AI 没有学徒期——分析师的第一级台阶要被拆了

跨 界 思 辨

就在前天，刷到 Kimi 发布金融行业解决方案的消息。

第一反应没什么波澜。大模型公司发行业方案，这两年的常规操作，滑过去也就过去了。

但往下翻了两页，我把手机放下了。

Kimi 是做基座模型的。基座模型的生意是什么？卖 token。卖算力。卖水电。

可现在它开始卖金融解决方案了——从中性的电力供应商，变成了要下场卖电器的人。

而且这不是一条新闻。这是一周之内的第三条。

9月10日，OpenAI。9月14日，Anthropic。9月17日，Kimi。

七天，三家，同一个行业。

那天夜里我想了很久。不是因为这三家有多强，而是因为它们不约而同地做了同一个动作。当一个行业里的所有聪明人同时往一个方向走的时候，那个方向的尽头，通常藏着点什么。

壹  七天，三家，同一个赛道

把三件事摆在一起看，轮廓就出来了。

9月10日，OpenAI 发布 ChatGPT for Financial Services。设计合作方是摩根士丹利和 Evercore，内置 PitchBook、Daloopa、LSEG News、Crunchbase 等数据源，标普、MSCI、穆迪这些则通过订阅权益接入。跑在 GPT-6 Astra 上，主攻投研建模、财报解读和路演材料。

9月14日（美东时间），Anthropic 推出 Claude for Financial Advisors。连的是贝莱德、嘉信理财、先锋集团，还有 iCapital、Addepar、Envestnet、Orion 这一串财富管理平台。切入点是客户会议准备、投资组合审阅、会后跟进。

9月17日，月之暗面发布 Kimi 金融行业解决方案。中信建投、中金公司、工商银行、易方达、汇添富等已分批试用，主攻投研、风险调查和合规报告生成。

七天，三家，同一个赛道。

这不是巧合。

往前看两年，大模型公司们还在比谁的参数量大、谁的跑分高、谁在排行榜上多拿了几分。现在行业会议里，没人再聊“我家模型多少参数”了。2026年前八个月，国内大模型中标项目 7322 个、披露金额 320 亿，两项数据已经全面超过去年全年。

靠卖 token，商业模式算是站住了。但毛利压力摆在那儿——算力要钱，人才要钱，价格战打下来，token 越来越像自来水。

跑分跑通了，下一步往哪走？往行业里走。

那为什么是金融？

因为金融是数字化程度最高、数据最结构化、合规边界最清晰、付费意愿最强的行业。模型能力跨过某个临界点之后，金融就成了第一个被“垂直化”的领域。

不是因为它最重要，是因为它最好下嘴。

贰  他们抢的不是人，是工作流

三家切入的角度，看上去是分开的。

OpenAI 抢的是投研分析师的活——财报解读、财务建模、可比公司分析、路演材料。

Anthropic 抢的是财富管理顾问的活——会前准备、组合审阅、会后跟进。

Kimi 抢的是国内券商合规的活——风险调查、临时受托报告生成。

看起来各占一块。实际上，都在抢同一个东西：

金融工作流。

模型本身已经趋同了。你今天用 A 家的，明天换 B 家的，跑分差那几个点，业务端根本感觉不到。护城河不在模型里了，护城河在模型外面——谁能吃下一个行业的完整工作流。

三家不约而同地在模型之外砌墙。只是砌法不同。

OpenAI 把数据源直接搬进模型里，托管、索引、做细粒度引用，让分析师能一路追溯到原始表格。Anthropic 不建新软件，Peter Nolan 说他们的角色是“交响乐指挥”——把顾问手上平均七款工具串起来。Kimi 走的是另一条路：FDE 驻场交付，工程师直接进客户的场子，对业务结果负责。

墙砌在哪，人就被挡在哪。

这里插一个数据，它比上面所有分析都更说明问题。

Anthropic 引用 Kitces 的研究：典型顾问机构，只有约六分之一的时间是真正跟客户面对面坐着。剩下的六分之五，全砸在准备、规划、整理文档上。

也就是说，被吃掉的不是“分析”这个动作。被吃掉的，是陪伴。一个顾问一天八小时，六小时在处理材料，两小时见客户。现在那六小时有人接手了，按理说，他应该能见三倍的客户。

按理说。

叁  省了今天的工资，断了明天的供给

华尔街投行有个延续了几十年的传统。

招一批名校毕业生进来，年薪总包 15 万到 20 万美元以上，然后让他们每周干 100 个小时的活。读财报、拉数据、搭模型、做 PPT，日复一日。这帮人叫初级分析师。

苦吗？苦。但这是投行的学徒制——不经过几年每周 100 小时的磨，你没法理解一个行业的肌理，没法长出判断力，更没法成为高级分析师。

OpenAI 产品副总裁 Nick Turley 的原话是这么说的：“我们实际上是在教 ChatGPT 像分析师一样做研究，并且像分析师一样为自己的结论提供依据。”

翻译过来就是：初级分析师干的那些活，AI 现在能干了。全套。

有报道的标题写得更直白，直接说 GPT-6 Astra 正在吃掉初级分析师。

不是辅助，是替代。

国内这边跑得更快。Kimi 和中信建投的合作已经落地：双方共建风险评估网关，在“临时受托报告辅助生成”场景完成首轮验证，覆盖 50 余家发行人、100 余只存续公司债券的 60 余份报告。

效果呢？

单份报告处理时间从 30 分钟降到 10 分钟，人工投入下降 67%。原计划 2 个月的系统接入，3 个工作日就搞完了。

省下的钱去了哪？

大概率不是变成了分析师的奖金，而是变成了 AI 公司的订阅费。

但真正要命的不是裁人。

裁人只是表象。真正要命的是——那条成长管道被掐断了。

投行的逻辑一直是这样的：初级分析师干执行层的苦活，在苦活里练手感、攒经验、磨判断力，几年后升上去，变成高级分析师，做投资决策。现在 AI 把执行层的活全干了，效率高了、成本低了，报表好看了，皆大欢喜。

但那些被 AI 替掉的新人呢？他们本来是要成长为高级分析师的。

梯子没了，人上不去了。

想象一个刚拿到摩根士丹利 offer 的名校毕业生。兴冲冲入职，坐在工位上准备大干一场。结果发现，读财报的活 AI 干了，拉数据的活 AI 干了，搭模型的活 AI 也干了。

他坐在那儿，年薪十几万美元，不知道自己该干什么。

省了今天的工资，断了明天的供给。

肆  美国人替的是人，中国人锁的是机器

上面讲的这些，在地球两边其实是两个版本。

同一件事，中美两边的解法，长得不太一样。

先把 Kimi 那套东西说清楚。它跟中信建投共建的不是一套工具，是一道“风险评估网关”，五个闸门，逐个管：数据分类分级、个人信息保护、数据源与工具访问授权、生成内容核验与人工复核、审计与责任追溯。

翻译一下：什么数据能出机房，什么话能问模型，什么工具能调用，出来的东西谁复核，全过程能不能回查。

每一次调用，查一次。

注意官方表述里有这么一句：初步材料经业务人员复核，不直接形成立项结论，业务判断仍按既有审批流程作出。

这是整份方案里，我觉得最有意思的一句。

因为它把“人做最终判断”这件事写进了系统逻辑，而不是写在宣传稿里。

对比一下另外两家。OpenAI 讲的是“让 ChatGPT 像分析师一样做研究”，Anthropic 讲的是当指挥——把顾问手上那七款工具串起来。

那么三家分别是：一个替掉那个位置，一个增强那个位置，一个给那个位置上锁。

美国人担心失业，中国人担心失控。

不过这里有个反讽，值得多说一句。

中国这套合规网关，目的当然是管住 AI。但它有一个副产品——客观上给“人”留了位置。审批流程还在，复核环节还在，签字的人还得坐在那儿。

短期看，这是一道护栏。

但再看一句官方表述：这套网关可以跨场景复用，新场景沿用同一套合规检查机制，就能走完接入与上线评审。

翻译过来是这样：今天一个场景配一个复核的人，明天三十个场景复用同一机制，复核的还是同一个人。

当接入一个新场景只需要三个工作日的时候，“复核”会从一件需要动脑的事，慢慢变成一道只需要动手的事。

护栏保护了岗位，但护栏管不了岗位的重量。

伍  AI 没有学徒期

有人会说：AI 把初级的活干了，但高级分析师的活它干不了。

投资决策需要判断力、需要经验、需要对人性的理解。这些 AI 没有。

这话对不对？

大概暂时是对的。但“暂时”是多久？

人的成长路径是线性的。先干苦活练手感，攒几年判断力，变成高级分析师。一个高级分析师的成长周期，短则五六年，长则十几年。

但 AI 没有这个“学徒期”。

它不需要先干三年苦活再练判断力。它直接从全市场的历史数据里学。所有财报、所有模型、所有历史案例、所有研报，一口气吃进去。它积累的“经验”不是三五年的从业经历，是整个市场的历史数据。

当然，能读所有财报，和能做投资决策之间，还有距离。投资决策要理解市场情绪、博弈对手的心思、政策出台的意图——这些不全是数据能告诉你的。

但 AI 的迭代速度，是人学习速度的多少个数量级？人花五年学会的东西，AI 可能五个月就迭代出来了。

这个距离，大概率会被快速抹平。

所以那个问题——“高级分析师从哪来”，答案可能是：不需要从人里面来了。AI 自己迭代，自己长出来。

人的路径是线性的，AI 的路径是指数的。人得先会走再会跑，AI 可以直接从数据里学会飞。

那现有的高级分析师呢？

也不会立刻下岗。他们手里有客户资源、有行业人脉、有多年积累的判断直觉，短期内 AI 还替代不了。但人会老，会退休，会自然退出。这一批人慢慢退场之后，由人构成的新一代高级分析师根本不存在了——因为初级岗位被 AI 吃掉了，人连入行的梯子都没有了。

这不是裁员。

裁员是把在岗的人赶走，岗位还在，以后还能招新人。这是管道掐断——岗位本身没了，人不再需要进入这个行业了。

整个过程不是一刀切的阵痛，是温水煮青蛙式的自然消亡。等你反应过来的时候，一整代人已经不在了。

对了，这里有个细节挺有意思。

Turley 自己把这事儿比作 Excel。他说，就像几十年前 Excel 改变了这个行业，让人们更快地产出更好的分析。

这个类比，其实反过来戳他自己更狠。

Excel 消灭了算盘，但它创造了“财务分析师”这个岗位。 表格工具把算力的门槛降到了零，于是行业需要一大批人来用这个工具。

这一次不一样。这一次的替代品，盯上的正是当年被创造出来的那批人。

工具替代工具，人会升级。工具替代人，人去哪？

陆  金字塔被抽掉了底下一层

说到这儿，得提醒一句：金融不是唯一的战场。

华尔街那套玩法有个正式名字，叫金字塔模型。招一批聪明年轻人进来，把大量常规工作甩给他们——读文件、查资料、拉数据、做底稿，让他们在监督下干活，在苦活里学会这门手艺。同时，这些小时是卖给客户的。

律师事务所是这个模型。会计师事务所是这个模型。咨询公司是这个模型。投行还是这个模型。

所以新人的那一年，在四个行业里叫同一个名字：第一年。

审计的第一年、律所的第一年、咨询的第一年、投行的第一年，本质上是同一年。它们教的是同一种东西——在一个具体的行业里，怎么把一堆原材料，变成一句能对外说的结论。

现在 AI 从最底下那一层开始啃。

会计师事务所先感受到了。普华永道的内部文件显示，2025 到 2028 年，其美国审计与鉴证业务的初级招聘计划削减 32% 到 39%。按 Revelio Labs 的统计，2023 年 1 月到 2025 年中，美国入门级岗位招聘量下降了约 35%。

咨询这边更快，也更戏剧性。麦肯锡 CEO 在 2026 年初披露，公司现在有 4 万名人类员工和 2.5 万个 AI 智能体。这些智能体加起来，2025 年一年替公司省下了 150 万小时的检索和整理时间。

更狠的是招人环节。2026年1月起，麦肯锡的最后一轮面试改了：候选人要用自家 AI 平台 Lilli 分析一个案例，面试官看的不是你的结论，而是你怎么指挥它、怎么挑它的错、怎么把它的东西修成能给客户的答案。

看明白这个转变了吗？

以前考你会不会干活。现在考你会不会看别人干活。

问题就在这儿——会看别人干活的前提，是自己干过。

就在所有人往前冲的时候，IBM 往回走了一步。2026年2月，IBM 宣布把美国的入门级招聘增加到原来的三倍。理由很朴素：AI 需要人监督，而把这条管道掐断，长期看会变成一个管理问题。

这道算术题不难算。一个初级分析师长成能签字的高级分析师，五到八年。2030 年前后缺的那批高级人才，就是 2026 年没招的那批新人。

金融只是第一块被啃到的骨头，因为它最肥、最规整、最好下嘴。但同一副骨架上，还挂着会计、法律和咨询。

还有一处更别扭的地方。

AI 生成的东西，总要有人复核。可“复核”需要判断力，而判断力恰恰是从那些被 AI 替掉的苦活里长出来的。

一个从来没亲手拉过数据的人，凭什么判断 AI 拉的数据对不对？

一个从来没亲手搭过模型的人，凭什么看出 AI 那个要命的假设藏在哪个单元格里？

我们用 AI 替代了训练判断力的全部过程，然后把判断 AI 的活，交给了没有判断力的人。

柒  责任被劈成了两半

所以真正的问题，不是“AI 会不会干掉初级分析师”，也不是“AI 能不能替代高级分析师”。

真正的问题是：当 AI 从底层吃掉了入行的起点，又从顶层迭代出了替代方案，人在这条职业链上还剩什么？

有人说，还剩一道防线：签字和担责。

AI 能干所有的活，但出了事不能坐牢。机器没有财产、没有名誉、没有良心，没法承担代价。所以最后签字的那个人，反而最稀缺。

这道防线，守得住吗？

守不住。因为有人已经把样打了。

2026年8月25日，《道路交通安全法》修订草案提请全国人大常委会审议。这是这部法自 2004 年施行以来首次系统性修订，专门新增了“自动驾驶汽车的特别规定”一章，九条，从第 95 条到第 103 条。

核心是第 97 条：自动驾驶功能激活状态下发生道路交通安全违法行为，由汽车生产企业、进口企业接受处理。

翻译成人话：L3、L4 开着的时候闯了红灯、追了尾，罚单不寄给车主，寄给车企。

还有一条更狠的：举证责任倒置。车企说“不是系统的问题”，得自己拿证据链证明。拿不出来，就得扛。这跟产品责任里生产者承担无过错责任的逻辑一脉相承——你造的东西出了事，你先担着，再来说别的。

法律没有给 AI 本身赋予法律主体资格。自动驾驶系统不是法律意义上的“人”，它不能被罚款、不能被吊销执照、不能坐牢。但法律绕了个弯：

AI 干活，企业担责。车企成了 AI 的法定替身。

两周后，最高法跟进了同类逻辑。2026年9月7日，最高人民法院发布《关于依法审理涉人工智能纠纷案件的意见》——这是首部由国家最高审判机构发布的涉人工智能司法裁判规则文件，5 个部分，24 条。核心思路如出一辙：AI 不具备独立法律主体资格，但 AI 提供者、使用者需按各自角色承担责任。

两份文件，同一个思路：不需要给 AI 法律人格，让企业替它担责就行了。

把这个框架从交通复制到金融，会发生什么？

AI 做投研、AI 写报告、AI 跑模型、AI 做投资决策——出了事，谁担责？

按自动驾驶的逻辑，AI 背后的企业担。AI 公司说“是模型自己输出的，不怪我”，对不起，举证责任倒置，你自己证明跟你的系统无关。

到这儿，好像“人才能签字担责”那道防线就没了。

但先别急。这里有一个大多数人漏掉的细节，而它才是真正可怕的地方。

回看最高法那份《意见》，再看发布会上对它的官方说明。有两句话最要命：

诉讼参与人不得以“AI 幻觉”、技术中立为由免除自身的法律责任。

诉讼参与人提交诉讼文书、案例检索报告等材料如系使用人工智能生成，应当在提交前认真核实相关法律、司法解释、案例等内容的真实性、准确性，并对有关内容的真实性、准确性依法承担责任。

看明白这两条在说什么了吗？

人签字，人担责。

这不是把签字这道防线拆了。这是把它的重量，加倍了。

把两份文件合起来看，真实的图景是这样的：

责任没有被消解。是被劈成了两半。

而且这一刀劈下去，对那个签字的人意味着什么？

意味着他必须为一份自己没有参与生产、而且越来越看不懂的文件负责。

以前分析师签字，是因为模型是他自己搭的，数据是他自己拉的，他知道自己签的是什么。现在，模型是 AI 跑的，数据是 AI 调的，结论是 AI 出的——签字的还是他，担责的还是他。

一个字没改，一个数没核，但锅是他的。

活不让你干了，责任还得你背着。

这才是这场变革里，最残忍的一刀。

尾声  这一壶水，现在是几度？

有人说这是危言耸听。

狼来了的故事，不是第一次上演。有“AI 教父”之称的辛顿，2016 年就喊过——现在应该停止培训放射科医生了，因为五年内 AI 在图像识别上会超过人类。结果没成真。

黄仁勋还专门拿这件事当反面教材。他说辛顿的预言落空了，放射科医生的人数不减反增，而且今天几乎每一位放射科医生都在用 AI。

狼来了喊太多次，大家就不信了。

但金融跟医疗不一样。

医疗的数据是非结构化的影像，判断结果要等好几年才能验证，出了误诊还得有医生担责。金融的数据是结构化的，合规边界是清晰的，判断结果几天甚至几小时就能验证。

金融比医疗，更接近 AI 能真正“吃掉一个职业”的那个临界点。

也许这一次，狼真的来了。

2026年9月，三家大模型公司同时把产品推进了金融行业。一周之后，没有人觉得天塌了。分析师们还在加班，报告还在产出，咖啡还是那么苦。

但管道已经断了，法律已经在动了，框架已经在搭了。

等一切就位的时候，大概不会有谁宣布“从今天起，分析师这个职业消失了”。

不会有那么一天。

人会慢慢老去，岗位会慢慢蒸发。就像一壶水从温热到沸腾——你不会感觉到某一度的跳跃，等你反应过来，水已经开了。

这一壶水，现在是几度？

人在这条职业链上还剩什么？

大概还剩一样东西：出事的时候，得有个人站出来说“是我的”。

只是这个“我”，到底是人，还是人背后的企业，界限已经模糊了。

而模糊的那一块，就是代价要落下来的地方。

夜已深 人已静 码不易