華爾街找到受害者的速度，往往比找到原因還快。在華麗的 AI 發表後，投資人會猛攻保險、房地產與財富管理業，尋找下一個白領受害者。那是可見的交易。更安靜的風險，是建立在可計費時數、層層諮詢與承載徒弟制的辦公空間上的商業模式，正被緩慢且複利式地侵蝕。市場正把裁員納入價格。它們應該把費用崩潰、模型單一化與責任尾部風險也納入定價。
第一波總是整齊劃一。一個吸睛的模型示範、一條指出成本結構看似可被替代的產業紅色下跌長條。但科技衝擊不是子彈，而是潮汐。自動櫃員機沒有消滅出納員；它改變了分行的形態與工作內容。網路泡沫並未終結電子商務；它教會了資本配置。今日的 AI 很可能走類似路徑：大承諾、部署不均、接著是緩慢重塑。經濟顧問委員會估計約 10% 的美國勞工高度脆弱。麻省理工與 Oak Ridge 的模擬為替代設了約 11.7% 勞動力的天花板，或約 1.2 兆美元的薪資與福利。這兩個數字讓投資人擔憂，但兩者也掩蓋了路徑。一個系統可以撐過頭條百分比，卻在許多公司同時削減同一梯子上同一階時崩裂。脆弱性就在那裡。
財富管理面臨一個簡單的博弈論問題。當資訊與基本投組建構變便宜，第一個降自己的主動管理費的公司會贏得市場份額，並設定新的價格錨點。機器人工具與大型語言模型讓資產配置與稅損收割看起來像商品。建議從資產 1% 移向基點。保險面臨同樣問題。若核保與理賠初篩變得更快、更準確，分銷的價值縮小，客戶所有權會移轉到掌控介面的那方。電信類比恰當：當管線變聰明且長距離通話稀少時，通話分鐘價格歸零，利潤隨之而去。投資人看到裁員並鼓掌，但他們忽略了費用上的擠兌動態，這種動態可能持續數年，將產業收入池壓縮得遠超過人力削減所表現出的規模。
房地產股因 AI 恐慌賣壓的原因很單純：較少的辦公桌工作需要辦公桌。但那只是第一階效果。辦公室不僅是房地產；它們是訓練場。如果 AI 崩潰了法律、顧問、保險與金融等領域的入門職位，進辦公室的日常理由就會變弱。初級人手減少、團隊縮小、大面積辦公空間與高租金核心的需求降低。打擊不僅是單一空置循環，而是需求函數的滾動下修。歷史提供了粗糙的平行例子。貨櫃化不僅讓港口更有效率，它也掏空了整個依賴碼頭工作的社區。辦公室的風險類似。以商業稅基為依託的市政預算會被擠壓，次級市場感受得較晚，但更劇烈。上市的 REITs 如今已在某種程度上示警。真正的重新定價會逐步落在私有帳本、貸款契約與市政債務上。
最有價值的資產從不出現在資產負債表上：五年後仍懂得如何做這份工作的那群人才管道。AI 威脅在於吃掉那些培養判斷力的任務。沒有初級分析師在建模。沒有一年級律師擬備備忘錄。較少以滲透式方式傳承的默會知識。當刪掉這些成本時，短期損益表看起來更好；中期系統變得脆弱。航太業通過學習曲線學到：重複練習降低成本與錯誤，但前提是練習發生。削減重複次數會造成熟練勞動力短缺與延遲。有多位研究者警告，削減入門職會產生合格專業人員的系統性短缺。今日的節省會成為明日的專案超支、合規失敗與服務瓶頸——這些風險不會出現在頭條，但會反映在利潤率與理賠上。
保險人、經紀人與顧問不會從零開始打造客製化 AI。多數會租用現成解決方案。這既有效率又危險。當許多公司接入相同模型時，它們繼承相同的盲點。相關性錯誤會摧毀系統。2007 年的 VaR 舒適毯失效，不是因為實驗室裡的數學錯了，而是因為每個人都用了相同的假設。Goodhart 法則增加壓力：一旦模型目標成為目標，它就不再是好的目標。結果是風險的同步性錯誤定價、同步銷售話術、當東西偏離分布時的同步否認。用博弈論說法，這是偽裝成效率的協調失敗。抵抗軍備競賽的公司看起來愚蠢，同行則削減成本。然後一個肥尾的錯誤到來，所有人看起來都一樣，且原因相同。
有些經濟學家認為白領放緩更多是因為利率、財政後遺症與商業循環，而非 AI。他們有他們的觀點。把每一個就業疲弱都歸咎於 AI 是懶惰。但投資人不應把歸因與曝險混為一談。AI 仍可加速既有的費用壓力，並提前客戶拒絕為機器能做的任務付費的時點。這就是利潤陷阱。1990 年代的 ERP 熱潮承諾流程奇蹟。它確實帶來成本削減——但競爭把多數收益轉給了買方。生產力上升，利潤不見得相應上升。可以預期類似重演。生成式工具能提升寫作、程式與分析的產出量，但也讓這些產出更容易被替代。價格跟隨下一個最佳選項的邊際成本。如果下一個最佳選項又便宜又足夠好，人類溢價就會縮小。市場需要為此定價，而不僅僅是那幾項促成變動的裁員數字。
每一波自動化都會創造新的責任鏈。當 AI 推薦投組、拒賠或草擬合約卻漏掉一條條款，錯在哪裡？顧問？承保方？軟體廠商？法院與監管機構會慢慢裁定。與此同時，錯誤與疏失保險承擔著它們從未在大規模下承保過的風險。原告律師團隊也會採用相同工具，使證據調查更快、理賠更大。這是肥尾過程。一長段小勝利可能會被一宗建立判例的異常案件抹去。如果許多公司使用相似模型，這些異常就不是個別事件；它們具有系統性。AI 已經證明能撰寫報告與解析資料，這意味著它也能標準化錯誤。當損失假設共同移動時，保險週期是無情的。
行為層面是核心。投資人想要乾淨的敘事與迅速回報。他們過度重視短期成本節省，而低估二階效果。他們把不確定性視為可分散的風險，而非應受尊重的無知。以機率語言，他們交易平均值而忽略變異數。以策略語言，他們玩重複囚徒困境並過早背叛，不是因為長期最優而是因為當季可辯護。Roosevelt Institute 警告不要過度將今日就業數據的責任歸於 AI 是正確的。但這並不免除企業需要模擬 AI 如何改變談判力、定價與錯誤相關性的責任。真實經濟是沙堆。你可以一陣子往上丟沙粒，把每次滑落稱為異常。或者你可以接受沙堆的形狀比最後一粒沙更重要。
更好的問題不是下一個被砍的是誰，而是誰能從波動中變得更強。抗脆弱的公司在重要處保留冗餘、把工作流程模組化，並在最高槓桿處保留人類判斷。它們避免單一供應商依賴。它們建立內部紅隊，用對抗性資料去壓測模型。它們把決策與預測分離，讓工具提供資訊但不下指令。它們在前期接受一點效率損失以防止日後的大失敗——就像一座橋使用比最少鋼材更多的鋼。它們在試算表反對時仍投資於徒弟制資本。它們把責任放在決策所在處，讓錯誤教會特定的人特定的教訓，而不是僅僅觸發一張供應商的維修單。這些做法都不光鮮，但都建立了持久力。
華爾街會繼續尋找下一個 AI 受害者。它應該這麼做。價格是訊號。但這則故事的核心不是一季的裁員數字，而是白領工作的悄然重新定價、費用的慢速擠兌、維持系統創新的人人才管道，以及沒有人注意到直到人人都注意到為止的相關性錯誤。那裡是真正脆弱隱藏之處——當下一次崩裂來臨時，回頭看只會覺得顯而易見。
