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。 |
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。
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」。
| 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 |