Goldman-Sachs-KI-Agenten übertragen Juniorbankern vom ersten Tag an Verantwortung

KI-Agenten von Goldman Sachs verändern den Einstiegsjob im Bankwesen, bevor Banken geklärt haben, was die traditionelle Ausbildung am Arbeitsplatz ersetzen soll. Neue Mitarbeitende könnten laut Goldman-Manager Kevin Sneader bereits an ihrem ersten Arbeitstag automatisierte Arbeitskräfte beaufsichtigen. Das klingt nach einer frühen Beförderung, nimmt ihnen jedoch auch Aufgaben ab, durch die Analysten bislang lernten, wie die Bankarbeit als Ganzes zusammenhängt.

„Wenn unsere jungen Mitarbeitenden heute ihre Arbeit aufnehmen, managen sie Agenten“, sagte Sneader laut einem Bericht von Bloomberg. Er beschrieb diese Agenten als virtuelle Belegschaft, die junge Beschäftigte wirksam anleiten müssten. Sneader leitet Goldman Sachs im asiatisch-pazifischen Raum außerhalb Japans und gehört dem Managementkomitee der Bank an.

Diese Darstellung kehrt die übliche Automatisierungserzählung um. Die unmittelbare Frage lautet nicht nur, ob KI Stellen für Berufseinsteiger beseitigt. Sie lautet vielmehr, ob Banken unerfahrene Neueinstellungen zu verlässlichen Führungskräften machen können, ohne die wiederkehrenden Aufgaben, die zuvor ihr Urteilsvermögen geschärft haben.

Auch andere Banken bewegen sich bereits in diese Richtung. Citi baut Infrastruktur auf, mit der Beschäftigte Agenten erstellen und beaufsichtigen können, während UBS Neueinstellungen auf praktische KI-Kompetenz testet. Der Wettbewerb verlagert sich damit vom grundlegenden Zugang zu KI hin zur vertrauenswürdigen Delegation innerhalb streng kontrollierter Institutionen.

Das Versprechen lautet: produktivere Analysten, die mit größerer Verantwortung starten. Das ungelöste Problem ist, ob Verantwortung vor Erfahrung übertragen werden kann, ohne Fehler, mangelhafte Kontrolle oder verdeckte operationelle Risiken zu erhöhen.

Was KI-Agenten von Goldman Sachs für Neueinstellungen verändern

Der Banker auf Einstiegsniveau wird vom Ausführenden routinemäßiger Arbeit zum Manager maschinell erzeugter Arbeit umgestaltet.

Jahrzehntelang lernten Junior-Investmentbanker durch Wiederholung. Sie sammelten Unternehmensdaten, prüften Jahresabschlüsse, erstellten Bewertungsmodelle, aktualisierten Präsentationsunterlagen und glichen widersprüchliche Zahlen ab. Diese Aufgaben waren mühsam, gaben Analysten jedoch Einblick in die Mechanik hinter einer Transaktion.

Agentische KI verändert diesen Ablauf. Ein KI-Agent ist Software, die ein definiertes Ziel über mehrere Schritte, Tools und Datenquellen hinweg verfolgen kann. Anders als ein Standard-Chatbot kann er zwischen Aufgaben wechseln und mit weniger menschlichen Anweisungen zusammenhängende Ergebnisse liefern.

Ein Juniorbanker könnte einen Agenten bitten, Informationen zu vergleichbaren Unternehmen zusammenzutragen, eine Bewertungsanalyse zu entwerfen und Präsentationsmaterialien vorzubereiten. Der menschliche Mitarbeitende würde dann die Belege prüfen, Unstimmigkeiten korrigieren und entscheiden, ob das Ergebnis für leitende Banker geeignet ist.

Sneaders Aussage führt dieses Modell über das Experimentierstadium hinaus. Sie stellt die Beaufsichtigung von Agenten als Einstiegsverantwortung dar und nicht als spezialisierte Aufgabe, die später erworben wird. Neue Mitarbeitende würden ins Bankwesen als Operatoren einer gemischten menschlichen und digitalen Belegschaft eintreten.

Das bedeutet nicht, dass Goldman die Abschaffung aller traditionellen Analystenaufgaben angekündigt hat. Die öffentlichen Aussagen enthalten keine Einsatzdaten, keinen Zeitplan und keine detaillierte Neugestaltung der Stellenprofile. Sie vermitteln die Sicht eines leitenden Managers darauf, wie sich die Arbeit verändert.

Diese Unterscheidung ist wichtig. Eine Prognose der Führungsebene ist nicht dasselbe wie ein fertig implementiertes Betriebsmodell. Goldman muss weiterhin festlegen, welche Aufgaben Agenten übernehmen können, wer ihre Arbeit genehmigt und wie Verantwortung durch jedes Team weitergegeben wird.

Sneaders Position verleiht seinen Aussagen Gewicht. Sein Führungsprofil weist ihn als Präsidenten für Asia Pacific Ex-Japan und Mitglied mehrerer hochrangiger Ausschüsse aus. Zuvor war er globaler Managing Partner von McKinsey.

Sein Managementhintergrund verdeutlicht auch den organisatorischen Fokus. Die Aussage betrifft weniger ein einzelnes KI-Produkt als vielmehr eine Veränderung der Art, wie Verantwortung in die Bankenhierarchie eintritt.

Im bisherigen Modell erstellten Analysten die Arbeit, Associates prüften sie, und leitende Banker trafen Entscheidungen mit Kundenbezug. Agenten verkomplizieren diese Hierarchie, weil sie Teile der Produktionsstufe nahezu sofort ausführen können.

Der Analyst wird dadurch wesentlich früher zum Prüfer. Der Associate muss entscheiden, ob er den Analysten, den Agenten oder beide prüfen soll. Leitende Banker bleiben gegenüber Kunden verantwortlich, selbst wenn mehrere automatisierte Systeme zum finalen Material beitragen.

Juniorbanker, die KI managen, benötigen daher mehr als Fähigkeiten im Formulieren von Prompts. Sie müssen Aufgaben definieren, verlässliche Quellen auswählen, Widersprüche erkennen, Änderungen dokumentieren und Unsicherheit eskalieren. Jede dieser Handlungen setzt Urteilsvermögen voraus, das Einsteiger noch entwickeln.

Die wichtigste Veränderung ist nicht die schnellere Erstellung von Dokumenten. Sie ist die Übertragung von Aufsichtsverantwortung auf die unterste Stufe der beruflichen Hierarchie.

Die Bankausbildung verliert ihre Trainingsschicht

Automatisierung beseitigt Routinearbeit, doch gerade diese Routinearbeit lieferte oft die Grundlage für die Entwicklung professionellen Urteilsvermögens.

Bankausbildungen beruhten stets auf einem unbequemen Tauschgeschäft. Nachwuchskräfte erledigen über lange Stunden wiederkehrende Aufgaben und lernen dabei schrittweise, wie Unternehmen, Jahresabschlüsse, Märkte und Deals zusammenhängen.

Die Abschaffung unnötiger Wiederholungen kann die Arbeit verbessern. Kaum ein Analyst benötigt hunderte manuelle Formatkorrekturen, um Unternehmensfinanzierung zu verstehen. Schnellere Recherche und Dokumentenerstellung können mehr Zeit für Interpretation, Kundenvorbereitung und Entscheidungen schaffen.

Doch nicht jede repetitive Aufgabe ist pädagogisch wertlos. Das erneute Erstellen eines Modells kann offenlegen, warum Annahmen miteinander interagieren. Das Prüfen von Zahlen über verschiedene Einreichungen hinweg kann lehren, welchen Angaben man mit Skepsis begegnen sollte. Die Überarbeitung einer Präsentation kann zeigen, welche Fakten für einen bestimmten Kunden relevant sind.

Ein Agent kann diese Tätigkeiten zu einer fertigen Datei verdichten. Dieses Ergebnis spart Zeit, kann jedoch auch die Entscheidungskette hinter dem Resultat verschleiern. Ein unerfahrener Prüfer sieht möglicherweise professionell ausgearbeitete Arbeit, ohne eine schwache zugrunde liegende Annahme zu erkennen.

Dadurch entsteht die zentrale Umkehrung in der Geschichte um KI-Agenten von Goldman Sachs. Die Technologie gibt Juniorbankern den Anschein von Managementhebeln, bevor sie über die Erfahrung verfügen, die traditionell mit Management verbunden ist.

Eine Führungskraft bewertet Arbeit normalerweise durch den Vergleich mit angesammeltem Wissen. Ein neuer Analyst, der einen Agenten beaufsichtigt, kann nicht auf Jahre ähnlicher Aufgaben zurückgreifen. Der Analyst braucht eine andere Quelle für Rückmeldung, etwa strukturierte Prüfung, Simulation oder ausdrückliche Validierungsregeln.

Dieses Problem ist bereits messbar. Die BankerToolBench-Studie testete führende Agenten anhand durchgängiger Investmentbanking-Workflows, die gemeinsam mit 502 Bankern entwickelt wurden. Zu den Aufgaben gehörten Modelle, Präsentationen, Berichte, Datenräume, Marktplattformen und regulatorische Einreichungen.

Die Forschenden testeten neun führende Modelle anhand von mehr als 100 Kriterien. Selbst das leistungsstärkste Modell scheiterte bei fast der Hälfte dieser Kriterien. Banker stuften keines seiner vollständigen Ergebnisse als bereit für Kunden ein.

Diese Ergebnisse belegen nicht, wie die internen Systeme von Goldman funktionieren. Der Benchmark umfasste einen bestimmten Forschungsaufbau, und bankspezifische Tools können private Daten, Kontrollen und spezialisierte Anweisungen nutzen. Er zeigt jedoch, warum Beaufsichtigung nicht zu einem bloß formalen Schritt werden darf.

Ein plausibles Modell mit einer falschen Zahl kann gefährlicher sein als eine offensichtlich fehlerhafte Datei. Die ausgefeilte Präsentation fördert Vertrauen, während sich der Fehler über mehrere verknüpfte Dokumente verbreiten kann.

Hier stehen Juniorbanker, die KI managen, vor einer schwierigen Aufgabe. Sie müssen ein Ergebnis hinterfragen, das vollständiger aussieht als Arbeit, die sie allein erstellen könnten. Selbstvertrauen und Kompetenz können schwer voneinander zu trennen sein.

Banken können darauf reagieren, indem sie den verborgenen Prozess sichtbar machen. Agenten können ihre Quellen, Berechnungen, Tool-Aktionen und Überarbeitungen protokollieren. Prüfer können Ergebnisse mit genehmigten Daten abgleichen und für sensible Annahmen menschliche Bestätigung verlangen.

Auch die Ausbildung muss sich verändern. Neue Mitarbeitende brauchen kontrollierte Übungen, die Fehler aufdecken, und nicht nur Demonstrationen, die Geschwindigkeit hervorheben. Sie sollten lernen, wie Agenten Kontext verlieren, Zeiträume vermischen, Tabellen falsch lesen und widersprüchliche Dateien erstellen.

Der beste Ersatz für repetitive Arbeit ist kein kürzeres Einführungsseminar. Es ist eine neu gestaltete Ausbildung, die gezieltes Üben bewahrt und gleichzeitig geringwertige Produktionsarbeit beseitigt.

Eine durchsuchbare Wissensdatenbank kann dieses Modell unterstützen, indem sie Quellmaterial und frühere Entscheidungen zur Prüfung verfügbar hält. Der Abruf allein kann jedoch nicht entscheiden, ob ein finanzielles Urteil fundiert ist.

Die Frage der Ausbildung reicht über das Investmentbanking hinaus. Rechnungswesen, Beratung, Recht und Forschung nutzen alle die Arbeit von Nachwuchskräften, um künftige Prüfer auszubilden. Die Automatisierung dieser Ebene zwingt Arbeitgeber dazu, einen klareren Weg vom Anfänger zum Experten zu schaffen.

Das Bankwesen bietet lediglich einen frühen Test, weil seine Ergebnisse finanzielle, regulatorische und reputationsbezogene Folgen haben. Ein schwaches Ausbildungskonzept kann unsichtbar bleiben, bis ein Fehler einen Kunden erreicht.

Juniorbanker, die KI managen, setzen das mittlere Management unter Druck

Die Rolle mit dem größten Druck könnte jene Ebene sein, die traditionell die Arbeit von Nachwuchskräften koordiniert, und nicht allein die Nachwuchskraft.

Sneader räumte Unsicherheit darüber ein, was mit mittleren Führungskräften geschieht, wenn Neueinstellungen sofort Agenten beaufsichtigen. Diese Frage ergibt sich direkt aus der Ökonomie digitaler Arbeit.

Traditionelle Bankteams ähneln Pyramiden. Eine relativ große Gruppe von Analysten unterstützt weniger Associates und Vice Presidents, die wiederum eine noch kleinere Gruppe leitender Deal-Maker unterstützen. Jede Ebene prüft, koordiniert und verfeinert die Arbeit der darunterliegenden Ebene.

KI-Agenten können die Produktionsbasis verkleinern. Eine kleinere Gruppe von Analysten kann mehr Recherche, Modelle und Präsentationsmaterial erstellen. Das verringert den Koordinierungsaufwand, der einige Führungsrollen rechtfertigte.

Gleichzeitig schafft automatisierte Arbeit neue Prüfanforderungen. Jemand muss Agentenzugriffe genehmigen, ungewöhnliche Ergebnisse bewerten, Konflikte lösen und Verantwortlichkeit dokumentieren. Diese Aufgaben könnten Manager erhalten, doch ihre Arbeit würde technischer und stärker risikoorientiert.

Das wahrscheinliche Ergebnis ist nicht die saubere Abschaffung einer Ebene. Es ist eine Neuverteilung von Managementaufgaben auf Nachwuchskräfte, erfahrene Spezialisten, Technologieteams und Kontrollfunktionen.

Nachwuchskräfte könnten die routinemäßige Anleitung von Agenten übernehmen. Erfahrene Banker könnten Annahmen und Kundenfolgen prüfen. Teams für Modellrisiken, Cybersicherheit, Recht und Compliance könnten Grenzen setzen, die kein Deal-Team übergehen kann.

Diese Verteilung schafft eine schwierige Frage der Verantwortlichkeit. Wenn ein Analyst ein fehlerhaftes Ergebnis eines Agenten akzeptiert, liegt die Verantwortung dann beim Analysten, beim beaufsichtigenden Associate, beim Eigentümer des Modells oder beim Geschäftsbereichsleiter?

Banken können diese Frage nicht dadurch beantworten, dass sie den Analysten als Agentenmanager bezeichnen. Befugnis muss der Verantwortung entsprechen. Ein neuer Mitarbeitender, der ein Modell nicht prüfen, dessen Kontrollen nicht ändern oder eine Frist nicht zurückweisen kann, besitzt keine vollständige Managementbefugnis.

Die Auswirkungen von KI auf die Beschäftigung im Bankwesen hängen daher von der Gestaltung der Arbeitsabläufe ab, nicht allein von den Fähigkeiten der Modelle. Ein Agent, der eine Aufgabe erledigt, beseitigt nicht automatisch die Rolle rund um diese Aufgabe.

Jüngste Analysen aus dem Bankensektor stützen diese Unterscheidung. Eine Branchenstudie zur Beschäftigung ergab, dass Automatisierung kurzfristig eher ausgewählte Tätigkeiten als vollständige Arbeitsplätze ersetzen dürfte.

Die Studie nannte Dokumentenprüfung, routinemäßige Compliance-Kontrollen und Informationsverarbeitung als besonders gefährdete Aufgaben. Zugleich stellte sie einen wachsenden Bedarf in den Bereichen KI-Governance, Validierung, Aufsicht und Mensch-Maschine-Zusammenarbeit fest.

Dieselbe Analyse berichtete über eine deutlich drastischere langfristige Schätzung von Morgan Stanley. Europäische Banken könnten ihre Beschäftigung über fünf Jahre um 10 Prozent reduzieren, wobei Fluktuation und Ruhestand einen großen Teil dieses Rückgangs erklären könnten.

Diese Einschätzungen widersprechen sich nicht. Banken können neue KI-bezogene Rollen schaffen und zugleich die Gesamtbeschäftigung in ausgewählten Funktionen reduzieren. Sie können auch mehr Mitarbeitende im Front Office einstellen, wenn bessere Werkzeuge helfen, zusätzliches Geschäft zu gewinnen.

Goldman-CEO David Solomon hat argumentiert, Prognosen eines KI-bedingten Einbruchs bei Arbeitsplätzen seien übertrieben. Diese Position passt zu Sneaders Fokus auf neu gestaltete Arbeit statt auf den unmittelbaren Ausschluss von Berufseinsteigern.

Dennoch garantiert die Aufrechterhaltung der Rekrutierung auf Einstiegsniveau nicht dieselbe Karrierestruktur. Banken könnten weniger Analysten einstellen, von jeder Neueinstellung mehr erwarten und einen geringeren Anteil in traditionelle Managementpositionen befördern.

Produktivitätsdruck steht im Zentrum dieses Übergangs. Sobald eine Bank nachweist, dass ein Analyst mehrere Agents steuern kann, geraten Wettbewerber unter Druck, dieselbe Leistung zu erreichen. Führungskräfte könnten die höhere Kapazität dann als dauerhaften Ausgangswert betrachten.

Das kann den Service verbessern und das Geschäft ausweiten. Es kann aber auch die Arbeitsbelastung verschärfen, wenn durch Automatisierung eingesparte Zeit zur Erwartung für zusätzliche Aufgaben wird.

Der Ausdruck „virtuelle Armee“ erfasst beide Möglichkeiten. Eine Armee schafft Hebelwirkung, benötigt aber auch Führungsstrukturen, Regeln, Überprüfung und klare Verantwortlichkeiten, wenn etwas schiefläuft.

Die Herausforderung für das mittlere Management besteht daher nicht darin, ob Manager über Nacht verschwinden. Entscheidend ist, ob Koordination wertvoll bleibt, nachdem die Produktion schneller und stärker automatisiert wird.

Manager, die hauptsächlich Informationen zwischen Ebenen weitergeben, geraten stärker unter Druck. Manager, die Urteilsvermögen vermitteln, Unklarheiten auflösen und Risiken verantworten, behalten eine klarere Funktion.

KI-Agents im Bankwesen bestehen den Test auf Kundentauglichkeit weiterhin nicht

Der stärkste Einwand gegen unmittelbare Autonomie ist die Lücke zwischen dem Abschließen eines Workflows und der Erstellung von Arbeit, die eine Bank sicher ausliefern kann.

Agent-Demonstrationen betonen häufig den Abschluss von Aufgaben. Das System öffnet Dateien, sammelt Daten, schreibt einen Bericht und erstellt eine Präsentation. Diese Abfolge ähnelt bemerkenswert stark der täglichen Arbeit eines Junior-Bankers.

Professionelle Einsatzbereitschaft verlangt einen höheren Standard. Jede Zahl muss sich auf den richtigen Zeitraum und die richtige Einheit beziehen. Berechnungen müssen über Dateien hinweg konsistent bleiben. Quellen müssen Aussagen stützen, und vertrauliche Informationen müssen in autorisierten Systemen verbleiben.

BankerToolBench verdeutlicht diesen Unterschied. Sein bestes Modell bewältigte wesentliche Teile komplexer Bankaufgaben, scheiterte jedoch weiterhin an vielen Bewertungskriterien. Die resultierenden Arbeitspakete galten den teilnehmenden Bankern nicht als kundentauglich.

Die Konsistenz über mehrere Dateien hinweg war ein bemerkenswertes Hindernis. Eine Bewertung kann in einer Tabellenkalkulation korrekt sein, in einer Folie jedoch falsch erscheinen. Eine schriftliche Zusammenfassung kann eine Annahme verwenden, die nicht mehr zum zugrunde liegenden Modell passt.

Auch menschliche Analysten machen ähnliche Fehler. Der Unterschied liegt im Umfang und in der Intransparenz. Ein Agent kann eine falsche Annahme über viele Ergebnisse hinweg vervielfältigen, bevor ein Prüfer das ursprüngliche Problem bemerkt.

Die Aufsicht durch Junior-Mitarbeitende beseitigt dieses Risiko nicht. Sie kann es verstärken, wenn dem Prüfer genügend Fachwissen fehlt, um einen glaubwürdig wirkenden Fehler zu erkennen.

Banken unterliegen zudem strengeren Vorgaben als die meisten Softwareunternehmen. Sie verarbeiten vertrauliche Kundeninformationen, wesentliche nicht öffentliche Informationen, personenbezogene Daten und Entscheidungen, die regulatorischer Prüfung unterliegen.

Ein Agent benötigt kontrollierten Zugriff, um sinnvolle Arbeit zu leisten. Die Gewährung dieses Zugriffs vergrößert den potenziellen Schaden durch eine fehlerhafte Anweisung, eine kompromittierte Integration oder eine unangemessene Datenübertragung.

Der Ansatz von Citi zeigt, wie Banken versuchen, dieses Spannungsverhältnis zu lösen. Die interne Agent-Plattform zentralisiert Modellzugriff, Agent-Erstellung, Überwachung und Notfalleingriffe.

Citi erklärte, dass bereits 180.000 Mitarbeitende KI-Tools für Unternehmen nutzten, als die Plattform eingeführt wurde. Das System sollte Mitarbeitenden ermöglichen, Agent-Verhalten zu überwachen und Aufgaben bei Bedarf zu stoppen.

Das ist eine infrastrukturelle Antwort auf dasselbe Managementproblem, das Sneader beschrieb. Mitarbeitende können Agents nicht verlässlich steuern, wenn die Bank keinen Einblick in deren Aktivitäten hat.

Technische Kontrollen sind nur ein Teil der Lösung. Teams benötigen auch Betriebsregeln, die erlaubte Aufgaben, erforderliche Prüfer, vertrauenswürdige Quellen und Menschen vorbehaltene Entscheidungen festlegen.

Ein Research-Agent könnte öffentliche Einreichungen sammeln und Marktinformationen zusammenfassen. Er sollte nicht eigenständig entscheiden, welche Offenlegung aus Kundenunterlagen weggelassen wird. Diese Entscheidung erfordert Kontext und professionelle Verantwortung.

Ein Modeling-Agent könnte Annahmen vorschlagen und Szenarien berechnen. Ein menschlicher Banker sollte dennoch bestätigen, ob diese Annahmen zur Transaktion, zu den Zielen des Kunden und zu den aktuellen Marktbedingungen passen.

Die stärksten Implementierungen werden zwischen Unterstützung, Empfehlung und Ausführung unterscheiden. Jede Ebene erfordert eine andere Freigabeschwelle und Prüfspur.

Unterstützung ruft Informationen ab oder formatiert sie um. Eine Empfehlung schlägt eine Einschätzung vor, die ein Mensch annehmen oder ablehnen kann. Ausführung verändert ein System, kommuniziert nach außen oder verpflichtet das Institut zu einer Handlung.

Alle drei Aktivitäten als „Agent-Management“ zu bezeichnen, verschleiert bedeutende Unterschiede. Ein Neueinsteiger kann nach einer Grundausbildung einige Unterstützungsaufgaben sicher steuern. Empfehlungen und Maßnahmen mit höherem Risiko benötigen die Freigabe durch erfahrene Mitarbeitende.

Die Verifikationslücke beeinflusst auch die Geschwindigkeit. Ein Agent kann einen Entwurf in Minuten erstellen, doch ein Prüfer kann deutlich länger damit verbringen, Quellen nachzuverfolgen und Unstimmigkeiten abzugleichen. Die reine Erstellungszeit ist nicht dasselbe wie Nettoproduktivität.

Banken sollten daher korrigierte Ergebnisse messen, nicht rohe Leistung. Nützliche Kennzahlen sind Prüfzeit, Fehlerschwere, Anzahl der Überarbeitungen, Eskalationsrate und der Anteil der Arbeit, die ohne wesentliche Änderungen freigegeben wird.

Sie sollten zudem verfolgen, ob sich Junior-Mitarbeitende verbessern. Bleibt die Prüfgenauigkeit bei zunehmender Agent-Nutzung unverändert, schafft das neue Ausbildungsmodell kein Fachwissen.

Das skeptische Argument lautet nicht, dass KI-Agents im Bankwesen nutzlos sind. Es lautet, dass die aktuelle Evidenz nicht dafür spricht, sie als autonome Ersatzkräfte für ausgebildete Analysten zu behandeln.

Ihr unmittelbarer Wert liegt darin, klar abgegrenzte Aufgaben zu beschleunigen und zugleich die menschliche Prüfung zu bewahren. Die schwierigere Arbeit besteht darin, ein System zu gestalten, das Prüfung sinnvoll statt bloß formal macht.

Goldmans Wettbewerber machen KI-Kompetenzen zur Einstellungsvoraussetzung

Banken entwickeln sich von optionalen KI-Experimenten hin zu einem Arbeitsmarkt, in dem der verantwortungsvolle Einsatz von Agents zu einer grundlegenden Qualifikation wird.

Goldmans Kommentare sind Teil eines breiteren Wettbewerbswandels. Banken wollen Mitarbeitende, die mehrere Modelle nutzen, mit institutionellen Daten verbinden und ihre Ergebnisse beurteilen können, ohne die Sicherheit zu gefährden.

UBS hat diese Erwartung bereits in die Rekrutierung aufgenommen. Bewerber für das Graduate- und Praktikumsprogramm 2027 müssen laut Berichten über die Einstellungsvoraussetzung praktische KI-Kompetenz nachweisen.

Die Anforderung konzentriert sich auf verantwortungsvolle Experimente und Geschäftsergebnisse, nicht nur auf die Vertrautheit mit Consumer-Chatbots. UBS plant außerdem einen KI-Schulungsweg, der auf realen Anwendungsfällen im Bankwesen basiert.

Citi nähert sich demselben Übergang über die Infrastruktur. Die Arc-Plattform bietet Entwicklern eine kontrollierte Umgebung, um Modelle und Agents zu kombinieren. Ein breiterer Zugang für Mitarbeitende soll im Laufe der Zeit folgen.

JPMorgan hat KI-native Arbeitsumgebungen beschrieben, in denen Agents die Absicht von Mitarbeitenden interpretieren und Aktionen systemübergreifend koordinieren. Diese Vision ersetzt das Wechseln zwischen Anwendungen durch dialogbasierte Orchestrierung.

Diese Ansätze setzen Goldman in zweierlei Hinsicht unter Druck. Das Unternehmen muss seinen Mitarbeitenden wettbewerbsfähige Werkzeuge bereitstellen und nachweisen, dass diese Werkzeuge innerhalb regulierter Workflows sicher bleiben.

Die Auswirkungen von KI auf das Bankwesen werden daher von einem institutionellen Lernwettlauf geprägt sein. Die erfolgreiche Bank wird nicht unbedingt die meisten Agents einsetzen. Sie wird Agent-Ergebnisse schneller als Wettbewerber in verlässlichen Kundenservice umwandeln.

Das erfordert Technologie, aber auch Dokumentation und organisatorisches Gedächtnis. Teams müssen festhalten, welche Prompts, Datenquellen, Annahmen und Freigabemuster akzeptable Ergebnisse erzeugen.

Eine Bank, die aus jedem Agent-Fehler lernt, kann ihr Betriebssystem verbessern. Eine Bank, die Fehler als isolierte Nutzerfehler behandelt, wird sie teamübergreifend wiederholen.

Die Rekrutierung wird sich entsprechend verändern. Banken werden weiterhin Buchhaltungs-, Bewertungs-, Schreib- und Kommunikationskompetenzen schätzen. Sie werden zunehmend prüfen, ob Kandidaten Aufgaben präzise formulieren, Belege bewerten und automatisierte Schlussfolgerungen hinterfragen können.

Diese Kombination ist wichtig, weil Prompt-Kompetenz allein leicht nachzuahmen ist. Ein Kandidat kann überzeugend aufbereitetes Material erstellen, ohne zu verstehen, warum das Ergebnis korrekt ist.

Erfahrene Prüfung bleibt eine knappe Ressource. Wenn jeder Analyst mehr Material erzeugt, können Senior-Banker zum neuen Engpass werden. Banken benötigen möglicherweise spezialisierte Prüfer oder automatisierte Kontrollen, die geringfügige Verifikationsarbeit reduzieren.

Der Wettbewerb könnte auch die Erwartungen der Mitarbeitenden verändern. Absolventen könnten früher Zugang zu höherwertiger Arbeit erhalten, weil Agents die Vorbereitung übernehmen. Sie könnten aber auch unter Druck geraten, Ergebnisse auf Associate-Niveau ohne vergleichbare Erfahrung zu liefern.

Das zweite Ergebnis wird wahrscheinlicher, wenn Produktivitätsziele schneller steigen als die Ausbildung. Eine Bank kann Software innerhalb von Monaten einsetzen, während professionelles Urteilsvermögen Jahre zur Entwicklung braucht.

Diese zeitliche Diskrepanz verschafft etablierten Instituten sowohl einen Vorteil als auch eine Schwachstelle. Sie verfügen über umfangreiches internes Wissen, doch ein großer Teil davon steckt weiterhin in erfahrenen Mitarbeitenden und informellen Prüfgewohnheiten.

Diese Gewohnheiten in explizite Kontrollen zu überführen, wird schwierig sein. Der Prozess verlangt von Senior-Bankern, Entscheidungen zu erklären, die sie zuvor intuitiv getroffen haben.

Junior-Banker, die KI steuern, können von dieser Transparenz profitieren. Klare Prüfregeln bieten ihnen eine stärkere Lernstruktur als unerklärte Überarbeitungen durch einen vielbeschäftigten Manager.

Dieselbe Transparenz könnte Leistung messbarer machen. Banken können erkennen, welche Mitarbeitenden Fehler entdecken, Anweisungen verbessern und Eskalationen angemessen einsetzen.

Ständige Messung kann jedoch ungesunde Anreize schaffen. Analysten könnten den sichtbaren Durchsatz optimieren und zugleich komplexe Aufgaben vermeiden, die mehr Ausnahmen erzeugen. Manager müssen sorgfältige Ablehnung ebenso belohnen wie erfolgreiche Fertigstellung.

Der Wettbewerb dreht sich daher ebenso sehr um Organisationsgestaltung wie um Modellzugang. Goldman, Citi, UBS und JPMorgan können ähnliche zugrunde liegende Technologie kaufen. Ihr Vorteil wird daraus entstehen, wie sie Urteilsvermögen und Verantwortung verteilen.

Worauf zu achten ist, wenn KI die Karriereleiter im Bankwesen neu gestaltet

Die nächsten Belege werden Implementierungsdaten, neu gestaltete Ausbildung und messbare Veränderungen in der Struktur von Bankteams sein.

Erstens sollte man auf konkrete Angaben von Goldman dazu achten, wo Agents in den Workflow eingebunden werden. Die aussagekräftigsten Belege würden Aufgaben, Prüfanforderungen, Mitarbeiterabdeckung und gemessene Fehlerraten benennen.

Sneaders Aussagen beschreiben eine Richtung, keinen vollständigen Implementierungsbericht. Ein breiter Rollout im Investment Banking würde die These stärken, dass Agent-Management zu einer Einstiegsfunktion geworden ist.

Ein begrenztes Programm würde eine engere Interpretation stützen. Es würde zeigen, dass Goldman neue Verantwortlichkeiten erprobt, ohne das etablierte Analystenmodell zu ersetzen.

Zweitens sollte beobachtet werden, wie Banken die Ausbildung von Hochschulabsolventen neu gestalten. UBS hat KI-Kompetenz bereits mit der Personalgewinnung verknüpft, doch technische Versiertheit schließt die Lücke in der beruflichen Ausbildung nicht.

Starke Programme werden den Einsatz von Agents mit manuellen Übungen, Fehleranalysen, Quellenprüfung und betreuten Kundenszenarien verbinden. Sie werden messen, ob neue Mitarbeitende mit der Zeit ein besseres Urteilsvermögen entwickeln.

Schwache Programme werden eine schnellere Produktion betonen, ohne das Verständnis zu überprüfen. Wenn Junior-Banker die Annahmen hinter den Ergebnissen von Agents nicht erklären können, bleibt die Bezeichnung als Führungskraft weitgehend kosmetisch.

Drittens sollte die Zusammensetzung der Beschäftigung in Banken beobachtet werden, statt sich auf einzelne Entlassungsankündigungen zu konzentrieren. Die Einstellung von Analysten, Beförderungen von Associates, das Wachstum von Kontrollfunktionen und interne Versetzungen werden zeigen, wohin sich die Arbeit verlagert.

Ein Rückgang bei der Einstellung von Nachwuchskräften würde die Behauptung schwächen, dass KI Chancen auf Einstiegsniveau erhält. Stabile Rekrutierung bei weniger Positionen im mittleren Management würde Sneaders spezifischere Sorge stützen.

Ein Wachstum bei Rollen für Modell-Governance und spezialisierte Prüfung würde darauf hindeuten, dass Automatisierung Arbeit umverteilt. Es würde nicht belegen, dass die Gesamtbeschäftigung unverändert bleibt.

Leser sollten zudem zwischen Aufgabenautomatisierung und Karriereautomatisierung unterscheiden. Agents können Teile der Arbeitslast eines Bankers erledigen, ohne Kundenvertrauen, institutionelle Verantwortung oder kommerzielles Urteilsvermögen nachzubilden.

Diese Unterscheidung wird nicht unverändert bleiben. Mit besseren Modellen werden Banken zunehmend stärker verknüpfte Aufgaben delegieren. Kontrollen und Ausbildung müssen im gleichen Tempo voranschreiten.

Für Wissensarbeiter außerhalb des Finanzsektors wirft Goldmans Experiment eine direkte Frage auf: Was geschieht, wenn die erste Beförderung vor der ersten beruflichen Ausbildung erfolgt?

Die Antwort wird davon abhängen, ob Organisationen die Aufsicht über KI als echte Führungsarbeit behandeln. Echte Führung erfordert Befugnisse, Fachwissen, Dokumentation und Verantwortlichkeit, wenn delegierte Arbeit scheitert.

Goldman Sachs AI agents können Junior-Bankern eine bemerkenswerte Hebelwirkung verschaffen. Sie können jedoch nicht die Erfahrung liefern, die nötig ist, um jedes Ergebnis zu beurteilen – zumindest noch nicht.

Die praktische Antwort besteht darin, dieses Urteilsvermögen gezielt aufzubauen. Beschäftigte sollten üben, Quellen nachzuverfolgen, Annahmen zu testen, Unsicherheit zu dokumentieren und Ergebnisse abzulehnen, die fertig wirken, aber weiterhin unbelegt sind.

Arbeitgeber sollten KI-Programme an korrigierten Ergebnissen und dem Lernen der Mitarbeitenden messen, nicht an der Zahl eingesetzter Agents. Das entscheidende Signal wird sein, ob schnellere Arbeit zugleich sicherere Arbeit wird.

Wenn Banken diesen Maßstab bewahren, können Einstiegsrollen analytischer und weniger mechanisch werden. Wenn nicht, könnte eine virtuelle Belegschaft Fehler schneller reproduzieren, als ihre neuen Führungskräfte sie erkennen können.