財務分析走下神壇

當 AI Agent 成為新的 Junior Analyst

從「會做模型」走向「會問問題、會驗證、會決策」

核心重點

核心主題

重點

核心轉變

AI 正在接手資料蒐集、財報閱讀、Excel 模型、簡報與初步研究摘要等分析流程。

不是整體取代

目前更接近「工作內容被拆解與自動化」，而不是整個財務分析師職位立即消失。

專業門檻下降

自然語言與 AI Agent 讓非專業者也能完成部分財務分析，類似統計學的民主化。

人類價值上移

真正稀缺的能力從資料整理與計算，移向問題定義、假設、判斷、風險與責任。

華爾街現況

大型銀行已在財富管理、交易、財資、客戶審查與內部營運中試行或部署 agentic AI。

Junior Analyst 的改變

初階分析工作會減少純手工整理，增加模型檢查、AI supervision、情境判讀與客戶溝通。

主要風險

幻覺、資料錯誤、估值假設不當、偏誤、資料外洩、過度自信與責任歸屬。

一句話

AI 讓更多人能做財務分析；財務專業則教我們哪些數字值得相信、哪些決策值得承擔。

學習目標

  • 理解 AI Agent 如何改變財務分析工作流程。
  • 區分「工作自動化」與「職位被完全取代」兩種不同概念。
  • 理解財務分析的價值正在從計算能力移向判斷與責任。
  • 辨識 AI 財務分析中的主要風險與控制方法。
  • 建立適合 AI 時代的人機協作財務分析流程。

一、財務分析為什麼開始「走下神壇」

過去的財務分析具有相當高的進入門檻。分析師必須理解會計、財務報表、估值、Excel、Bloomberg 或其他資料庫，還要能把大量原始資訊整理成模型與簡報。初階分析師常花大量時間在蒐集資料、更新表格、調整格式、找可比公司與製作投影片。

生成式 AI 與 AI Agent 正在改變這種工作介面。使用者可以用自然語言要求 AI 讀取財報、整理關鍵數字、比較公司、建立初步模型、產生圖表與研究摘要。這使得財務分析第一次大規模從「少數專業人員會操作」走向「更多人可以直接使用」。

因此「走下神壇」不是財務分析失去價值，而是技術操作的門檻下降。真正的專業價值開始上移：問題定義、資料品質、估值假設、風險辨識、情境判斷與責任承擔，反而變得更重要。

二、一條大新聞：華爾街開始把 AI Agent 當成數位同事

2026 年 7 月，Reuters 報導大型華爾街銀行正加速導入 agentic AI。Morgan Stanley、UBS、BNY、Citi、Goldman Sachs、JPMorgan 等機構，已在財富管理、客戶審查、交易、財資與內部營運中測試或部署 AI Agent。KPMG 的調查顯示，約 51% 的銀行正在試行 AI agents。

特別值得注意的是，這些系統不只是回答一次問題的聊天機器人，而是可以完成多步驟任務。例如分析投資、提出策略、協助建立投資組合、推送客戶提醒，甚至在內部系統中被分配任務。BNY 還把部分數位員工視為團隊成員，分配登入身分與工作任務。

同時，銀行仍然非常重視人類監督。Morgan Stanley 明確表示，AI agent 不會自行做投資組合的最終決策；涉及客戶與關鍵功能時，人仍然在迴路中。這代表目前的方向不是「金融分析全面無人化」，而是「人類分析師開始管理一群數位分析助手」。

三、Junior Analyst 的工作正在被拆成一塊一塊

傳統工作

AI 可以接手

人仍需負責

蒐集公司資料

自動搜尋、擷取、整理公開資料

確認來源、版本與資料可信度

讀財報

摘要營收、毛利、現金流、負債與風險

確認會計口徑與一次性項目

更新 Excel

填入新一期數據、延伸公式、跑情境

檢查公式、假設與錯誤

Comparable Companies

建立同業清單、抓估值倍數

判斷哪些公司真正可比

估值模型

生成 DCF、敏感度分析、初步假設

決定 WACC、終值、成長率是否合理

研究摘要

產生 first draft、重點與圖表

判斷敘事是否誤導、是否遺漏風險

PowerPoint

草擬投影片、圖表、版面

決定故事線、客戶需求與最終訊息

因此，更精確的說法不是「AI 取代 Junior Analyst」，而是「Junior Analyst 的工作包被重新拆解」。其中最容易被自動化的是重複、規則化、資料密集的任務；越接近判斷、責任、客戶關係與不確定性處理，人類角色越重要。

四、工作已經開始改變，但不是簡單的「人消失」

2026 年 6 月 Reuters Breakingviews 指出，大型語言模型已能快速製作 financial models 與 presentations，但 Goldman Sachs、JPMorgan、Morgan Stanley 等大型銀行並沒有因此全面停止招募 junior analysts。原因包括 AI 仍會犯錯、複雜模型需要精準客製，以及交易高峰時仍需要大量人力容量。

另一方面，2026 年 8 月 Reuters 報導，印度 HDFC、ICICI、Axis、Kotak Mahindra 等大型私人銀行的員工數已出現最多約 4% 的年減，背景包括業務成熟、外包與自動化。AI 已被用於 fraud detection、data analysis、客戶互動、零售信貸與貿易交易決策。這顯示 AI 對金融就業的影響已不再只是理論，但人力下降仍不能全部歸因於 AI。

五、真正的變化：財務分析正在民主化

過去，一位中小企業老闆要完成完整財務分析，通常必須依賴會計師、財務顧問或內部分析人員。現在，他可以把損益表、資產負債表與現金流量表交給 AI，要求它比較年度變化、找出異常、計算比率、做簡單預測與形成問題清單。

這和統計學的變化非常相似：AI 並沒有讓統計或財務知識消失，而是降低了使用工具的門檻。當更多人能夠得到分析結果時，「能不能產生數字」不再是最重要的競爭力，「能不能理解數字的限制」才是。

六、AI 擅長什麼？不擅長什麼？

AI 特別擅長

仍需高度人類判斷

大量文件閱讀與摘要

商業模式是否正在改變

跨期數字比較

管理階層是否可信

公式與模型草稿

估值假設是否合理

情境與敏感度分析

極端風險與結構性轉折

快速建立圖表與簡報

投資人／客戶真正關心什麼

重複性監控與警示

何時應該違反模型建議

七、AI 財務分析的六大風險

  • 幻覺：AI可能產生不存在的數字、來源或公司事件。
  • 資料口徑錯誤：GAAP、IFRS、調整後 EBITDA、一次性項目可能被混在一起。
  • 錯誤假設：DCF 看起來精確，但成長率、折現率與終值可能完全不合理。
  • 資料洩漏：把未公開財務資料直接輸入外部模型可能造成機密風險。
  • 偏誤複製：模型可能延續歷史資料中的信用、產業或地區偏誤。
  • 責任模糊：如果 AI 建議造成投資或信貸損失，最終責任不能推給模型。

金融最危險的錯誤不是「算錯一個數字」，而是「一個錯誤數字被包裝得非常有說服力」。因此 AI 的流暢文字與漂亮圖表，不能取代驗證。

八、AI 時代的財務分析流程

  1. Define：人先定義問題。究竟是要估值、判斷償債能力、評估投資，還是找營運風險？
  2. Collect：AI協助蒐集與整理資料，但保留來源。
  3. Analyze：AI建立初步比率、模型、情境與圖表。
  4. Challenge：人刻意挑戰假設，要求 AI 提供反例與敏感度。
  5. Validate：回到原始財報、公告與可信資料庫核對關鍵數字。
  6. Decide：人做最後決策，並清楚記錄理由與風險。

九、財務教育也必須改變

傳統偏重

AI 時代應增加

手工輸入財報數字

資料來源與資料治理

Excel公式操作

模型結構與假設檢查

背估值公式

理解估值敏感度與不確定性

做出標準簡報

判斷什麼資訊值得呈現

單一答案

情境、反例與壓力測試

只看結果

要求 AI 顯示來源、步驟與限制

學生仍然要學會計、財報與估值，因為只有理解底層邏輯，才有能力知道 AI 哪裡做錯。AI 可以取代部分操作練習，但不能取代概念與判斷。

十、未來的財務分析師會變成什麼？

未來的分析師可能不再以「自己做每一步」來證明能力，而是以「能否設計、監督與驗證一個 AI 分析流程」來創造價值。Junior Analyst 的角色可能從 spreadsheet operator 逐步轉向 AI supervisor、model reviewer、scenario designer 與 business interpreter。

新角色

核心價值

AI Supervisor

監督多個 agent 的任務與輸出。

Model Reviewer

檢查模型邏輯、假設與資料來源。

Scenario Designer

設計壓力測試、反事實與極端情境。

Business Interpreter

把數字翻成管理與投資語言。

Decision Partner

把分析連結到真正的資本配置與風險決策。

十一、與「統計學走下神壇」的共同主線

領域

以前的門檻

AI 時代的轉變

統計學

公式、R、Python、SPSS

自然語言直接做分析，重點轉向可信度與判斷

財務分析

Excel、Bloomberg、會計、估值

AI Agent 直接讀資料與建模，重點轉向假設、風險與決策

程式設計

語法、框架、除錯

Vibe Coding 降低寫程式門檻，重點轉向架構、測試與需求

三個領域都出現同一個結構：AI 先降低操作知識的門檻，再把真正的專業價值推向更高層次。不是知識不重要，而是「按對按鈕」不再足以構成專業。

十二、課堂討論

  1. 如果 AI 可以在一分鐘內完成 DCF，學生還需要自己做 DCF 嗎？為什麼？
  2. AI 自動產生的財務模型和人類模型，應該用什麼標準比較？
  3. 如果 junior analyst 的重複工作大量消失，新人要如何累積經驗？
  4. 銀行應該允許 AI 自動做信貸決策嗎？哪些情況必須有人介入？
  5. AI 讓中小企業也能做高階財務分析，這會不會降低顧問與分析師的價值？
  6. 未來財務專業最重要的三種能力是什麼？請排序。

十三、重點整理

  • AI 正在接手財務分析中大量可規則化的工作，但目前並不等於全面取代分析師。
  • 華爾街銀行已把 AI Agent 導入多種核心工作流程，金融業正進入人與數位員工共事的階段。
  • Junior Analyst 的價值會從資料整理與格式操作，轉向監督、驗證、情境與判斷。
  • AI 降低了財務分析的技術門檻，也提高了錯誤自信與錯誤決策的風險。
  • 未來財務教育應少一點純操作，多一點假設、來源、風險、驗證與責任。
  • 財務分析真正的護城河，不是會不會算，而是能不能知道什麼值得算、什麼值得信、什麼值得做。

AI 讓更多人都能做財務分析；真正的專業，是知道哪些數字值得相信，哪些決策值得承擔。