人工智慧正全面重塑金融業的營運模式，如今 AI 被大量利用在自然語言處理技術，解讀市場報告、標記會計錯誤並自動整理企業銀行文件。由於技術大幅節省工作時間，各大銀行正在改變其團隊的日常工作方式。
當 AI 開始大量接手資料處理與報告產出，工作者心裡或多或少都會浮現同一個問題：AI 會不會取代我的工作？
以下把這個焦慮拆開，釐清 AI 對金融業的實際衝擊到底有多大、哪些職位真正面臨被替代的風險，以及在舊職位消失的同時，又有哪些「會財務、也會技術」的混合型新職能正在崛起。
產業將重新洗牌，目前金融業縮減人力只是前菜？
根據 Bloomberg Intelligence 的預估，華爾街各大銀行在未來數年內，可能因為智慧自動化而裁減多達二十萬個職位。
受衝擊最深的，是那些工作內容以例行報告與基礎財務模型為主的職位，也就是初階分析師與基層會計人員。他們每天處理的，正是 AI 最擅長接手的部分，因此首當其衝。
再往下細看，被替代速度最快的是那些高度重複、規則明確的工作。基本帳務、交易性會計、人工資料輸入，這些任務本來就講求準確與一致，而不是判斷與創意，正好落在機器最容易勝任的範圍。同樣的趨勢也延伸到鄰近領域，像是大量的資料核對工作，以及標準化的零售銀行業務，這些職位的招募數量都在明顯減少。
換句話說，越是「照流程跑」的工作，越快被自動化吃掉。
不過真正的結構性重組其實還沒到來。根據波士頓顧問公司（BCG）的報告，多數銀行目前把 AI 用在基礎任務上，而不是用來推動真正的轉型；也就是說，現在我們看到的裁員，很多是「機器替掉重複勞動」的初步階段，而把 AI 真正用來重塑商業模式、創造高層次價值的階段，大多數機構都還沒走到。
這五種混合職能正在崛起
當基礎運算交給軟體，金融機構反而更需要懂得駕馭這些工具、並把結果轉化成商業決策的人，於是市場上冒出一批全新的混合型職位，它們的共同點是：一隻腳站在財務專業裡，另一隻腳站在技術操作上。以下五種，是目前最具代表性的方向。
第一種是金融與會計領域的「AI 自動化工程師」。這個角色負責設計、部署並監控核心會計流程的自動化工作流，例如應付帳款、應收帳款，以及加速財務結帳。他們等於是在傳統軟體開發與企業財務管理之間搭起一座橋，既要懂會計，也要會寫腳本、操作機器學習平台。
這個職位多半適合中階財務分析師、系統會計或資料工程師轉進，年薪大致落在十三萬到十八萬美元之間，在科技大廠與大型顧問公司裡已經越來越常見。
第二種是「AI 財務規劃分析（FP&A）主管」。傳統 FP&A 是回頭整理上一季的試算表，而這個新角色則是運用即時的機器學習工具，跑預測性的財務模型與各種「假設情境」推演，用資料去預判市場波動與現金流走向。它需要扎實的財務底子、深厚的資料識讀能力，還要能把複雜的 AI 洞察翻譯成清楚的策略故事說給高層聽，年薪約在十三萬到近二十萬美元。
第三種是「AI 治理與合規主管」。當自動化工具越來越多使用在消費者信用評分、放貸演算法與稽核流程，就必須有人確保這些機器做出的決策，依然站得住法律與會計規範。這個角色直接管理自動化工作流背後的倫理、法律與監理邊界，需要風險管理、企業稽核與財務倫理的專業背景，還要有能力辨識演算法偏誤、資料瑕疵或模型裡的安全漏洞。
隨著全球對 AI 與資料的監理趨嚴，它已經迅速成為大型銀行與財富管理平台的關鍵人選，年薪約在十二萬五千到二十萬美元之間，特別適合資深內稽、風險顧問與法遵專才。
第四種是「AI 營收營運（RevOps）分析師」。這個角色把技術、銷售、行銷與財務串在一起，運用機器學習找出營收管線裡看不見的漏洞，即時優化定價結構。因此該職位特別要求工作者對現金流有清楚的理解，也要能跨部門看資料、把數字翻譯成給高層的建議。
隨著訂閱制軟體與數位企業意識到財務與銷售不能再各做各的，這個職位這幾年成長得非常快，年薪大約落在十四萬到二十萬美元。
第五種是「AI 量化投資組合策略師」。他們用機器學習模型來建構、測試並執行新一代的投資策略，不再靠猜測市場走向，而是設計自動化演算法，即時掃描像供應鏈變動、消費者情緒這類另類全球宏觀資料，藉此保護並協助客戶資產增長。
這個高風險高報酬的領域，需要傳統資產管理的功力、資料識讀能力，以及對市場保持好奇、敢問非典型問題的腦袋。它已成為避險基金、資產管理公司與私人財富辦公室維持競爭優勢的重要人選，總報酬通常從十六萬美元起跳。
把這五種職位放在一起看會發現，它們沒有一個是純財務、也沒有一個是純技術，全都站在兩者交會的地帶。
工作者必須軟硬技能兼具，重要的是如何用數字說服他人
因此，想在這場職涯轉變裡長期站穩腳步，金融工作者該補強什麼？
工作者必須懂得操作現代的雲端平台與資料分析軟體，能夠快速地把數字撈出來、驗證清楚。當運算本身交給機器，「會用工具核對與整理資料」就成了基本門檻，以前自己埋頭算數字就行，現在不會用這些工具，就只能坐等被取代。
再來是軟技能，這部分往往才是真正拉開差距的地方。工作者需要培養自身的果斷決策力，也需要一份願意提問、願意提出新點子的好奇心，此外，在一個機器負責跑算法、人類負責思考決策的環境裡，能不能把見解說服高層，也是非常重要的能力。
報告是死的，數字為什麼長這樣、它對公司意味著什麼、下一步該怎麼做，這個「詮釋與判斷」的層次，目前仍然只能由人類承擔。當工作者能用資料說話、甚至說服，就從一個基礎的「數字搬運工」，變成老闆眼裡可倚賴的顧問。
「打雜學徒」的路被堵住，人才培育的機制重置
AI 不會消滅金融業，它真正做的是把職能的邊界從「產出報告」往「詮釋與決策」推移。報告交給機器，判斷留給人，而越早認清這個方向、提早調整自己的人，未來就越有優勢。
此外，前述那五種新職能看似各做各的，骨子裡卻有同一個共同特徵：財務判斷力加上技術操作能力。少了財務判斷，技術操作就只是按鈕；少了技術操作，財務判斷又跟不上工具的速度。任何一方單獨存在都不夠。
不過這場轉變還留下一個還沒有答案的難題。過去，新人正是從初階分析師、基礎帳務這些位置開始，一步步磨出財務的手感與判斷力；如今這些入門職位正在消失，傳統的養成路徑被大幅縮短，新人少了練功的階梯。當「打雜學徒」的路被堵住，整個產業該如何重新建立人才培育的機制，讓下一代仍有機會長成能做判斷的資深者，這仍是一個懸而未決、卻不能不面對的問題。
【推薦閱讀】
◆ 【數位資產的未來】30% 利潤蒸發風險：傳統金融如何透過五大關鍵佈局抓住代幣化機遇
◆ 金融業押注 Agentic AI：從支付到授信的流程重組，這場效率革命背後有哪些治理挑戰？
◆ 金融業如何養出真正能上工的 AI Agent？國泰金控揭從模型、護欄到治理的落地路徑
＊本文開放合作夥伴轉載，參考資料：《Forbes》、Research and markets，圖片來源：unsplash
（責任編輯：鄒家彥）
