Los agentes de IA de Goldman Sachs ponen a los banqueros junior al mando desde el primer día
Los agentes de IA de Goldman Sachs están transformando el empleo bancario de nivel inicial antes de que los bancos hayan resuelto qué debería sustituir al aprendizaje tradicional. Las nuevas incorporaciones podrían supervisar a trabajadores automatizados desde su primer día, según el ejecutivo de Goldman Kevin Sneader. El cambio parece un ascenso anticipado, pero también elimina tareas que antes enseñaban a los analistas cómo encaja el trabajo bancario en su conjunto.
"Cuando nuestros jóvenes empiezan ahora a trabajar, gestionan agentes", afirmó Sneader en declaraciones recogidas por Bloomberg. Describió esos agentes como una fuerza laboral virtual que los empleados jóvenes deben dirigir eficazmente. Sneader dirige Goldman Sachs en Asia Pacífico, excluido Japón, y forma parte del comité de gestión del banco.
Este enfoque invierte la narrativa habitual sobre la automatización. La cuestión inmediata no es simplemente si la IA elimina empleos junior. Es si los bancos pueden convertir a profesionales sin experiencia en supervisores fiables sin el trabajo repetitivo que antes desarrollaba su criterio.
Otros bancos ya avanzan en la misma dirección. Citi está construyendo infraestructura para que los empleados creen y supervisen agentes, mientras UBS evalúa a los nuevos empleados por su dominio práctico de la IA. Por tanto, la competencia está pasando del acceso básico a la IA a una delegación fiable dentro de instituciones estrechamente controladas.
La promesa es un analista más productivo que comienza con mayor responsabilidad. El problema aún sin resolver es si la responsabilidad puede llegar antes que la experiencia sin aumentar los errores, una supervisión deficiente o riesgos operativos ocultos.
Qué cambian los agentes de IA de Goldman Sachs para las nuevas incorporaciones
El banquero de nivel inicial está siendo redefinido: pasa de producir trabajo rutinario a gestionar trabajo producido por máquinas.
Durante décadas, los banqueros de inversión junior aprendieron mediante la repetición. Recopilaban datos de empresas, comprobaban estados financieros, construían modelos de valoración, actualizaban presentaciones y conciliaban cifras inconsistentes. Esas tareas eran tediosas, pero también exponían a los analistas a la mecánica detrás de una transacción.
La IA agéntica cambia ese flujo de trabajo. Un agente de IA es software capaz de perseguir un objetivo definido mediante varios pasos, herramientas y fuentes de datos. A diferencia de un chatbot estándar, puede pasar de una tarea a otra y generar entregables conectados con menos indicaciones humanas.
Un banquero junior podría pedir a un agente que recopile información sobre empresas comparables, redacte un análisis de valoración y prepare materiales para una presentación. El trabajador humano revisaría después las evidencias, corregiría inconsistencias y decidiría si el resultado es adecuado para los banqueros sénior.
La declaración de Sneader lleva este modelo más allá de la experimentación. Presenta la supervisión de agentes como una responsabilidad inicial, en lugar de una función especializada que se adquiere más adelante. Los nuevos empleados entrarían en la banca como operadores de una fuerza laboral mixta, humana y digital.
Eso no significa que Goldman haya anunciado la eliminación de todas las tareas tradicionales de los analistas. Las declaraciones públicas no ofrecen cifras de despliegue, un calendario ni un rediseño detallado de los puestos. Reflejan la visión de un alto ejecutivo sobre cómo está cambiando el trabajo.
La distinción importa. Una previsión de la dirección no equivale a un modelo operativo ya completado. Goldman todavía debe determinar qué asignaciones pueden gestionar los agentes, quién aprueba su trabajo y cómo se distribuye la responsabilidad en cada equipo.
El cargo de Sneader da peso a sus declaraciones. Su perfil de liderazgo lo identifica como presidente de Asia Pacífico excluido Japón y miembro de varios comités sénior. Anteriormente fue socio director global de McKinsey.
Su trayectoria directiva también aclara el foco organizativo. La declaración trata menos de un único producto de IA que de cambiar la forma en que la responsabilidad entra en la jerarquía bancaria.
En el modelo anterior, los analistas producían el trabajo, los asociados lo revisaban y los banqueros sénior tomaban decisiones de cara al cliente. Los agentes complican esa estructura porque pueden realizar partes de la fase de producción casi al instante.
El analista pasa entonces a ser revisor mucho antes. El asociado debe decidir si revisa al analista, al agente o a ambos. Los banqueros sénior siguen siendo responsables ante los clientes incluso cuando varios sistemas automatizados contribuyen al material final.
Por tanto, los banqueros junior que gestionen IA necesitarán más que habilidades para redactar prompts. Tendrán que definir tareas, seleccionar fuentes fiables, detectar contradicciones, documentar cambios y escalar la incertidumbre. Cada una de esas acciones depende de un criterio que los principiantes todavía están desarrollando.
El cambio más importante no es la creación más rápida de documentos. Es la transferencia de responsabilidad de supervisión al escalón más bajo de la jerarquía profesional.
El aprendizaje bancario está perdiendo su capa de formación
La automatización elimina tareas ingratas, pero esas mismas tareas a menudo aportaban la evidencia necesaria para desarrollar el criterio profesional.
Los programas de aprendizaje bancario siempre han implicado un pacto incómodo. Los empleados junior realizan tareas repetitivas durante largas jornadas mientras aprenden gradualmente cómo se conectan las empresas, los estados financieros, los mercados y las operaciones.
Eliminar la repetición innecesaria puede mejorar el trabajo. Pocos analistas necesitan cientos de correcciones manuales de formato para comprender las finanzas corporativas. Una investigación y elaboración de documentos más rápidas pueden dejar más tiempo para la interpretación, la preparación de clientes y la toma de decisiones.
Sin embargo, no toda tarea repetitiva carece de valor educativo. Reconstruir un modelo puede revelar por qué interactúan los supuestos. Comprobar cifras entre distintas presentaciones regulatorias puede enseñar qué revelaciones merecen escepticismo. Revisar una presentación puede mostrar qué hechos importan a un cliente concreto.
Un agente puede condensar esas actividades en un archivo terminado. Ese resultado ahorra tiempo, pero también puede ocultar la cadena de decisiones detrás de él. Un revisor novato puede ver un trabajo pulido sin reconocer un supuesto débil que subyace en él.
Esto genera la inversión central en la historia de los agentes de IA de Goldman Sachs. La tecnología da a los banqueros junior la apariencia de capacidad directiva antes de que posean la experiencia tradicionalmente asociada con la gestión.
Normalmente, un directivo evalúa el trabajo comparándolo con conocimientos acumulados. Un analista nuevo que supervisa a un agente no puede recurrir a años de asignaciones similares. Necesita otra fuente de retroalimentación, como una revisión estructurada, simulaciones o reglas explícitas de validación.
Este problema ya es medible. El estudio BankerToolBench evaluó agentes de frontera en flujos de trabajo integrales de banca de inversión desarrollados con 502 banqueros. Las tareas incluían modelos, presentaciones, informes, salas de datos, plataformas de mercado y presentaciones regulatorias.
Los investigadores evaluaron nueve modelos de frontera frente a más de 100 criterios. Incluso el modelo con mejor rendimiento no cumplió casi la mitad de esos criterios. Los banqueros no calificaron ninguno de sus resultados completos como listo para clientes.
Estos resultados no determinan cómo funcionan los sistemas internos de Goldman. El benchmark implicaba una configuración de investigación concreta, y las herramientas específicas de los bancos pueden utilizar datos privados, controles e instrucciones especializadas. Sí demuestra por qué la supervisión no puede convertirse en un paso ceremonial.
Un modelo plausible con una cifra incorrecta puede ser más peligroso que un archivo claramente defectuoso. La presentación pulida fomenta la confianza, mientras el error puede propagarse por varios documentos vinculados.
Aquí es donde los banqueros junior que gestionan IA afrontan una tarea difícil. Deben cuestionar un resultado que parece más completo que el trabajo que podrían producir por sí solos. La confianza y la competencia pueden resultar difíciles de distinguir.
Los bancos pueden responder haciendo visible el proceso oculto. Los agentes pueden registrar sus fuentes, cálculos, acciones de herramientas y revisiones. Los revisores pueden comparar los resultados con datos aprobados y exigir confirmación humana para los supuestos sensibles.
La formación también debe cambiar. Las nuevas incorporaciones necesitan ejercicios controlados que expongan fallos, no solo demostraciones que destaquen la velocidad. Deben aprender cómo los agentes pierden contexto, mezclan períodos temporales, interpretan mal las tablas y crean archivos inconsistentes.
El mejor sustituto del trabajo repetitivo no es un seminario de orientación más breve. Es un aprendizaje rediseñado que preserva la práctica deliberada mientras elimina la producción de bajo valor.
Una base de conocimiento con capacidad de búsqueda puede respaldar ese modelo al mantener disponibles para su revisión los materiales de origen y las decisiones previas. Sin embargo, la recuperación de información por sí sola no puede decidir si un juicio financiero es sólido.
La cuestión del aprendizaje se extiende más allá de la banca de inversión. La contabilidad, la consultoría, el derecho y la investigación también utilizan el trabajo de producción junior para formar a futuros revisores. Automatizar esa capa obliga a los empleadores a construir un camino más claro del principiante al experto.
La banca simplemente ofrece una prueba temprana porque sus resultados tienen consecuencias financieras, regulatorias y reputacionales. Un diseño de formación deficiente puede permanecer invisible hasta que un error llegue a un cliente.
Los banqueros junior que gestionan IA presionan a la gerencia intermedia
El puesto sometido a mayor presión puede ser la capa que tradicionalmente coordina el trabajo junior, y no solo el trabajador junior.
Sneader reconoció la incertidumbre sobre lo que les ocurrirá a los mandos intermedios cuando las nuevas incorporaciones supervisen agentes de inmediato. Esta cuestión se deriva directamente de la economía del trabajo digital.
Los equipos bancarios tradicionales se asemejan a pirámides. Una clase relativamente amplia de analistas respalda a menos asociados y vicepresidentes, que a su vez apoyan a un grupo aún menor de responsables sénior de operaciones. Cada capa revisa, coordina y perfecciona el trabajo de la capa inferior.
Los agentes de IA pueden estrechar la base de producción. Un grupo más pequeño de analistas puede generar más investigación, modelos y materiales de presentación. Eso reduce la carga de coordinación que justificaba algunas funciones directivas.
Al mismo tiempo, el trabajo automatizado crea nuevas exigencias de revisión. Alguien debe aprobar el acceso de los agentes, evaluar resultados inusuales, resolver conflictos y documentar la rendición de cuentas. Estas responsabilidades podrían preservar a los directivos, pero sus puestos se volverían más técnicos y centrados en el riesgo.
El resultado probable no es la eliminación limpia de una capa. Es una redistribución de las tareas de gestión entre empleados junior, especialistas experimentados, equipos tecnológicos y funciones de control.
Los empleados junior podrían encargarse de la dirección rutinaria de los agentes. Los banqueros experimentados podrían revisar los supuestos y las implicaciones para el cliente. Los equipos de riesgo de modelos, ciberseguridad, asuntos jurídicos y cumplimiento podrían establecer límites que ningún equipo de operaciones pueda anular.
Esta distribución plantea una difícil cuestión de responsabilidad. Si un analista acepta un resultado defectuoso de un agente, ¿la responsabilidad recae en el analista, en el asociado supervisor, en el propietario del modelo o en el ejecutivo de negocio?
Los bancos no pueden responder a esa cuestión simplemente llamando gestor de agentes al analista. La autoridad debe corresponderse con la responsabilidad. Una nueva incorporación que no puede inspeccionar un modelo, modificar sus controles o rechazar un plazo no posee plena autoridad directiva.
Por tanto, el impacto de la IA en el empleo bancario depende del diseño del flujo de trabajo, y no solo de la capacidad del modelo. Un agente que completa una tarea no elimina automáticamente el puesto que rodea esa tarea.
Análisis bancarios recientes respaldan esa distinción. Una revisión del empleo en el sector concluyó que, a corto plazo, es más probable que la automatización sustituya actividades concretas que empleos completos.
La revisión citó la verificación de documentos, los controles rutinarios de cumplimiento y el procesamiento de información como tareas expuestas. También identificó una creciente necesidad de gobernanza, validación, supervisión y colaboración entre humanos y máquinas en materia de IA.
El mismo análisis informó de una estimación más severa a largo plazo de Morgan Stanley. Los bancos europeos podrían reducir el empleo un 10 por ciento en cinco años, aunque la rotación natural y las jubilaciones podrían explicar gran parte de ese descenso.
Estas perspectivas no son contradictorias. Los bancos pueden crear nuevos puestos relacionados con la IA al tiempo que reducen el empleo total en determinadas funciones. También pueden contratar a más trabajadores de front office si unas mejores herramientas les ayudan a captar negocio adicional.
El CEO de Goldman, David Solomon, ha sostenido que las previsiones de un colapso laboral impulsado por la IA están sobredimensionadas. Esa postura coincide con el foco de Sneader en rediseñar el trabajo en lugar de excluir de inmediato a los graduados.
Aun así, mantener la contratación de perfiles de entrada no garantiza la misma estructura profesional. Los bancos podrían contratar a menos analistas, exigir más a cada incorporación y promocionar a una proporción menor hacia la gestión tradicional.
La presión por la productividad es fundamental en esta transición. Una vez que un banco demuestre que un analista puede gestionar varios agentes, sus competidores se verán presionados para igualar ese rendimiento. Los altos directivos podrían entonces considerar esa mayor capacidad como una referencia permanente.
Eso puede mejorar el servicio y ampliar el negocio. También puede intensificar las cargas de trabajo cuando el tiempo ahorrado mediante automatización se convierte en una expectativa de tareas adicionales.
La expresión “ejército virtual” refleja ambas posibilidades. Un ejército aporta capacidad de acción, pero también requiere estructuras de mando, normas, verificación y responsabilidades claras cuando las acciones salen mal.
Por tanto, el desafío para la gerencia intermedia no es si los directivos desaparecen de la noche a la mañana. Es si la coordinación sigue teniendo valor después de que la producción se vuelva más rápida y automatizada.
Los directivos que se limitan principalmente a transferir información entre niveles afrontan una presión mayor. Quienes enseñan criterio, resuelven ambigüedades y asumen el riesgo mantienen una función más clara.
Los agentes de IA bancarios aún no superan la prueba de preparación para clientes
La evidencia más sólida contra la autonomía inmediata es la distancia entre completar un flujo de trabajo y producir un trabajo que un banco pueda entregar con seguridad.
Las demostraciones de agentes suelen poner el foco en completar tareas. El sistema abre archivos, recopila datos, redacta un informe y prepara una presentación. Esa secuencia se parece notablemente al trabajo diario de un banquero junior.
La preparación profesional exige un estándar más alto. Cada cifra debe corresponder al periodo y a la entidad correctos. Los cálculos deben mantenerse coherentes entre archivos. Las fuentes deben respaldar las afirmaciones, y la información confidencial debe permanecer dentro de sistemas autorizados.
BankerToolBench ilustra esa diferencia. Su mejor modelo completó partes sustanciales de trabajos bancarios complejos, pero aun así no cumplió muchos criterios de evaluación. Los banqueros participantes no consideraron que los paquetes resultantes estuvieran listos para clientes.
La coherencia entre archivos fue un obstáculo notable. Una valoración puede ser correcta en una hoja de cálculo, pero aparecer incorrectamente en una diapositiva. Un resumen escrito puede utilizar una hipótesis que ya no coincide con el modelo subyacente.
Los analistas humanos cometen errores similares. La diferencia reside en la escala y la opacidad. Un agente puede reproducir una hipótesis incorrecta en numerosos entregables antes de que un revisor detecte el problema original.
La supervisión por parte de perfiles junior no elimina ese riesgo. Puede amplificarlo cuando el revisor no cuenta con conocimientos suficientes para reconocer un error de apariencia creíble.
Los bancos también operan bajo restricciones más estrictas que la mayoría de las empresas de software. Gestionan información confidencial de clientes, información relevante no pública, datos personales y decisiones sujetas a revisión regulatoria.
Un agente necesita acceso controlado para realizar trabajo relevante. Conceder ese acceso amplía el daño potencial derivado de una instrucción errónea, una integración comprometida o una transferencia inadecuada de datos.
El enfoque de Citi muestra cómo los bancos intentan abordar esta tensión. Su plataforma interna de agentes centraliza el acceso a modelos, la creación de agentes, la supervisión y la intervención de emergencia.
Citi afirmó que 180.000 empleados ya utilizaban herramientas empresariales de IA cuando presentó la plataforma. El sistema fue diseñado para permitir a los empleados supervisar el comportamiento de los agentes y detener tareas cuando fuera necesario.
Es una respuesta de infraestructura al mismo problema de gestión que describió Sneader. Los empleados no pueden gestionar agentes de forma fiable si el banco no tiene visibilidad sobre lo que hacen esos agentes.
Los controles técnicos son solo parte de la respuesta. Los equipos también necesitan normas operativas que identifiquen las tareas permitidas, los revisores obligatorios, las fuentes fiables y las decisiones reservadas a los humanos.
Un agente de investigación podría recopilar documentos públicos y resumir información de mercado. No debería decidir de forma independiente qué divulgación omitir de los materiales para clientes. Esa decisión implica contexto y responsabilidad profesional.
Un agente de modelización podría proponer hipótesis y ejecutar escenarios. Un banquero humano debería seguir confirmando si esas hipótesis se ajustan a la transacción, los objetivos del cliente y las condiciones actuales del mercado.
Los despliegues más sólidos diferenciarán entre asistencia, recomendación y ejecución. Cada nivel exige un umbral de aprobación y un registro de auditoría distintos.
La asistencia recupera o reformatea información. La recomendación propone un juicio que una persona puede aceptar o rechazar. La ejecución modifica un sistema, se comunica externamente o compromete a la institución a una acción.
Llamar a las tres actividades “gestión de agentes” oculta diferencias relevantes. Una nueva incorporación puede dirigir de forma segura algunas tareas de asistencia tras una formación básica. Las recomendaciones y acciones de mayor riesgo requieren una aprobación experimentada.
La brecha de verificación también afecta a la velocidad. Un agente puede producir un borrador en minutos, pero un revisor puede dedicar mucho más tiempo a rastrear fuentes y conciliar inconsistencias. El tiempo bruto de generación no equivale a productividad neta.
Por tanto, los bancos deberían medir el resultado corregido, no el resultado bruto. Las métricas útiles incluyen el tiempo de revisión, la gravedad de los errores, el número de revisiones, la tasa de escalamiento y el porcentaje de trabajo aprobado sin cambios sustanciales.
También deberían seguir si los empleados junior mejoran. Si la precisión de revisión se mantiene plana mientras aumenta el uso de agentes, el nuevo aprendizaje profesional no está desarrollando experiencia.
La postura escéptica no es que los agentes de IA para banca sean inútiles. Es que la evidencia actual no respalda tratarlos como sustitutos autónomos de analistas capacitados.
Su valor inmediato reside en acelerar tareas acotadas, preservando al mismo tiempo la revisión humana. El trabajo más difícil consiste en diseñar un sistema que haga que la revisión sea significativa y no meramente formal.
Los rivales de Goldman convierten las competencias de IA en un requisito de contratación
Los bancos están pasando de la experimentación opcional con IA a un mercado laboral en el que el uso responsable de agentes se convierte en una cualificación básica.
Los comentarios de Goldman forman parte de un cambio competitivo más amplio. Los bancos quieren empleados que puedan utilizar varios modelos, conectarlos con datos institucionales y evaluar sus resultados sin comprometer la seguridad.
UBS ya ha trasladado esa expectativa a la contratación. Los candidatos para su convocatoria de graduados y prácticas de 2027 deben demostrar competencia práctica en IA, según los informes sobre su requisito de contratación.
El requisito se centra en la experimentación responsable y los resultados empresariales, no solo en la familiaridad con chatbots de consumo. UBS también planea una ruta de formación en IA basada en casos de uso bancario reales.
Citi aborda la misma transición mediante infraestructura. Su plataforma Arc ofrece a los desarrolladores un entorno controlado para combinar modelos y agentes. Se espera que el acceso para una base más amplia de empleados llegue con el tiempo.
JPMorgan ha descrito espacios de trabajo nativos de IA en los que los agentes interpretan la intención de los empleados y coordinan acciones entre sistemas. Esa visión sustituye el cambio entre aplicaciones por una orquestación conversacional.
Estos enfoques presionan a Goldman en dos direcciones. Debe proporcionar a los empleados herramientas competitivas y demostrar que esas herramientas siguen siendo seguras dentro de flujos de trabajo regulados.
Por tanto, el impacto de la IA en la banca estará determinado por una carrera de aprendizaje institucional. El banco ganador no será necesariamente el que despliegue más agentes. Será el que convierta más rápidamente que sus rivales los resultados de los agentes en un servicio fiable para los clientes.
Eso requiere tecnología, pero también documentación y memoria organizativa. Los equipos necesitan conservar qué prompts, fuentes de datos, hipótesis y patrones de aprobación producen resultados aceptables.
Un banco que aprende de cada fallo de un agente puede mejorar su sistema operativo. Un banco que trate los fallos como errores aislados de usuarios los repetirá entre equipos.
La contratación cambiará en consecuencia. Los bancos seguirán valorando las competencias de contabilidad, valoración, redacción y comunicación. Cada vez evaluarán más si los candidatos pueden plantear tareas, evaluar pruebas y cuestionar conclusiones automatizadas.
Esa combinación importa porque la fluidez con prompts por sí sola es fácil de imitar. Un candidato puede producir material pulido sin comprender por qué el resultado es correcto.
La revisión experimentada sigue siendo un recurso escaso. Si cada analista genera más material, los banqueros senior pueden convertirse en el nuevo cuello de botella. Los bancos podrían necesitar revisores especializados o controles automatizados que reduzcan el trabajo de verificación de bajo nivel.
La competencia también puede remodelar las expectativas de los empleados. Los graduados podrían acceder antes a trabajo de mayor valor porque los agentes se encargan de la preparación. También podrían verse presionados para entregar resultados de nivel asociado sin experiencia comparable.
El segundo resultado se vuelve más probable cuando los objetivos de productividad avanzan más rápido que la formación. Un banco puede desplegar software en meses, mientras que el juicio profesional tarda años en desarrollarse.
Ese desfase temporal otorga a las instituciones consolidadas una ventaja y una vulnerabilidad. Poseen amplios conocimientos internos, pero gran parte de ellos sigue integrada en empleados experimentados y hábitos informales de revisión.
Convertir esos hábitos en controles explícitos será difícil. El proceso exige que los banqueros senior expliquen decisiones que antes tomaban de forma intuitiva.
Los banqueros junior que gestionan IA pueden beneficiarse de esa transparencia. Unas normas de revisión claras les ofrecen una estructura de aprendizaje más sólida que correcciones sin explicación de un directivo ocupado.
La misma transparencia podría hacer que el rendimiento fuera más medible. Los bancos pueden ver qué empleados detectan errores, mejoran las instrucciones y utilizan adecuadamente el escalamiento.
Sin embargo, una medición constante puede crear incentivos poco saludables. Los analistas pueden optimizar el rendimiento visible mientras evitan asignaciones complejas que generan más excepciones. Los directivos deben recompensar tanto el rechazo cuidadoso como la finalización satisfactoria.
Por tanto, la competencia trata tanto de diseño organizativo como de acceso a modelos. Goldman, Citi, UBS y JPMorgan pueden comprar tecnología subyacente similar. Su ventaja procederá de cómo distribuyan el criterio y la responsabilidad.
Qué observar mientras la IA reescribe la escalera profesional bancaria
Las próximas pruebas estarán en la evidencia de despliegue, la formación rediseñada y los cambios medibles en la estructura de los equipos bancarios.
En primer lugar, observe las divulgaciones concretas de Goldman sobre dónde se incorporan los agentes al flujo de trabajo. La evidencia más útil identificaría tareas, requisitos de revisión, cobertura de empleados y tasas de error medidas.
Las declaraciones de Sneader describen una dirección, no un informe completo de despliegue. Una implementación amplia en banca de inversión reforzaría el argumento de que la gestión de agentes se ha convertido en una función de nivel inicial.
Un programa limitado respaldaría una interpretación más acotada. Mostraría que Goldman está probando nuevas responsabilidades sin sustituir el modelo establecido de analistas.
En segundo lugar, hay que observar cómo los bancos rediseñan la formación de graduados. UBS ya ha vinculado las capacidades de IA con la contratación, pero la fluidez técnica no resuelve la brecha de aprendizaje práctico.
Los programas sólidos combinarán el uso de agentes con ejercicios manuales, análisis de fallos, verificación de fuentes y situaciones supervisadas con clientes. Medirán si las nuevas contrataciones desarrollan un mejor criterio con el tiempo.
Los programas débiles priorizarán una producción más rápida sin comprobar la comprensión. Si los banqueros junior no pueden explicar los supuestos detrás de los resultados de los agentes, la etiqueta de gestión será en gran medida cosmética.
En tercer lugar, hay que observar la composición del empleo bancario, en lugar de anuncios aislados de despidos. La contratación de analistas, los ascensos de asociados, el crecimiento de las funciones de control y la reasignación interna revelarán hacia dónde se desplaza el trabajo.
Una caída en la contratación de perfiles junior debilitaría la afirmación de que la IA preserva las oportunidades de entrada. Una contratación estable con menos puestos de mandos intermedios respaldaría la preocupación más específica de Sneader.
El crecimiento de los puestos de gobernanza de modelos y revisión especializada indicaría que la automatización está redistribuyendo el trabajo. No demostraría que el empleo total permanece sin cambios.
Los lectores también deberían distinguir entre la automatización de tareas y la automatización de carreras profesionales. Los agentes pueden completar partes de la carga de trabajo de un banquero sin reproducir la confianza del cliente, la responsabilidad institucional ni el criterio comercial.
Esa distinción no permanecerá fija. A medida que mejoren los modelos, los bancos delegarán tareas más interconectadas. Los controles y la formación deben avanzar al mismo ritmo.
Para los trabajadores del conocimiento fuera de las finanzas, el experimento de Goldman plantea una pregunta directa. ¿Qué ocurre cuando el primer ascenso llega antes que el primer aprendizaje práctico?
La respuesta dependerá de si las organizaciones tratan la supervisión de IA como una gestión auténtica. La gestión real exige autoridad, experiencia, documentación y rendición de cuentas cuando falla el trabajo delegado.
Los agentes de IA de Goldman Sachs pueden proporcionar a los banqueros junior una capacidad de acción extraordinaria. No pueden aportar la experiencia necesaria para evaluar cada resultado, al menos por ahora.
La respuesta práctica consiste en desarrollar ese criterio de forma deliberada. Los trabajadores deberían practicar el rastreo de fuentes, la comprobación de supuestos, la documentación de la incertidumbre y el rechazo de resultados que parecen terminados pero siguen sin respaldo.
Los empleadores deberían evaluar los programas de IA por los resultados corregidos y el aprendizaje de los empleados, no por el número de agentes desplegados. La señal crucial será si un trabajo más rápido también se vuelve más seguro.
Si los bancos mantienen ese estándar, los puestos de entrada pueden volverse más analíticos y menos mecánicos. Si no lo hacen, una fuerza laboral virtual podría reproducir errores más rápido de lo que sus nuevos gestores pueden detectarlos.
