這兩年，無論在交易室、會議室還是咖啡店，最常被丟出來的問題都很相似：「AI 會不會把我這個工作幹掉？」這個問題合理，但有點問錯方向。從我自己的經驗來看，真正形成分水嶺的，不是「人 vs AI」，而是「會用 AI 的人 vs 拒絕用 AI 的人」。AI 的確在重塑勞動市場，但更多時候，它是把一份工作拆開，接手裡面重複、可標準化的部分，留下那些需要判斷、溝通和承擔責任的部分給人。

量化交易世界其實比其它行業早十幾年經歷這個過程。最早是手動下單，後來是直接市場接入（DMA），再後來是全自動做市、套利、CTA 策略。看起來，很多「交易員」消失了，但實際上是職能被拆開：系統負責毫秒級決策和執行，人類負責設計策略框架、設定風險邊界、調整參數與處理異常。這個過程中，如果你堅持只做「按鍵的人」，那的確會被系統替代；但如果你願意往「設計系統的人」移動，你反而會被這套自動化擴大影響力。

在我現在接觸的很多團隊裡，已經能看到同樣的劇情在重演：以前一位分析師可能一天看30個項目、寫兩三份簡報；現在同樣一個人，身邊掛著幾個 AI Agent，幫他實時掃鏈上數據、情緒指標與宏觀新聞，他自己只盯「真正值得開會討論的那幾個」。工作量沒有變少，但「人力做的那一部分」明顯升級了——從搬運訊息，變成決定「這些信息要怎麼變成頭寸或決策」。

AI 進入白領世界，本質上是把這個故事擴散到各行各業。寫報告的人，會發現 AI 幫你搜集資料、整理框架、起草初稿，真正有價值的是你如何提問、如何選擇角度、如何跟不同利害關係人溝通結論；做產品的人，會發現原型、PRD、競品分析很多可以交給 AI 撐起 60 分，你的價值在於補上那最後 40 分「懂市場、懂資源的權衡」。如果你的日常工作有 70% 是搬運資訊、重寫內容、做格式轉換，那 AI 的確會把這一塊壓縮；但它同時也逼你把精力轉向那 30%，也是薪資與晉升真正買單的部分。

人類真正的比較優勢，大致集中在三個方向。第一，問題定義與目標設定：AI 很擅長在給定的目標函數下做優化，但誰來決定「應該優化什麼」？這往往牽涉價值排序與對現實世界的感知。第二，跨情境判斷：例如在風險、品牌、合規、長期關係之間做取捨，這不是簡單的多目標優化，而是需要對「如果搞砸了誰來收尾」有直覺。第三，建立與維護信任：無論是客戶關係、團隊文化還是市場聲譽，信任建立通常需要時間、一致性和情緒感知，這些目前都還是人類相對有優勢的地帶。 我自己在設計 AI 工具給團隊用時，有一個簡單原則：先把每個人身上「可標準化」的 40% 工作抽出來，交給 Agent 去跑，再把釋放出來的時間，用於訓練大家做更高一階的判斷。 比如做風控的同事，以前每天手動看錢包異常、手動生成報表；現在這些都交給 Agent 自動巡邏和提要，他的工作變成設計預警規則、和產品一起討論「這個風控信號要不要變成一個新功能」。同一個人，角色被抬高了一層。

從這個角度來看，AI 帶來的不是單向的「取代」，而是一個很殘酷卻公平的放大器：你那些可程式化、可標準化的部分，會被迅速壓縮；你那些難以被複刻的判斷與連結能力，會透過 AI 被放大到更多場景。如果你拒絕使用 AI，你選擇的是一個沒有槓桿的世界——所有事情都靠你自己雙手、自己大腦；如果你願意擁抱 AI，你就是在承認：未來的個體，本質上都是善於調度多個 AI 的「小型組織」。

所以，比起不斷問「AI 會不會取代我？」，不如更誠實地問自己：「在我每天做的事情裡，有多少是可以被 AI 放大？有多少是只有我能做、AI 做不好？」前者越多，你越應該主動擁抱 AI，讓它接手那些低價值環節；後者越多，你越應該把時間從機械工作中抽離出來，投入到那些真正難被替代的地方。這樣，AI 才不會變成你的對手，而是變成你人生的槓桿。

撰文：陳健君（Jason）

OLAXBT 創辦人、數據科學家與量化交易員、HKICT Award FinTech Gold Award（2025）得主