在从现有岗位移除工作前提供转型路径。这样的顺序能让培训拥有明确的去向。
新加坡已设定一个规模可观且可信的参与目标，并获得主要机构的支持。如今，该国面临更困难的部分：证明8万名受训员工能够成为金融服务业中能力更强的参与者，而不只是对自动化有更充分了解的旁观者。
到2028年，课程完成情况只能回答一个问题。决定性的问题在于，新加坡金融专业人士是否获得了更具持续性的岗位、更强的判断力，以及对正在改变其工作的AI系统的真实影响力。
