Les agents IA de Goldman Sachs placent les jeunes banquiers aux commandes dès le premier jour

Les agents IA de Goldman Sachs transforment les emplois bancaires de début de carrière alors même que les banques n’ont pas encore défini ce qui doit remplacer le modèle traditionnel d’apprentissage. Selon Kevin Sneader, dirigeant de Goldman, les nouvelles recrues pourraient superviser des travailleurs automatisés dès leur premier jour. Ce changement ressemble à une promotion anticipée, mais il élimine également des tâches qui apprenaient autrefois aux analystes comment les différentes activités bancaires s’articulent.

« Lorsque nos jeunes collaborateurs commencent aujourd’hui à travailler, ils gèrent des agents », a déclaré Sneader, selon des propos rapportés par Bloomberg. Il a décrit ces agents comme une main-d’œuvre virtuelle que les jeunes employés doivent diriger efficacement. Sneader dirige Goldman Sachs en Asie-Pacifique hors Japon et siège au comité de direction de la banque.

Cette vision inverse le récit habituel de l’automatisation. La question immédiate n’est pas simplement de savoir si l’IA élimine les postes juniors. Elle est de savoir si les banques peuvent transformer des recrues inexpérimentées en superviseurs fiables sans le travail répétitif qui développait auparavant leur jugement.

D’autres banques avancent déjà dans la même direction. Citi construit une infrastructure permettant aux employés de créer et de superviser des agents, tandis qu’UBS teste les recrues sur leur maîtrise pratique de l’IA. La concurrence se déplace donc de l’accès élémentaire à l’IA vers une délégation de confiance au sein d’institutions étroitement contrôlées.

La promesse est celle d’un analyste plus productif, qui commence avec davantage de responsabilités. Le problème non résolu est de savoir si ces responsabilités peuvent arriver avant l’expérience sans accroître les erreurs, la faiblesse de la supervision ou les risques opérationnels cachés.

Ce que les agents IA de Goldman Sachs changent pour les nouvelles recrues

Le banquier débutant est redéfini : il ne produit plus le travail routinier, il gère le travail produit par les machines.

Pendant des décennies, les jeunes banquiers d’investissement ont appris par la répétition. Ils recueillaient des données d’entreprise, vérifiaient des états financiers, construisaient des modèles de valorisation, actualisaient des présentations et rapprochaient des chiffres incohérents. Ces missions étaient fastidieuses, mais elles exposaient aussi les analystes aux mécanismes d’une transaction.

L’IA agentique transforme ce flux de travail. Un agent IA est un logiciel capable de poursuivre un objectif défini à travers plusieurs étapes, outils et sources de données. Contrairement à un chatbot classique, il peut passer d’une tâche à l’autre et produire des livrables liés avec moins d’interventions humaines.

Un jeune banquier pourrait demander à un agent de recueillir des informations sur des entreprises comparables, de rédiger une analyse de valorisation et de préparer des supports de présentation. Le collaborateur humain examinerait ensuite les éléments, corrigerait les incohérences et déciderait si le résultat convient aux banquiers seniors.

La déclaration de Sneader pousse ce modèle au-delà de l’expérimentation. Elle présente la supervision d’agents comme une responsabilité de départ plutôt que comme une mission spécialisée acquise plus tard. Les nouveaux employés entreraient dans le secteur bancaire comme opérateurs d’une main-d’œuvre mixte, humaine et numérique.

Cela ne signifie pas que Goldman a annoncé la suppression de toutes les tâches traditionnelles des analystes. Les déclarations publiques ne fournissent ni chiffres de déploiement, ni calendrier, ni refonte détaillée des postes. Elles offrent le point de vue d’un dirigeant senior sur l’évolution du travail.

Cette distinction est importante. Une prévision de la direction n’est pas la même chose qu’un modèle opérationnel achevé. Goldman doit encore déterminer quelles missions les agents peuvent accomplir, qui approuve leur travail et comment la responsabilité circule dans chaque équipe.

La fonction de Sneader donne du poids à ses déclarations. Son profil de dirigeant l’identifie comme président d’Asia Pacific Ex-Japan et membre de plusieurs comités dirigeants. Il a auparavant été associé directeur mondial de McKinsey.

Son parcours dans la direction éclaire également l’enjeu organisationnel. La déclaration porte moins sur un produit d’IA unique que sur la transformation de l’attribution des responsabilités dans la hiérarchie bancaire.

Dans l’ancien modèle, les analystes produisaient le travail, les associés le révisaient et les banquiers seniors prenaient les décisions face aux clients. Les agents compliquent cette hiérarchie, car ils peuvent accomplir certaines parties de l’étape de production presque instantanément.

L’analyste devient alors beaucoup plus tôt un réviseur. L’associé doit décider s’il doit réviser l’analyste, l’agent ou les deux. Les banquiers seniors restent responsables envers les clients, même lorsque plusieurs systèmes automatisés contribuent au livrable final.

Les jeunes banquiers qui gèrent l’IA auront donc besoin de plus que de compétences en rédaction de prompts. Ils devront définir les tâches, sélectionner des sources fiables, détecter les contradictions, documenter les changements et faire remonter les incertitudes. Chacune de ces actions repose sur un jugement que les débutants sont encore en train de développer.

Le changement le plus important n’est pas la création plus rapide de documents. C’est le transfert de la responsabilité de supervision vers l’échelon le plus bas de la hiérarchie professionnelle.

L’apprentissage bancaire perd sa couche de formation

L’automatisation élimine les tâches ingrates, mais ces mêmes tâches apportaient souvent les éléments nécessaires au développement du jugement professionnel.

Les apprentissages bancaires ont toujours reposé sur un compromis inconfortable. Les employés juniors effectuent des tâches répétitives pendant de longues heures, tout en apprenant progressivement comment les entreprises, les états financiers, les marchés et les opérations s’articulent.

Éliminer les répétitions inutiles peut améliorer le métier. Peu d’analystes ont besoin de centaines de corrections manuelles de mise en forme pour comprendre la finance d’entreprise. Une recherche et une préparation de documents plus rapides peuvent libérer davantage de temps pour l’interprétation, la préparation des clients et la prise de décision.

Pourtant, toutes les tâches répétitives ne sont pas vides sur le plan pédagogique. Reconstruire un modèle peut révéler comment les hypothèses interagissent. Vérifier les chiffres dans différents dépôts réglementaires peut apprendre quelles informations méritent du scepticisme. Réviser une présentation peut montrer quels faits comptent pour un client précis.

Un agent peut condenser ces activités dans un fichier finalisé. Ce résultat fait gagner du temps, mais il peut aussi masquer la chaîne de décisions qui le sous-tend. Un réviseur novice peut voir un travail abouti sans reconnaître l’hypothèse fragile qui se cache dessous.

C’est le renversement central de l’histoire des agents IA de Goldman Sachs. La technologie donne aux jeunes banquiers l’apparence d’un levier managérial avant qu’ils ne possèdent l’expérience traditionnellement associée au management.

Un manager évalue normalement le travail en le comparant à des connaissances accumulées. Un nouvel analyste supervisant un agent ne peut pas s’appuyer sur des années de missions similaires. Il a besoin d’une autre source de retour d’expérience, telle qu’une révision structurée, une simulation ou des règles de validation explicites.

Cette question est déjà mesurable. L’étude BankerToolBench a testé des agents de pointe sur des flux de travail bancaires d’investissement de bout en bout, élaborés avec 502 banquiers. Les tâches comprenaient des modèles, des présentations, des rapports, des data rooms, des plateformes de marché et des dépôts réglementaires.

Les chercheurs ont testé neuf modèles de pointe selon plus de 100 critères. Même le modèle le plus performant a échoué sur près de la moitié de ces critères. Les banquiers n’ont jugé aucun de ses résultats complets prêt à être présenté aux clients.

Ces résultats ne permettent pas d’établir les performances des systèmes internes de Goldman. Le benchmark reposait sur une configuration de recherche particulière, et les outils propres aux banques peuvent utiliser des données privées, des contrôles et des instructions spécialisées. Il montre toutefois pourquoi la supervision ne peut pas devenir une étape purement cérémonielle.

Un modèle plausible contenant un seul chiffre erroné peut être plus dangereux qu’un fichier manifestement défectueux. Une présentation soignée inspire confiance, tandis que l’erreur peut se propager dans plusieurs documents liés.

C’est là que les jeunes banquiers qui gèrent l’IA font face à une mission difficile. Ils doivent remettre en question un résultat qui paraît plus complet que le travail qu’ils pourraient produire seuls. Il peut devenir difficile de distinguer la confiance de la compétence.

Les banques peuvent répondre en rendant visible le processus caché. Les agents peuvent consigner leurs sources, leurs calculs, leurs actions dans les outils et leurs révisions. Les réviseurs peuvent comparer les résultats aux données approuvées et exiger une confirmation humaine pour les hypothèses sensibles.

La formation doit également évoluer. Les nouvelles recrues ont besoin d’exercices contrôlés qui révèlent les défaillances, et pas seulement de démonstrations qui mettent la vitesse en avant. Elles doivent apprendre comment les agents perdent le contexte, mélangent les périodes, interprètent mal les tableaux et créent des fichiers incohérents.

Le meilleur remplacement du travail répétitif n’est pas un séminaire d’intégration plus court. C’est un apprentissage repensé qui préserve une pratique délibérée tout en supprimant la production à faible valeur ajoutée.

Une base de connaissances consultable peut soutenir ce modèle en gardant les sources et les décisions antérieures disponibles pour révision. Toutefois, la recherche d’information seule ne peut pas déterminer si un jugement financier est solide.

La question de l’apprentissage dépasse la banque d’investissement. La comptabilité, le conseil, le droit et la recherche utilisent tous le travail de production junior pour former les futurs réviseurs. Automatiser cette couche oblige les employeurs à construire une voie plus claire entre le statut de novice et celui d’expert.

La banque offre simplement un premier test, car ses livrables ont des conséquences financières, réglementaires et réputationnelles. Une conception de formation défaillante peut rester invisible jusqu’à ce qu’une erreur atteigne un client.

Les jeunes banquiers qui gèrent l’IA mettent le management intermédiaire sous pression

Le rôle le plus sous pression pourrait être la couche qui coordonne traditionnellement le travail des juniors, plutôt que le jeune employé seul.

Sneader a reconnu l’incertitude concernant le devenir des managers intermédiaires lorsque les nouvelles recrues supervisent immédiatement des agents. Cette question découle directement de l’économie du travail numérique.

Les équipes bancaires traditionnelles ressemblent à des pyramides. Une classe relativement importante d’analystes soutient un nombre plus restreint d’associés et de vice-présidents, qui soutiennent un groupe encore plus réduit de responsables de transactions seniors. Chaque niveau révise, coordonne et affine le travail du niveau inférieur.

Les agents IA peuvent réduire la base de production. Un groupe plus restreint d’analystes peut générer davantage de recherches, de modèles et de supports de présentation. Cela réduit la charge de coordination qui justifiait certains rôles managériaux.

Dans le même temps, le travail automatisé crée de nouvelles exigences de révision. Quelqu’un doit approuver les accès des agents, évaluer les résultats inhabituels, résoudre les conflits et documenter les responsabilités. Ces responsabilités pourraient préserver les managers, mais leurs postes deviendraient plus techniques et davantage axés sur le risque.

L’issue probable n’est pas la suppression nette d’un niveau. Il s’agit d’une redistribution des tâches de management entre les employés juniors, les spécialistes expérimentés, les équipes technologiques et les fonctions de contrôle.

Les employés juniors peuvent gérer l’orientation routinière des agents. Les banquiers expérimentés peuvent examiner les hypothèses et les implications pour les clients. Les équipes de risque de modèle, de cybersécurité, de juridique et de conformité peuvent fixer des limites qu’aucune équipe de transaction ne peut outrepasser.

Cette répartition crée une difficile question de responsabilité. Si un analyste accepte le résultat défectueux d’un agent, la responsabilité incombe-t-elle à l’analyste, à l’associé qui le supervise, au propriétaire du modèle ou au dirigeant opérationnel ?

Les banques ne peuvent pas répondre à cette question en appelant l’analyste un manager d’agents. L’autorité doit correspondre à la responsabilité. Une nouvelle recrue qui ne peut pas inspecter un modèle, modifier ses contrôles ou refuser une échéance ne possède pas une pleine autorité managériale.

L’impact de l’IA sur l’emploi bancaire dépend donc de la conception des flux de travail, et non seulement des capacités des modèles. Un agent qui accomplit une tâche ne supprime pas automatiquement le rôle qui entoure cette tâche.

Des analyses récentes du secteur bancaire confirment cette distinction. Une étude sur l’emploi dans le secteur a conclu qu’à court terme, l’automatisation est plus susceptible de remplacer certaines activités que des emplois entiers.

L’étude citait la vérification de documents, les contrôles de conformité de routine et le traitement de l’information parmi les tâches exposées. Elle relevait également des besoins croissants en gouvernance de l’IA, validation, supervision et collaboration homme-machine.

La même analyse faisait état d’une estimation à plus long terme plus sévère de Morgan Stanley. Les banques européennes pourraient réduire leurs effectifs de 10 % sur cinq ans, même si l’attrition et les départs à la retraite pourraient expliquer une grande partie de cette baisse.

Ces points de vue ne sont pas contradictoires. Les banques peuvent créer de nouveaux postes liés à l’IA tout en réduisant l’emploi total dans certaines fonctions. Elles peuvent aussi recruter davantage de collaborateurs en front office si de meilleurs outils les aident à remporter des affaires supplémentaires.

Le PDG de Goldman, David Solomon, a soutenu que les prévisions d’un effondrement de l’emploi causé par l’IA sont exagérées. Cette position rejoint l’accent mis par Sneader sur la refonte du travail plutôt que sur l’exclusion immédiate des jeunes diplômés.

Pour autant, maintenir le recrutement de débutants ne garantit pas le maintien de la même structure de carrière. Les banques pourraient recruter moins d’analystes, attendre davantage de chaque nouvelle recrue et promouvoir une part plus faible d’entre eux vers le management traditionnel.

La pression sur la productivité est au cœur de cette transition. Dès lors qu’une banque démontre qu’un analyste peut gérer plusieurs agents, ses concurrents seront poussés à atteindre un niveau de production comparable. Les dirigeants pourraient alors considérer cette capacité accrue comme une nouvelle référence permanente.

Cela peut améliorer le service et développer l’activité. Cela peut aussi intensifier les charges de travail lorsque le temps économisé grâce à l’automatisation devient une attente de missions supplémentaires.

L’expression « armée virtuelle » résume ces deux possibilités. Une armée apporte un effet de levier, mais elle exige aussi des structures de commandement, des règles, des vérifications et une responsabilité claire lorsque les actions tournent mal.

Le défi pour le management intermédiaire n’est donc pas de savoir si les managers disparaîtront du jour au lendemain. Il est de savoir si la coordination conservera sa valeur une fois la production devenue plus rapide et plus automatisée.

Les managers qui se contentent principalement de transmettre des informations entre les niveaux subissent une pression plus forte. Ceux qui enseignent le jugement, résolvent les ambiguïtés et assument le risque conservent une fonction plus claire.

Les agents IA bancaires échouent encore au test de la préparation pour le client

La preuve la plus forte contre une autonomie immédiate réside dans l’écart entre l’exécution d’un workflow et la production d’un travail qu’une banque peut livrer en toute sécurité.

Les démonstrations d’agents mettent souvent l’accent sur l’accomplissement des tâches. Le système ouvre des fichiers, rassemble des données, rédige un rapport et prépare une présentation. Cette séquence ressemble remarquablement au travail quotidien d’un analyste bancaire junior.

La préparation professionnelle exige un niveau plus élevé. Chaque chiffre doit renvoyer à la bonne période et à la bonne entité. Les calculs doivent rester cohérents entre les fichiers. Les sources doivent étayer les affirmations, et les informations confidentielles doivent rester dans les systèmes autorisés.

BankerToolBench illustre cette différence. Son meilleur modèle a réalisé une part importante de travaux bancaires complexes, mais échouait encore à de nombreux critères d’évaluation. Les dossiers produits n’étaient pas considérés comme prêts à être remis aux clients par les banquiers participants.

La cohérence entre les fichiers constituait un obstacle notable. Une valorisation peut être correcte dans une feuille de calcul tout en apparaissant de manière erronée dans une diapositive. Un résumé écrit peut reposer sur une hypothèse qui ne correspond plus au modèle sous-jacent.

Les analystes humains commettent des erreurs similaires. La différence tient à l’échelle et à l’opacité. Un agent peut reproduire une hypothèse erronée dans de nombreux livrables avant qu’un réviseur ne remarque le problème initial.

La supervision par des juniors ne supprime pas ce risque. Elle peut l’amplifier lorsque le réviseur ne possède pas suffisamment de connaissances du sujet pour identifier une erreur pourtant crédible en apparence.

Les banques évoluent également sous des contraintes plus strictes que la plupart des entreprises de logiciels. Elles traitent des informations confidentielles sur les clients, des informations importantes non publiques, des données personnelles et des décisions soumises à un examen réglementaire.

Un agent a besoin d’un accès contrôlé pour effectuer un travail pertinent. Accorder cet accès augmente les dommages potentiels liés à une instruction erronée, une intégration compromise ou un transfert de données inapproprié.

L’approche de Citi montre comment les banques cherchent à répondre à cette tension. Sa plateforme d’agents interne centralise l’accès aux modèles, la création d’agents, la supervision et l’intervention d’urgence.

Citi a indiqué que 180 000 employés utilisaient déjà des outils d’IA d’entreprise lorsqu’elle a lancé la plateforme. Le système a été conçu pour permettre aux employés de surveiller le comportement des agents et d’interrompre les tâches si nécessaire.

Il s’agit d’une réponse d’infrastructure au même problème de management décrit par Sneader. Les employés ne peuvent pas gérer des agents de manière fiable si la banque ne sait pas clairement ce que ces agents font.

Les contrôles techniques ne constituent qu’une partie de la réponse. Les équipes ont aussi besoin de règles opérationnelles qui identifient les tâches autorisées, les réviseurs requis, les sources fiables et les décisions réservées aux humains.

Un agent de recherche peut recueillir des documents publics et résumer des informations de marché. Il ne devrait pas décider de façon indépendante quelle information omettre des documents destinés aux clients. Cette décision implique du contexte et une responsabilité professionnelle.

Un agent de modélisation peut proposer des hypothèses et exécuter des scénarios. Un banquier humain devrait néanmoins confirmer que ces hypothèses conviennent à la transaction, aux objectifs du client et aux conditions actuelles du marché.

Les déploiements les plus solides distingueront l’assistance, la recommandation et l’exécution. Chaque niveau exige un seuil d’approbation et une piste d’audit différents.

L’assistance récupère ou reformate des informations. La recommandation propose un jugement qu’un humain peut accepter ou rejeter. L’exécution modifie un système, communique vers l’extérieur ou engage l’institution dans une action.

Désigner ces trois activités sous le terme de « gestion des agents » masque des différences importantes. Une nouvelle recrue peut diriger en toute sécurité certaines tâches d’assistance après une formation de base. Les recommandations et actions à risque plus élevé requièrent l’approbation de personnes expérimentées.

L’écart de vérification affecte également la vitesse. Un agent peut produire un brouillon en quelques minutes, mais un réviseur peut passer bien plus de temps à retracer les sources et à réconcilier les incohérences. Le temps brut de génération ne correspond pas à la productivité nette.

Les banques devraient donc mesurer la production corrigée, et non la production brute. Parmi les indicateurs utiles figurent le temps de revue, la gravité des erreurs, le nombre de révisions, le taux d’escalade et le pourcentage de travail approuvé sans modifications substantielles.

Elles devraient aussi suivre les progrès des employés juniors. Si la précision des revues reste stable alors que l’usage des agents augmente, le nouvel apprentissage ne parvient pas à développer l’expertise.

L’argument sceptique n’est pas que les agents IA bancaires sont inutiles. Il est que les preuves actuelles ne justifient pas de les traiter comme des substituts autonomes à des analystes formés.

Leur valeur immédiate réside dans l’accélération de tâches délimitées tout en préservant la revue humaine. Le travail le plus difficile consiste à concevoir un système qui rende cette revue réellement utile plutôt que purement formelle.

Les rivaux de Goldman font des compétences en IA une exigence de recrutement

Les banques passent de l’expérimentation facultative avec l’IA à un marché de l’emploi où l’usage responsable des agents devient une qualification de base.

Les commentaires de Goldman s’inscrivent dans une évolution concurrentielle plus large. Les banques recherchent des employés capables d’utiliser plusieurs modèles, de les connecter aux données institutionnelles et d’évaluer leurs résultats sans compromettre la sécurité.

UBS a déjà intégré cette attente à son recrutement. Les candidats à son programme 2027 de jeunes diplômés et de stages doivent démontrer une maîtrise pratique de l’IA, selon des informations sur cette exigence de recrutement.

L’exigence porte sur l’expérimentation responsable et les résultats commerciaux, et non sur la simple familiarité avec les chatbots destinés au grand public. UBS prévoit également un parcours de formation à l’IA fondé sur des cas d’usage bancaires réels.

Citi aborde la même transition par l’infrastructure. Sa plateforme Arc offre aux développeurs un environnement contrôlé pour combiner modèles et agents. Un accès plus large pour les employés devrait suivre progressivement.

JPMorgan a décrit des espaces de travail natifs de l’IA dans lesquels les agents interprètent l’intention des employés et coordonnent les actions entre les systèmes. Cette vision remplace le passage d’une application à l’autre par une orchestration conversationnelle.

Ces approches exercent une pression sur Goldman dans deux directions. La banque doit fournir à ses employés des outils compétitifs, et elle doit démontrer que ces outils restent sûrs dans des workflows réglementés.

L’impact de l’IA sur le secteur bancaire sera donc façonné par une course à l’apprentissage institutionnel. La banque gagnante ne sera pas nécessairement celle qui déploiera le plus d’agents. Elle transformera plus vite que ses rivales les résultats des agents en un service client fiable.

Cela exige de la technologie, mais aussi de la documentation et de la mémoire organisationnelle. Les équipes doivent préserver les prompts, sources de données, hypothèses et modèles d’approbation qui produisent des résultats acceptables.

Une banque qui apprend de chaque échec d’agent peut améliorer son système d’exploitation. Une banque qui traite les échecs comme des erreurs isolées d’utilisateurs les reproduira entre les équipes.

Le recrutement évoluera en conséquence. Les banques continueront de valoriser les compétences en comptabilité, valorisation, rédaction et communication. Elles évalueront de plus en plus la capacité des candidats à cadrer les tâches, évaluer les preuves et remettre en question les conclusions automatisées.

Cette combinaison compte parce que la maîtrise des prompts seule est facile à imiter. Un candidat peut produire un contenu soigné sans comprendre pourquoi le résultat est correct.

La revue expérimentée reste une ressource rare. Si chaque analyste produit davantage de contenu, les banquiers seniors peuvent devenir le nouveau goulot d’étranglement. Les banques pourraient avoir besoin de réviseurs dédiés ou de contrôles automatisés réduisant le travail de vérification élémentaire.

La concurrence pourrait également remodeler les attentes des employés. Les diplômés pourraient accéder plus tôt à un travail à plus forte valeur ajoutée parce que les agents assurent la préparation. Ils pourraient aussi subir une pression pour produire un travail de niveau associé sans expérience comparable.

Le second scénario devient plus probable lorsque les objectifs de productivité progressent plus vite que la formation. Une banque peut déployer un logiciel en quelques mois, alors que le jugement professionnel exige des années de développement.

Ce décalage temporel confère aux institutions établies à la fois un avantage et une vulnérabilité. Elles disposent de vastes connaissances internes, mais une grande partie de celles-ci reste ancrée dans les employés expérimentés et les habitudes de revue informelles.

Transformer ces habitudes en contrôles explicites sera difficile. Le processus exige que les banquiers seniors expliquent des décisions qu’ils prenaient autrefois intuitivement.

Les banquiers juniors qui gèrent l’IA peuvent bénéficier de cette transparence. Des règles de revue claires leur donnent une structure d’apprentissage plus solide que des corrections inexpliquées d’un manager très occupé.

Cette même transparence pourrait rendre la performance plus mesurable. Les banques peuvent voir quels employés détectent les erreurs, améliorent les instructions et utilisent l’escalade de manière appropriée.

Toutefois, une mesure constante peut créer des incitations malsaines. Les analystes peuvent optimiser le débit visible tout en évitant les missions complexes qui génèrent davantage d’exceptions. Les managers doivent récompenser les refus rigoureux autant que les réalisations réussies.

La concurrence porte donc autant sur la conception organisationnelle que sur l’accès aux modèles. Goldman, Citi, UBS et JPMorgan peuvent acheter des technologies sous-jacentes similaires. Leur avantage viendra de la manière dont ils répartissent le jugement et la responsabilité.

Ce qu’il faut surveiller alors que l’IA réécrit l’échelle des carrières bancaires

Les prochaines preuves déterminantes concerneront les éléments attestant des déploiements, la refonte de la formation et les changements mesurables dans la structure des équipes bancaires.

D’abord, surveillez les informations concrètes communiquées par Goldman sur les points d’entrée des agents dans le workflow. Les éléments les plus utiles identifieraient les tâches, les exigences de revue, la couverture des employés et les taux d’erreur mesurés.

Les propos de Sneader décrivent une orientation, et non un rapport complet de déploiement. Un déploiement large dans la banque d’investissement renforcerait l’idée que la gestion des agents est devenue une fonction de niveau débutant.

Un programme limité appuierait une interprétation plus étroite. Il montrerait que Goldman teste de nouvelles responsabilités sans remplacer le modèle établi des analystes.

Deuxièmement, il faut observer comment les banques repensent la formation des jeunes diplômés. UBS a déjà associé les compétences en IA au recrutement, mais l’aisance technique ne résout pas le déficit d’apprentissage.

Les programmes solides combineront l’utilisation d’agents avec des exercices manuels, l’analyse des échecs, la vérification des sources et des mises en situation clients supervisées. Ils mesureront si les nouvelles recrues développent un meilleur jugement au fil du temps.

Les programmes faibles privilégieront une production plus rapide sans évaluer la compréhension. Si les jeunes banquiers ne peuvent pas expliquer les hypothèses qui sous-tendent les résultats d’un agent, l’intitulé managérial sera essentiellement cosmétique.

Troisièmement, il faut observer la composition de l’emploi bancaire plutôt que les seules annonces de licenciements. Le recrutement d’analystes, les promotions d’associés, la croissance des fonctions de contrôle et les redéploiements internes révéleront où le travail se déplace.

Un recul du recrutement junior fragiliserait l’affirmation selon laquelle l’IA préserve les opportunités de début de carrière. Un recrutement stable accompagné d’une diminution des postes de management intermédiaire étayerait la préoccupation plus précise de Sneader.

La croissance des rôles de gouvernance des modèles et de revue spécialisée indiquerait que l’automatisation redistribue le travail. Elle ne prouverait pas que l’emploi total reste inchangé.

Les lecteurs doivent également distinguer l’automatisation des tâches de l’automatisation des carrières. Les agents peuvent accomplir certaines parties de la charge de travail d’un banquier sans reproduire la confiance des clients, la responsabilité institutionnelle ou le jugement commercial.

Cette distinction ne restera pas figée. À mesure que les modèles s’amélioreront, les banques leur délégueront des tâches davantage interconnectées. Les contrôles et la formation devront progresser au même rythme.

Pour les travailleurs du savoir hors du secteur financier, l’expérience de Goldman pose une question directe. Que se passe-t-il lorsque la première promotion arrive avant le premier apprentissage ?

La réponse dépendra de la manière dont les organisations considèrent la supervision de l’IA comme un véritable management. Un management réel exige de l’autorité, de l’expertise, de la documentation et de la responsabilité lorsque le travail délégué échoue.

Les agents IA de Goldman Sachs peuvent donner aux jeunes banquiers un effet de levier remarquable. Ils ne peuvent pas fournir l’expérience nécessaire pour évaluer chaque résultat, du moins pas encore.

La réponse pratique consiste à développer ce jugement délibérément. Les travailleurs devraient s’exercer à retracer les sources, à tester les hypothèses, à documenter les incertitudes et à rejeter les résultats qui semblent achevés mais restent non étayés.

Les employeurs devraient évaluer les programmes d’IA en fonction des résultats corrigés et de l’apprentissage des employés, et non du nombre d’agents déployés. Le signal crucial sera de savoir si un travail plus rapide devient aussi un travail plus sûr.

Si les banques préservent cette exigence, les postes de début de carrière peuvent devenir plus analytiques et moins mécaniques. Dans le cas contraire, une main-d’œuvre virtuelle pourrait reproduire les erreurs plus vite que ses nouveaux managers ne pourront les détecter.