01 触发事件

2026 年 6 月，Bloomberg 写了一件很具体的事：伦敦一家主流招聘网站上，finance analyst 职位大约只剩 80 个；四年前，同一网站还有超过 350 个。

这不是情绪，不是 CEO 在财报会上说“AI 提升效率”，也不是某家 startup 的 demo。

这是招聘需求的直接收缩。

如果原文数字成立，finance analyst 这个典型白领入口岗位，四年内公开职位数量下滑超过 75%。我没拿到这家招聘网站的完整样本口径，也没在内部跑过它的 longitudinal 数据，所以不能把它直接等同于整个伦敦劳动力市场。但 Bloomberg 选的不是边缘城市，也不是边缘工种，而是全球最成熟的金融和专业服务集散地之一，这就足够构成一个强信号。

空白职位的减少，本质上比裁员新闻更值得看。

因为裁员常常是周期性的，招聘塌陷则更像结构性的。

finance analyst vacancies in London: around 80 now, more than 350 four years earlier

这段引文真正有价值的地方，不在于“80”这个点估计得有多精确，而在于它给出了一个方向明确的序列：企业先停止补人，再谈组织重构，最后才把 AI 写进新的 operating model。

问题不在于 AI 有没有替代人。

问题在于企业已经开始按“本来要招的人不会再招”来配置预算了。

02 这事的真正含义

表面上看，这是就业新闻。

实际上，这是 token 经济学向白领 labor market 的外溢。

finance analyst、初级律师、研究助理、顾问分析岗，这些角色过去卖的是“把海量文本、表格、规则、历史案例压缩成可交付结论”的能力。今天模型也在做同一件事，而且越来越便宜、越来越快、越来越可并发。

这才是 Bloomberg 在说的事：不是某家公司用 AI 省了几个人头，而是知识工作里最容易被切片、审计、标准化的部分，已经被拆成 inference task 了。

一旦任务被 token 化，竞争维度就变了。

以前企业买的是一个 junior analyst 的全年可用时间。

现在企业买的是：

  • 某个模型在特定工作流上的正确率
  • context window 是否足够吃下合同、研报、财务附件
  • KV cache 和 prompt caching 能不能把重复任务成本打下来
  • 是否能通过 batch API 把 overnight research、合规审核、文档摘要进一步压价
  • model routing 能否把高价值步骤留给贵模型，把低风险步骤丢给便宜模型

那个真正会被定价的是 human review 之前的中间层工作。

也就是过去最适合给新人练手、同时最不具 moat 的那部分白领劳动。

这里有一个残酷但重要的判断：AI 先吞掉的不是“最贵的人”，而是“最标准化的晋升阶梯”。企业不一定马上裁掉 senior banker 或 partner，但会显著减少培养下一代 banker 和 associate 所需要的 entry funnel。

我没看到 Bloomberg 这篇里拆分出到底有多少变化来自宏观经济、英国本地税制、金融市场景气波动，还是纯 AI 替代，所以不能把所有跌幅都归因于模型能力提升。但如果 finance analyst、lawyer、analyst 这类岗位同时承压，那么最合理的解释通常不是单一行业景气，而是通用认知工具开始改写 staffing ratio。

这对 AI 行业的意义非常大。

因为多数人还在用 benchmark 理解模型竞争，真实市场已经开始用 headcount avoidance 理解模型价值。

换句话说，模型厂商之间真正的战争，不只是“谁更聪明”，而是谁能更稳定地吞掉一个 FTE 的 20%、40%、60% workflow。

03 历史类比 / 结构对照

这更像 2014 年后的 AWS，而不是 2022 年的 ChatGPT。

ChatGPT 时刻是需求侧觉醒：所有人第一次意识到自然语言接口可以普及。

AWS 时刻则是供给侧重构：企业开始默认“这类事情不必自己养整套资源”。

今天伦敦招聘数据更接近第二种。

在旧世界里，银行、律所、咨询公司之所以大量招聘 junior，不只是因为他们需要便宜劳动力，也因为组织必须靠这些人完成信息搬运、文档整理、第一轮分析和错误排查。培训体系和生产体系绑在一起。

AI 把这两个体系拆开了。

企业可以继续保留资深判断者，但不必按旧比例养那么多“学习中的执行者”。

这让我想到另一个历史类比：2007 年 iPhone 之后，真正被改写的不是手机硬件本身，而是 distribution。软件可以直接触达用户，运营商不再掌握唯一入口。今天被改写的也不是白领职业的总需求，而是进入这些职业的 distribution path。过去你必须先雇一批新人，才能产出合格的中间件工作；现在模型把这个通道旁路掉了。

这会带来一个二阶效应：组织里 senior talent 的生产函数也会变化。

如果 partner、VP、principal 可以直接借助 agent 完成一部分过去需要下派的工作，那么 middle layer 的存在感会被一起压缩。不是因为这些人能力差，而是因为 coordination overhead 开始比执行本身更贵。

我可能高估了这一拐点的速度。很多 regulated workflow，特别是法律与金融，仍然需要大量人工签字、责任归属和可审计链路，模型输出未必能直接进生产。但就像 cloud adoption 初期大量企业也说“核心系统不会上云”，真正改变结构的不是 100% 替代，而是边际 workload 先迁移出去，然后预算重心跟着迁移。

先是 hiring freeze。

然后是 workflow redesign。

最后才是职业定义被改写。

04 对 AI builder 意味着什么

如果你是 AI builder，这周和这个月应该调整的，不是 slogan，而是产品落点。

第一，别再只卖“copilot”，要卖 headcount avoidance 的可核算单元。

客户不会永远为“更快一点”买单，但会为“一个团队少招 3 个 analyst 仍能跑起来”买单。你的产品设计、case study、定价页面，都该围绕具体 workflow：财报初筛、投行 pitch 材料草拟、合同红线提取、行业研究 digest、合规问答检索。

第二，优先打 entry-level heavy 的行业链条。

金融、法律、审计、咨询、企业服务，本来就有高密度文本、高重复模板、高审阅链条。这类市场不是最 sexy，但最接近 token 可替代 labor 的主战场。特别是那些“过去靠人海堆 turnaround time”的环节，现在最容易被 model routing 和 prompt caching 打穿。

第三，产品 moat 不在模型本身，而在 workflow integration。

模型能力会扩散，价格会下滑，context window 会继续军备竞赛。真正留下来的 moat 是：

  • 接进客户内部知识库与权限系统
  • 把输出变成可审计 artifact
  • 适配审批链、版本控制、责任归属
  • 让 manager 能在最后一公里 review，而不是从零开始重做

第四，重新看 API 成本结构。

如果你的客户是“本来准备招人”的组织，那么你可以承受比纯 consumer AI 更高的 token bill，只要能证明总成本低于新增 headcount。但这不意味着可以乱烧。你应该系统性使用：

  • prompt caching 降重复输入成本
  • batch API 跑非实时任务
  • model routing 把简单抽取与复杂判断分层
  • 细分 context 策略，避免长上下文无差别灌入

第五，销售语言要从“替代 AI 工具预算”切到“替代部分用工预算”。

这是两套完全不同的购买逻辑。

前者你在 SaaS 池子里卷 seat price。

后者你在组织设计池子里拿更高的 willingness to pay。

我没在你客户的内部流程里跑过 procurement，所以这点我可能误判：一些大企业会极其抗拒“替代人”的表述，尤其在欧洲语境里更敏感。但即便对外不能这么说，产品内部也必须按这个逻辑优化，否则很容易做成一个使用频繁却预算很小的辅助工具。

05 反方观点 / 风险

最强的反方观点是：这可能主要是宏观疲软，不是 AI 拐点。

伦敦金融招聘本来就会受利率、IPO 市场、M&A 周期、英国本地政策、脱欧后资本流动影响。80 对 350 的变化，也可能混杂了招聘平台口径变化、职位命名迁移、企业转向内推或私域招聘等因素。如果样本只来自“一家 prominent recruitment website”，那它更像 sentiment proxy，不是完整 census。

第二个反方观点更尖锐：AI 不一定减少总就业，只是改变岗位结构。

历史上很多 automation 最终都没有让工作总量消失，而是把人转移到新的任务上。今天 junior analyst 少了，未必代表企业真的少要人，也可能是把岗位改名成 AI operations、knowledge engineer、compliance reviewer、workflow designer。换句话说，需求没死，只是旧 title 死了。

第三个风险在于，我可能低估了组织对责任的执着。

法律、金融、审计这些行业，客户买的不是“答案”，而是“可追责的答案”。只要最终责任无法外包给模型，企业就仍然要保留足够的人类覆盖层。很多看似可自动化的工作，最后会因为 error tolerance 太低而维持双轨制：AI 先做，人类重审。那样的话，招聘不会消失，只是岗位要求更高，新人更难进。

第四个风险对 AI builder 也很现实：如果所有人都去做“替代 analyst”的产品，这个市场会迅速同质化。模型层继续 commoditize，应用层如果没有 distribution、数据接入、审批嵌入、switching cost，很容易变成 another wrapper。尤其当大客户最终偏向 Microsoft、Google、OpenAI、Anthropic 提供的一体化工作台时，独立厂商未必能拿到足够厚的利润池。

但即便把这些反方都算进去，我仍然觉得这个信号值得重视。

因为招聘减少是最难伪造的需求侧变量之一。

当企业不再为某类白领入口岗位持续开闸，行业真正需要问的就不是“AI 会不会影响工作”，而是“哪些 workflow 已经默认不该再由人类从零做一遍”。

这才是这条 Bloomberg 新闻的含义。

不是 London 出了问题。

而是知识工作最脆弱、最可模板化的那一层，已经开始被重新计价了。