---
title: "银行未来需要什么人"
date: 2026-10-29
description: "巴克莱2026年10月宣布预计到年底裁员约5000人，约占9.3万员工5%，60%为支持职能，随AI提效减少开发者，呼叫中心话量年降10%。扩散模型发明者、Anthropic科学家Sohl-Dickstein在斯坦福演讲提出，应按下一代模型前瞻规划，不要把会被碾压的技能当竞争力。本文分析银行岗位可碾压性分层，给出未来人才画像，以及求职者与在职者如何借AI杠杆、判断、担责、验证与治理能力避免被替代。"
tags: ["银行人才","职业发展","AI替代","就业","智能体","能力建设","银行数字化转型"]
schema_type: Article
references:
  - title: "Barclays PLC Q3 2026 Results Call Management Speech（官方业绩演讲，含裁员约 5000 人表述）"
    url: "https://home.barclays/content/dam/home-barclays/documents/investor-relations/ResultAnnouncements/Q32026Results/Q326%20Results%20Call%20Management%20Speech.pdf"
    source: "Barclays"
  - title: "Barclays to cut 5,000 jobs as AI makes work more efficient（Morningstar，2026-10-22）"
    url: "https://global.morningstar.com/en-gb/news/alliance-news/1792658603876901900/update-barclays-to-cut-5000-jobs-as-ai-makes-work-more-efficient"
    source: "Morningstar"
  - title: "Jascha Sohl-Dickstein 斯坦福 PAI26 演讲（Stanford HAI，2026-06-30 上传）"
    url: "https://www.youtube.com/watch?v=3LZN2UUxDos"
    source: "Stanford HAI"
  - title: "本站解读：Jascha Sohl-Dickstein 斯坦福演讲深度解读"
    url: "https://bi-chao.com/articles/jascha-sohl-dickstein-stanford-talk-young-investigator-agi"
    source: "本站"
---

# 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。）