事件背景
Bloomberg Intelligence 預估華爾街未來數年將因智慧自動化裁減 20 萬個職位。看起來是大規模失業潮，實際上是職位內部的『工作維度』在被重新分配——不是職位消失，是職位的『任務結構』被 AI 拆解了。
問題的本質：職位 vs 任務
傳統認知把「職位」看作一個整體單位：分析師的工作 = 做報告 + 建模型 + 做判斷。但當 AI 進入時，這個整體被拆成了若干『任務維度』：
第 1 維度：規則型任務（完全可自動化） - 例行報告產出 - 基礎財務模型 - 資料輸入 / 標記 - 會計錯誤檢查 - 結構化文件處理
這些任務的特點是：有明確輸入 → 有確定的計算規則 → 有唯一的正確答案。AI 的優勢正好在此。
第 2 維度：判斷型任務（難以自動化、需要人類升級） - 異常現象的理解（「這個數字為什麼突然偏離歷史均值？」） - 風險的脈絡判斷（「這項投資在地緣政治高風險時刻該怎麼看？」） - 利益衝突的道德判斷（「交易是否符合監管精神？」） - 策略決策（「在這個市場環境下、我們的投資組合應該怎麼調整？」）
這些任務的特點是：沒有單一正確答案、需要整合不同資訊源、涉及風險與不確定性、需要人類的價值判斷。
舊職位怎麼死、新職能怎麼生
消失的職位類型：
初階分析師、基層會計（他們的工作内容 70-80% 是第 1 維度的規則型任務）會被加速淘汰。為什麼？因為 AI 直接從「報告交付」這個成果承接，跳過了人類做重複性運算的整個環節。用 AI 做報告，成本是人力的 1/10、速度是 10 倍、錯誤率是 1/100。沒有公司會拒絕這個交易。
新職能在哪裡出現：
Bloomberg 的分析中提到五種新職能在崛起，他們的共通點是：會財務、也會技術、更重要的是懂如何讓機器跟人類的判斷對話：
1. AI 審查員（AI Validator）：不是做報告，而是檢查 AI 做的報告有沒有因為訓練資料的偏誤而產出詭異結論。需要既懂財務邏輯、又懂 AI 的漏洞在哪。
2. 風險詮釋師（Risk Interpreter）：AI 產出了一百個可能的風險情景，人類要判斷「在我們的投資哲學下、哪些風險是可接受的、哪些必須規避」。
3. 策略連接官（Strategy Bridge）：翻譯 AI 產出的『數據結論』成『商業決策』。AI 告訴妳「這個部門的成本結構比對手高 15%」，但「我們應不應該砍掉這個部門」需要人的判斷——客戶關係、員工承諾、長期戰略的考量。
4. 模型設計師（Model Architect）：不是調參數、而是決定「我們要問 AI 哪些問題、用什麼資料、接受什麼精度的答案」。用什麼樣的提示詞（prompt）問 AI、會直接影響輸出品質。
5. 合規詮釋師（Compliance Interpreter）：AI 可以檢查交易是否觸碰監管紅線，但「為什麼監管會這樣定、在灰色地帶我們如何決策」需要人類的判斷與經驗。
本質：職位的維度縮減與升級
用一個簡化的模型：
舊模式（工業時代） ``` 初階分析師的職位 = 40% 規則型 + 30% 判斷型 + 30% 溝通型 （他們被聘僱來完成整個職位） ```
新模式（AI 時代） ``` 初階分析師的職位 = 0% 規則型（AI 接手）+ 判斷型 + 溝通型 → 但由於「只做判斷與溝通」的職位成本太高，公司會選擇裁掉初階分析師
而新的「AI 審查員」職位 = 15% 規則型（金融知識）+ 40% 判斷型 + 30% 技術理解 + 15% 溝通型 → 這個職位需要更高的技能組合、但職位數量會少於舊的初階分析師 ```
數量與薪資的重新平衡：
根據歷史類比（工業革命時的農業、20 世紀末的製造業），職位總數會下降（機械化總是減少總職位數），但高端職位的薪資與機會會上升。初階分析師年薪 50 萬可能變成 200 人競爭 1 個職位；而「AI 審查員」年薪可能 200 萬，但只有既懂金融又懂 AI 的人才能勝任。