華爾街投資銀行長期仰賴初階分析師來承擔繁重的基礎勞動，包含建構複雜的財務模型、排版提案簡報，以及協助執行大額交易的實地查核。儘管入行起薪可能高達20萬美元，但這種將年輕從業人員視為消耗品的文化正引發嚴重反彈。
美國銀行（Bank of America）一名35歲的經理在參與完成一筆20億美元的併購交易後，因冠狀動脈血栓不幸辭世，再次讓這項產業深植的爆肝風險浮上檯面。調查更顯示，部分基層人員每週工時甚至高達140小時，每天僅有四小時能用於睡眠與生活起居，更有分析師在連續工作100小時後出現胸悶與心臟病前兆，卻因害怕被視為推託工作或破壞團隊紀律，而選擇灌下能量飲料繼續留在辦公桌前。面對外界對過勞問題的撻伐與工安危機，大型金融機構如摩根大通（JPMorgan Chase）與美國銀行等試圖推動內部改革，例如將初階人員的每週工時上限訂為80小時，並導入更嚴密的每日工時追蹤系統。
然而，在內部高壓的業績導向文化下，這些規範往往流於形式。基層員工與負責分派任務的派案主管為了迎合高層追逐復甦的交易量，開始在系統上作假。有些員工被主管要求低報工時以規避人資部門的審查，也有人為了保留最後的週末休息時間而刻意浮報時數，這顯示出傳統依賴大量基礎人力的業務模式，或許已經無法在保障勞工健康與維持營運效率之間取得平衡。
為了解決投資銀行界的人力緊繃，並大幅削減營運成本，將業務委外成為金融機構的另一條出路。過去，投行多半是將支援性質的後台工作外包至印度或菲律賓等地，但摩根士丹利（Morgan Stanley）採取了更激進的策略，直接將傳統上由英美頂尖學府畢業生包辦的前台工作，轉移至匈牙利布達佩斯，包括負責建構複雜的財務模型、參與各類實際交易，協助客戶進行資本籌措、併購公司等大額交易案件。
這批駐點東歐的年輕分析師每月僅領取約1,500至1,700歐元的薪資，約為歐美同儕的三分之一至一半，卻必須克服六個小時的時差，一路工作到當地時間早上7點來支援美國總部。
然而，這種極致的委外策略，很快便踩到了法規遵循的紅線。英美兩國的主管機構皆嚴格規定，參與投資銀行業務的員工必須通過專業考試並取得相應執照，才能處理敏感且動輒數十億美元的交易資訊。摩根士丹利雖曾在內部備忘錄明訂布達佩斯團隊不得從事受監管活動，但實際執行上卻出現嚴重漏洞。
根據內部吹哨者向美國金融業監管局（FINRA）的檢舉指出，這些未具備執照的海外員工不僅被常態性地指派處理「認識客戶」（KYC）的盡職調查，甚至經手了知名避險基金執行長的護照掃描檔等機密個資，這起因跨國委外衍生的法遵災難，不僅引發了主管機關的正式調查，更凸顯了受高度規管的金融業在單純追求低廉勞動力時所面臨的巨大法律與商譽風險。
AI成為新救星？自動化接管基層金融勞力
當傳統的人力資源模型在過勞與監管的雙重夾擊下顯露疲態時，生成式AI被華爾街視為解決勞動力危機與落實「降本增效」的關鍵轉機。
與充滿法規風險且受時差限制的委外不同，AI工具能維持二十四小時不間斷的產能，且能將數據處理保留在企業內部的受控環境中，也因此催生出一批專為金融業量身打造的科技新創公司，其中以Rogo最受矚目。
這家由前Lazard與摩根大通銀行家創立的公司，其平台能自動產出複雜的提案簡報、設計公司重組方案，並執行原本需耗費分析師數十小時的產業研究。它們的技術已獲得高盛、摩根大通與新加坡主權基金GIC等頂級機構採用，其估值在短短三個月內從7.5億美元飆升至20億美元，顯示出市場對於「金融原生AI」的極高期待。
除了併購業務，AI的滲透也延伸至私募（PE）與資產管理領域。新創公司Model ML獲得了包含前匯豐（HSBC）執行長Noel Quinn在內的金融巨頭支持，其開發的AI能直接從電子郵件中提取數據，自動起草投資委員會備忘錄，將原本需耗時一整天的數據分析工作極端簡化。這種從單純的聊天機器人演進為能執行多步驟任務的「代理型 AI」，正逐漸接手金融業中最具重複性且高壓的庶務工作。
另一方面，AI巨頭也亟力想跨足金融領域。OpenAI啟動了代號為「水星計畫」（Project Mercury）的祕密專案，聘請超過百位具備高盛、摩根士丹利等一線投行背景的人士，以每小時150美元的報酬指導AI學習建構符合產業標準的Excel財務模型，目標是徹底取代IPO與併購交易中的初階任務。與此同時Anthropic則推出了十款針對金融服務設計的專屬代理工具，不僅能審閱財務報表，還能自動編製信用備忘錄，並與穆迪（Moody’s）等數據服務商深度整合，試圖解決AI過去難以直接處理複雜金融數據的瓶頸。
當然金融機構內部的變革也不落人後，花旗銀行（Citi）導入的Citi Stylus工具能快速合成法規申報文件（如8-K或10-Q）中的關鍵資訊，摩根士丹利與美國銀行也紛紛開發內部 AI 以產出初階研究報告與公開資訊彙編。根據實務數據統計，AI工具的應用平均每週可為一名初階分析師節省高達60小時的瑣碎工時，雖然這並不代表銀行家將轉向輕鬆的職場生活，但在交易節奏日益加快的環境中，AI正迅速從單純的輔助工具轉變為金融業不可或缺的數位基礎建設，這不僅是為了節省成本，更是為了在法規限制與業績競爭中，重新尋找一條可持續發展的營運路徑。
人才培訓的兩難，當「苦工」不再是必經之路
然而，在自動化工具帶來龐大效率紅利的同時，卻在華爾街基層引發了一股矛盾的集體焦慮。
儘管初階分析師長期對過長工時與繁瑣的基礎勞務感到厭倦，但隨著AI開始接管財務建模、輸入數據與彙整交易文件等任務，許多從業人員反而開始擔心其長期的職業發展。在傳統的投資銀行體系中，這些被視為產業「成年禮」的基礎工作，本質上是新人熟悉業務運作的必經之路，尤其對於大學主修歷史或心理學等非財務背景的年輕員工而言，這些看似枯燥的初階任務，正是培養其對細節的敏銳度、理解產業內部運作邏輯的重要訓練。
資深業界人士同樣對這項技術取代基礎訓練的趨勢提出警告。擁有四十年經驗的金融業獵頭公司高階主管便直言，閱讀與分析繁雜的商業文件是一項必須按部就班學習的過程，若年輕銀行家在缺乏AI所代勞的那些基礎訓練下，直接參與面對客戶的高階會議，將對其長遠的專業發展造成不利影響。
橋水基金（Bridgewater Associates）執行長Nir Bar Dea也點出這項人才培育的兩難，他質疑當機器取代了大量基本任務後，將如何影響長期的金融人才發展。他強調，唯有經歷過這些艱難的基礎工作，從業人員才能具備執行高階概念性思考的能力。在老一輩華爾街人的眼中，這種歷練就像是加入兄弟會的入會考驗，必須先付出苦工，才有資格晉升至更高的階層。
相對地，推動這波AI變革的科技倡議者，則對初階人員的職涯軌跡抱持截然不同的樂觀看法。部分開發金融AI系統的新創企業執行長指出，自動化日常任務不僅能優化工作流程，更能從根本上重塑職業發展的路徑，讓分析師跳過數年的基礎苦工，以更快的速度晉升。他們將此視為「專家級知識的民主化」。在這種願景下，被從行政瑣事中解放出來的初階銀行家，將有機會在職涯更早期的階段，投入更具意義的核心業務。未來的投資銀行可能全面轉型為「AI優先」（AI-first）的營運架構，將人力資源高度集中於更具人性價值、機器難以取代的領域，例如提供深刻的商業見解與維繫深層的客戶信任關係。
交易的試金石：量化交易與對沖基金的AI實戰
另一方面，當AI的應用範圍延伸至最核心的投資決策時，其展現的效能與侷限同樣令人矚目。在競爭極度激烈的避險基金領域，諸如英商曼氏集團（Man Group）等，已開始導入能自主執行多步驟任務的「代理型 AI」來重塑量化研究的流程。
以曼氏集團為例，其量化單位開發了名為AlphaGPT的內部系統，旨在完美模仿人類研究員的邏輯，自動執行從資料挖掘、策略構思到程式碼撰寫與歷史回測的完整循環。這類系統能以人類難以企及的速度運作，每兩到三秒就能產出一個新的交易點子。
然而，將這種技術直接轉化為擁有財務分析師水準的操盤手，目前似乎仍言之過早。實務經驗顯示，這些大型語言模型無法做到「開箱即用」。當私募基金的投資經理人要求AI分析關稅政策的潛在受惠與受害標的時，工程師必須先將這個抽象問題拆解成一系列次級問題來引導模型，AI 最終耗費了99分鐘、掃描兩萬份文件並逐步推演，才得出令人滿意的結論。
即便如此，AI 在處理特定任務的速度依然驚人，例如Two Sigma便利用大型語言模型快速追蹤企業高階主管的異動，大幅擴展了研究涵蓋的範圍與效率，將原本只能研究10個投資點子的量能擴大到25個。
不過，這股看似勢不可擋的技術浪潮，在面對真實市場變數時，卻顯露了明顯的技術瓶頸。
在科技新創Nof1舉辦的「Alpha Arena」公開交易競賽中，主辦單位讓包含Anthropic的Claude、Google的Gemini、OpenAI的ChatGPT以及馬斯克的Grok在內的八大頂尖模型同場競技，並分別給予一萬美元本金進行美股交易測試。
結果顯示，多數AI系統在真實市場環境下呈現虧損，整體投資組合蒸發了約三分之一的資金，且在總計32組的測試結果中，僅有6次達成獲利。AI更普遍存在過度交易的問題，例如在同一套提示詞下，Grok 4.20僅執行了158筆交易，而阿里巴巴的Qwen卻瘋狂交易了1,418次。
這類實戰測試凸顯了現階段AI模型的致命傷，它們雖然善於尋找並運用工具，卻無法準確判斷分析師評級、內部人交易或市場情緒等各種變數在實際股價波動中的權重。模型往往在錯誤的時機進出場，或是未能正確控制部位規模。
此外，不同的AI模型甚至展現出截然不同的「性格偏誤」：Claude傾向做多，Gemini對放空策略接受度高，而Qwen則特別偏好使用高槓桿。這意味著法人機構必須像管理人類分析師一樣，去管理這些模型的性格與盲點。同時，由於AI模型在訓練時可能已經「看過」歷史數據，導致傳統的歷史回測會出現「前瞻偏誤」（Lookahead bias），這使得業界難以用過去的標準來準確衡量其真實的預測能力。
更為關鍵的是，AI 模型固有的「幻覺」（Hallucination）問題，使其有時會憑空捏造不存在的研究論文或市場數據，甚至對同一個提示詞給出前後不一的答案。為了防範這些風險，金融機構必須導入「檢索增強生成」（RAG）等技術，強制AI只能從特定且受信任的資料庫中汲取答案。
綜合上述挑戰，華爾街對於全自動化交易仍保持高度審慎，業界的共識是必須維持「人類在迴路」（Human in the Loop）的協作模式。對於追求絕對報酬的機構而言，AI雖然加速了研究的運作，但現階段它更像是一個具備極強處理能力、卻需要嚴格管理的資深實習生。最終的投資決策與風險門檻設定，依然不可或缺地需要仰賴人類交易員的經驗與判斷力。
人機協作的新時代—進化而非淘汰
說到底，這場席捲華爾街的AI革命，最終是否會演變為一場「物種替代」？答案或許並非簡單的取代，而是劇烈的職能進化。過去，年輕銀行家常被視為「可以隨意消耗的資源」，被迫以犧牲健康的爆肝工時來換取進入高階金融圈的門票；如今，AI的介入正在打破這條不成文的鐵律。對於那些曾被繁瑣數據與簡報排版淹沒的分析師來說，AI更像是一套強大的數位工具，將他們從底層的勞力磨練中解放，轉向更具策略性與判斷力的領域。
雖然 AI 代理人（AI Agents）在研究產能與數據處理速度上展現了驚人的優勢，但在決定數十億美元流向的關鍵時刻，人類的專業判斷與倫理直覺依然是不可或缺的「終極護欄」。交易競賽的結果已經證明，缺乏人類引導與風險控管的演算法，仍難以應對真實市場的複雜情緒與非線性變數。在高度監管的金融環境中，任何一項投資決策背後的「誠信經營」與「法規遵循」，始終需要由具備法律責任感的人類來承擔。
這場「軍備競賽」的勝負關鍵，不在於機器是否能完全取代人類，而是在於誰能率先完成「人機協作」的營運模式轉型。未來的金融圈將不再是傳統師徒制的「苦工磨練」，而是走向「AI優先」的競爭。金融從業人員的價值核心將從「執行力」轉向「洞察力」與「信任建立」：AI將處理所有的「How」（如何建模、如何產出報表），而人類則必須專注於最重要的「Why」（為什麼這筆交易值得執行、如何權衡其中的道德與風險）。
最終，AI不會取代銀行家，但「懂得駕馭AI的銀行家，必將取代不願改變的人」，這不僅涉及技術工具的導入，更包含對人才培訓模式的重新設計，以確保從業人員在跳過基礎磨練後，仍能具備深厚的專業洞察力與複雜問題的解決能力。
《金融時報》編輯委員會成員Gillian Tett就在近期專欄中寫道，幾個月前一位紐約資深金融家向她提起，2025年的暑期實習生是首批真正的「AI原住民」（AI natives），他們從小在數位與AI技術的包圍下成長。這些實習生在初期利用工具展現出令人驚豔的產能，但當高階主管進一步探究他們提案背後的邏輯時，卻發現這些缺乏親手淬鍊的觀點「淺薄得令人擔憂」（alarmingly shallow）。
這直接導致該金融機構減少了這批實習生的轉正名額，並在招募策略上出現重大轉向：開始減少對科學、技術、工程與數學（STEM）背景畢業生的依賴，轉而招募更多人文學科（Humanities）的學生。
該名主管這麼說：「我們需要的是批判性思考，而不僅僅是AI。」
