「優秀的BA可以在任何領域工作」——這只有一半是對的。BA的基礎是可遷移的，但領域知識決定了BA在每個行業中的速度和深度。在AI時代，領域知識變得更加重要。
1. 金融科技：受監管環境中的AI
1.1 金融科技中AI的常見使用案例
| 使用案例 | AI的角色 | BA關鍵技能 |
|---|---|---|
| 詐欺偵測 | 即時交易評分 | 偽陽性/偽陰性的取捨、申訴流程設計 |
| 信用評分 | 替代資料評估 | 可解釋性（ECOA）、偏差稽核 |
| AML/KYC | 文件驗證、風險評分 | 法規理解、稽核追蹤 |
| 銀行聊天機器人 | 客戶服務、產品推薦 | 合規語言、人工升級 |
| 演算法交易 | 市場預測（利基） | 超出大多數BA的範疇 |
1.2 金融科技BA應了解的法規
| 法規 | 對AI的影響 | BA應該做什麼 |
|---|---|---|
| GDPR / PDPA | 未經同意AI不能使用個人識別資訊 | 在需求中加入隱私設計原則 |
| ECOA（美國） | 信用決策AI必須可解釋 | 在驗收條件中要求XAI（可解釋AI） |
| AML指令 | AI風險決策需要稽核追蹤 | 記錄所有AI評分事件並附時間戳 |
| PCI DSS | 不能將支付資料發送給LLM | 在API呼叫前遮罩資料 |
| MAS TRM（新加坡） | 金融機構的AI模型治理 | 模型生命週期的RACI |
1.3 金融科技特有的BA技能
- 調節思維： 每一分錢都必須匹配——AI不能「創造」或「遺失」金錢
- 四眼原則： 高價值交易需要雙重批准（AI＋人工）
- 對稽核追蹤的執著： 所有AI決策必須可追蹤且可匯出
- 可解釋性需求： 「AI為什麼拒絕這個貸款申請？」——必須能夠回答
2. 醫療保健：臨床環境中的AI
2.1 醫療保健中的AI使用案例
| 使用案例 | 風險等級 | 法規 |
|---|---|---|
| 臨床決策支援 | 非常高 | FDA 510(k)、CE標誌 |
| 醫療影像AI | 非常高 | FDA、IEC 62304 |
| 行政自動化 | 中 | HIPAA |
| 患者聊天機器人（分診） | 高 | 州醫療委員會規則 |
| 收款週期自動化 | 低至中 | CMS、付款方要求 |
2.2 BA的HIPAA基礎
PHI（受保護健康資訊）= 任何可識別患者的資料：
- 姓名、地址、生日、SSN、電話號碼
- 病歷號碼、健康保險號碼
- 生物識別資訊、照片
- IP位址（某些情況下）、地理資料
使用PHI的AI的BA需求：
1. 最小必要原則——AI只使用實際需要的資料欄位
2. 發送到外部LLM之前先去識別化
3. 與AI供應商的商業夥伴協議（BAA）
4. 所有PHI存取的稽核日誌
2.3 理解臨床工作流程
醫療保健BA需要理解的：
- 照護環境： ICU vs 急診 vs 門診——AI決策的時間容許度不同
- 臨床角色： 醫師 vs 護理師 vs 行政人員的工作流程——UI和權限不同
- 警報疲勞： 太多AI警報 → 臨床醫師忽略所有警報 → 危險
- 責任： 如果AI在臨床背景下犯錯，誰負責？（需要法律審查）
3. 電子商務：高速環境中的AI
3.1 電子商務中的AI使用案例
| 使用案例 | 影響 | 關鍵指標 |
|---|---|---|
| 產品推薦 | +15到30%的購物車金額 | 點擊率、轉換率 |
| 搜尋相關性 | 降低零結果率 | 搜尋→購買率 |
| 詐欺偵測 | 減少退款 | 偽陽性率（封鎖合法訂單） |
| 價格最佳化 | 動態定價 | 每次造訪的收益 |
| 評論審核 | 品牌保護 | 偽陽性（刪除合法評論） |
| 客服聊天機器人 | 降低成本 | FCR、CSAT分數 |
3.2 電子商務特有的考量
個人化倫理：
- 價格歧視（相同產品，依客群不同定價）——在某些司法管轄區有法律風險
- 過濾泡沫：AI只顯示使用者已喜歡的東西 → 降低探索性
- BA需要在規格中包含多樣性/意外性注入：「10%的推薦必須來自過濾泡沫之外」
A/B測試文化：
- 電子商務靠資料而非意見做決策
- BA應理解：統計顯著性、最小可偵測效應、留存組
- 所有AI功能在發布前需要A/B測試規格
快閃特賣/活動處理：
- 在正常流量上訓練的AI模型在快閃特賣期間會失敗
- BA需要在規格中說明：「活動模式期間（手動觸發），停用AI推薦，退回到精選清單」
4. 技能比較：最大的差異
| 技能 | 金融科技BA | 醫療保健BA | 電子商務BA |
|---|---|---|---|
| 法規知識 | AML/KYC/PCI | HIPAA/GDPR/FDA | GDPR＋平台規則 |
| 風險承受度 | 非常低 | 極低 | 中等 |
| 使用者研究 | UX＋合規審查 | 臨床醫師訪談 | 定量UX |
| 資料素養 | 交易資料、同群分析 | EHR、HL7/FHIR | 點擊流、漏斗 |
| AI可解釋性 | 必要（信用） | 必要（臨床） | 有最好 |
| 迭代速度 | 慢（合規週期） | 非常慢（CE/FDA） | 快（每週部署） |
5. 選擇適合自己的領域軌道
做決定的問題：
1. 你的風險承受度是高還是低？
→ 低（謹慎、流程導向）= 金融科技/醫療保健
→ 高（喜歡實驗）= 電子商務/消費科技
2. 你喜歡學習法規/合規，還是市場動態？
→ 法規 = 金融科技/醫療保健
→ 市場 = 電子商務
3. 你的背景是什麼？
→ 財務/會計 → 金融科技
→ 自然科學/護理 → 醫療保健
→ 零售/行銷 → 電子商務
結論
領域專業知識能放大BA技能。擁有3年經驗的金融科技AI BA與擁有3年經驗的電子商務AI BA有著截然不同的價值——沒有哪個「更好」，但他們在1到2週內無法互換。
選擇一個領域焦點，深入研究其法規和使用案例，成為技術團隊在想「為什麼業務需要這個」時信任的人。