银行未来需要什么人

2026 年 10 月 22 日，巴克莱银行在三季度业绩中宣布，预计到年底减少约 5000 名全职员工，约占其 9.3 万员工的 5%，其中约 60% 是支持职能，并且明确提到“随着 AI 让人更高效，将减少开发者”。

几乎同时，扩散模型发明者、Anthropic 研究科学家 Sohl-Dickstein 今年 6 月在斯坦福的演讲再度走红，核心建议是：按下一代模型的能力前瞻规划，不要把会被模型完全碾压的技能当成自己的核心竞争力。

需要先澄清一个事实：这位演讲者是扩散模型的发明者、Anthropic 的研究科学家，并非 OpenAI 研究员；他的这场演讲本站已有专文深度解读，本文不重复，只借其方法论回答一个更现实的问题。

这个问题是：当巴克莱这样的银行开始因为 AI 而裁人，银行的未来到底需要什么样的人？

求职者和在职者，又该如何提升自己，才能避免被下一代 AI 替代？

一、巴克莱到底裁了什么人

1. 规模：根据巴克莱官方三季度业绩演讲，相关行动预计减少约 5000 名全职员工，约占 2025 年末约 9.3 万员工的 5%。
2. 结构：约 60% 的集团行动与支持职能相关，其中明确提到“随着 AI 让我们的人更高效，开发者数量将减少”。
3. 客服与网点：呼叫中心通话量过去一年下降 10%，呼叫中心技术提升了员工效率；网点员工配置模型调整，每个网点员工减少约 10%，员工转向更高价值的支持。
4. 降本路径：巴克莱计划把成本收入比从 2026 年的高 50% 区间，降到 2027 年的高 40% 区间、2028 年的中 40% 区间，技术和 AI 是主要推手。
5. 关键定调：管理层把 AI 称为“糖霜，不是蛋糕”，意思是 AI 是放大效率的赋能层，而不是凭空替代一切的主体——但糖霜之下，岗位结构确实在变。

二、演讲给出的决策框架

1. 按完成时的模型评估：Sohl-Dickstein 建议，评估一项工作或一个课题，不要看今天的模型能不能做，而要看它完成时、下一代模型能不能轻松做。
2. 警惕“只因模型暂时做不到”的技能：如果一项能力的价值仅仅建立在“当前模型还不擅长”之上，这个前提会随模型变强而消失。
3. 选择随模型变强而增值的能力：有些能力在模型越强时越有价值，比如驾驭、验证、治理 AI，以及提出问题和承担责任。
4. 执行可外包，思考不能外包：他的名言是“写作即思考”，可以把执行交给 AI，但关键判断、方案初稿和论证要自己完成。
5. 本文的用法：这套框架原本面向科研，本文把它平移到银行业的岗位与个人职业规划上，推论部分属于本文分析。

三、银行岗位的“可碾压性”分层

1. 最容易被碾压的：标准化、重复、规则明确、结果容易被机器校验的工作，如数据录入、基础对账、标准问答、初级文档整理、模板化报告、合规初筛和简单代码开发。
2. 巴克莱的信号：该行明确减少开发者和支持职能，说明连“写代码”这类过去的高技能工作，只要是标准化、可验证的部分，也在被快速压缩。
3. 暂时安全的：需要处理模糊和例外、理解业务情境、建立人际信任、跨部门协调和承担责任的工作，AI 难以独立完成，也难以替人担责。
4. 反而增值的：能够驾驭 AI、设计 AI 系统、验证 AI 输出、管理 AI 风险和做 AI 治理的人，模型越强，这类人的杠杆越大。
5. 分层会移动：今天的“暂时安全”不等于明天安全，分层的边界随模型能力持续上移，这正是必须前瞻规划的原因。

四、银行未来需要的人

1. 会用 AI 的人：同样的岗位，能用 AI 把过去一个小组的活一个人高质量完成的人，会替代不会用 AI 的人。
2. 有判断力、敢担责的人：AI 可以给出选项和分析，但授信、放行、定价、处置这些需要拍板和承担后果的决策，仍要由人负责。
3. 能验证和质疑 AI 的人：AI 会出错、会幻觉、会被诱导，能复核、风控、审计 AI 输出并发现问题的人，是银行的刚需。
4. 理解业务与客户、能建立信任的人：复杂的客户关系、重大交易、危机沟通和高价值服务，依赖信任和情境理解，难以被标准化。
5. 能定义问题的人：AI 让“执行答案”变便宜，“提出正确问题、拆解模糊目标、设计评价标准”变得更稀缺、更值钱。
6. 做 AI 治理与安全的人：模型风险、数据合规、智能体可控性、可解释性和审计，是银行新增且持续扩大的高需求领域。
7. 处理例外的人：AI 负责处理常态，人负责处理异常、边界和“从没见过的情况”，这是风险与价值最集中的地方。

五、求职者怎么办

1. 先做“可碾压性”自查：列出你岗位的核心任务，逐项问“模型再强一代，这件事还需要人做吗”，把答案作为选岗和练技能的依据。
2. 优先选高判断、高责任的岗位：在求职方向上，向需要判断、担责、客户关系和复杂决策的岗位倾斜，而不是只拼标准化执行。
3. 把 AI 能力当基本功：从求职阶段就熟练使用 AI 工具完成研究、分析、写作和代码，把“AI 增强”作为自己的默认工作方式。
4. 积累可验证的壁垒：考取需要资质、经验和责任的专业认证，进入有门槛、强监管的领域，这类壁垒比单纯的熟练度更难被碾压。
5. 关注新增岗位：AI 治理、模型风险管理、智能体运营、数据合规等是正在扩张的方向，比死守收缩岗位更有机会。

六、在职者怎么办

1. 从“执行者”转向“驾驭者”：把重复执行交给 AI，把自己的精力上移到定义目标、设计流程、审核结果和处理例外。
2. 保留思考的主权：关键方案、复盘和决策建议的初稿自己写，用 AI 做反馈和补充，避免“外包写作=外包思考”。
3. 建立验证能力：学会质疑和复核 AI 的输出，建立自己的检查清单和判断标准，成为团队里“最后一道关”。
4. 跟踪自己的能力时间线：维护一份“AI 还做不到的事”清单，每季度用最新模型重测，据此调整学习和岗位重心。
5. 向治理和风险侧迁移：有业务经验的人转做模型风险、合规、审计和智能体治理，往往比纯技术人员更有优势，是值得经营的第二曲线。

七、个人提升的七条原则

1. 把技能练在“AI 前面”，而不是和 AI 比拼它擅长的标准化执行。
2. 用 AI 放大自己，而不是把 AI 当成威胁旁观，先成为团队里最会用 AI 的人。
3. 培养判断、品味、担责和信任这些机器难以碾压的能力。
4. 训练提出问题、定义问题和设计评价标准的能力。
5. 保持再训练和再学习的速度，把持续学习当成长期职业习惯。
6. 进入需要资质、经验和责任的领域，建立可验证的专业壁垒。
7. 学会验证、审计和治理 AI，把“管得住 AI”变成自己的新标签。

八、银行和管理者的责任

1. 不能只裁人不育人：银行在因 AI 调整岗位的同时，有责任做再培训和岗位转岗，把人力从收缩岗位引导到高价值和治理岗位。
2. 重新设计岗位：围绕“AI 处理常态、人处理例外”来重构岗位职责和能力模型，而不是简单地用 AI 顶替人头。
3. 保留组织的思考能力：不能让团队把方案、复盘和决策写作全部外包，否则会同时失去判断力和责任感。
4. 为治理岗位留出空间：模型风险、合规和安全不是成本，而是 AI 时代的核心能力，应提前布局。
5. 承担过渡责任：技术变革的成本不应由员工独自承担，企业需要在效率与人之间做出负责任的安排。

九、冷静的边界

1. 时间表是预测不是事实：AI 何时覆盖哪些岗位，是基于趋势的判断，并非确定结论，不同行业、岗位和地区的节奏不同。
2. 总岗位未必只减不增：技术会消灭旧岗位，也会创造新岗位，历史上多次如此，关键是个人能否完成迁移。
3. “糖霜不是蛋糕”也适用于个人：AI 是放大器，真正的专业、判断和责任仍然是人的价值主体，不应妄自菲薄。
4. 建议有情境差异：“转向有趣、高风险方向”对有缓冲的人成本低，对有经济压力的人要量力而行，先稳住基本盘再图转型。
5. 不被替代的是“持续进化”本身：没有一劳永逸的安全技能，唯一可靠的，是持续随模型能力进化的能力。

结语

巴克莱裁掉的，不是“银行人”这个群体，而是其中可以被标准化、可以被机器验证、可以被 AI 更高效完成的那部分工作；Sohl-Dickstein 提醒的，也不是“人要输给 AI”，而是不要把宝贵的时间，押注在注定会被模型碾压的技能上。把这两件事放在一起，答案其实很清楚：银行未来需要的，是会用 AI、敢担责、能验证、善沟通、会定义问题、并且管得住 AI 的人。 对求职者，这意味着选高判断、高责任、有门槛的方向，把 AI 当基本功；对在职者，这意味着从执行者升级为驾驭者，保留思考主权，向治理和风险侧迁移。AI 会让“答案”越来越便宜，但让“提出正确问题、做出负责任判断、处理复杂例外”越来越值钱。与其焦虑被下一代 AI 替代，不如现在就把自己，变成那个能驾驭下一代 AI 的人。

（口径说明：巴克莱裁员相关数据来自其官方 2026 年三季度业绩演讲原文及 Morningstar、The Independent 等报道，其中约 5000 人、约 60% 支持职能、减少开发者、呼叫中心话量下降 10%、网点员工减少约 10% 等为官方口径，员工总数约 9.3 万为 2025 年末数据。Sohl-Dickstein 为扩散模型发明者、Anthropic 研究科学家，其演讲观点为个人判断与方法论，AGI 时间表属于预测而非共识。岗位分层、人才画像和个人提升建议为本文分析，不构成对任何具体岗位的确定性预测。本文为行业与职业发展分析，不构成法律、职业或投资建议。）