AI 把活干了，谁来学财务？
财务领域的很多基础工作并不光鲜：搭模型、核对杂乱的数据、追溯数字的来源，以及弄清楚为什么账对不上。
但这些工作过去一直承担着双重作用。公司需要分析，初级从业者也在做分析的过程中学习。
AI 正开始把这两件事分开。
早期的就业数据值得关注。 Revelio Labs 在2026年10月的一项分析 发现，自2022年10月以来，美国银行的初级员工人数下降了 4.7%，而资深员工人数仍在增长。 斯坦福大学的研究者 发现，在受 AI 影响程度较高的职业中，22至25岁劳动者的就业情况，与受影响较小的职业相比，出现了 19% 的相对差距。
这两项发现都不能证明这些变化是由 AI 造成的，也不能证明财务从业者的能力正在下降。银行业也不代表整个财务领域。
但这个方向仍然引出了一个值得认真思考的问题。
如果曾经培养初级从业者的工作越来越多地被自动化，下一代人要怎样形成质疑这些分析所需的判断力？
培养人才的困境
假设你在管理一个财务团队。一位经验丰富的分析师配合 AI 智能体，现在就能完成过去需要好几位初级分析师才能完成的工作。
你可以继续招聘和培养新人。也可以缩小团队，把更多工作交给自动化，在需要时直接招聘有经验的人。
对你的公司而言，第二种选择在经济上可能完全说得通。
但如果所有公司都这么选呢？
来看两家面临这一选择的公司。
| B 公司 培养新人 | B 公司 依赖 AI | |
|---|---|---|
| A 公司 培养新人 | (3, 3)双方都为未来人才投入资源 | (0, 4)A 承担培养成本，B 则受益于行业的人才储备 |
| A 公司 依赖 AI | (4, 0)A 受益于其他公司培养的人才 | (1, 1)双方都省下培养成本，却可能削弱未来的人才储备 |
这有点像囚徒困境。无论竞争对手怎么做，每家公司都可能更愿意省下培养成本，尽管双方都投入人才培养，结果可能对两家都更好。
不需要任何一方做出不理性的决定，整体结果也可能变差。
当然，这个类比有一些前提：公司必须能从其他地方培养出的专业能力中获益，而且行业未来仍然需要这些能力。如果 AI 让市场对资深财务人才的需求下降得足够多，缩小人才培养规模或许完全合理。
这也正是这个问题有意思的地方。
另一种学徒制？
我并不确信答案是保留过去学习财务的方式。
亲手搭模型有它的价值。你会理解财务报表之间的联系、假设在什么地方进入分析，以及一个小错误能多么轻易地扭曲一个看似合理的结论。
但花在核对表格上的每一个小时，并不都等于一个小时的有效学习。
如果新人少花些时间产出分析，多花些时间质疑分析，会怎样？他们可以通过追问预测、研究一门生意的经济逻辑、参与实际决策，并在结果出现后回头检验这些决策来学习。
AI 甚至可能加快这个过程。
风险在于，一个人可能很擅长让智能体生成模型和有说服力的解释，却没有形成判断模型或解释何时出错所需的理解。
还有第二个问题：即使我们设计出了更好的学徒制，谁来买单？
如果公司不培养人也能拿到成果，那么培养未来的专业能力，就从完成必要工作时顺带发生的事，变成了一项需要主动做出的投资。
我还在想这会把我们带向哪里。也许 AI 让财务判断更容易获得，从而降低对专职财务人员的需求。也许它会让留下来的资深人才更加有价值。这两件事可能同时发生。
但如果我们仍然需要能够质疑 AI 所生成的模型与叙事的人，就得更认真地想清楚，这些人应该怎样学习。