Gli agenti AI di Goldman Sachs mettono i giovani banchieri al comando fin dal primo giorno

Gli agenti AI di Goldman Sachs stanno cambiando il lavoro bancario entry-level prima ancora che le banche abbiano definito cosa debba sostituire il tradizionale apprendistato. Secondo il dirigente di Goldman Kevin Sneader, i nuovi assunti potrebbero supervisionare lavoratori automatizzati fin dal primo giorno. Il cambiamento sembra una promozione anticipata, ma elimina anche attività che un tempo insegnavano agli analisti come si integrano tra loro le varie componenti del lavoro bancario.

«Quando i nostri giovani iniziano a lavorare, ora gestiscono degli agenti», ha dichiarato Sneader in osservazioni riportate da Bloomberg. Ha descritto questi agenti come una forza lavoro virtuale che i giovani dipendenti devono dirigere in modo efficace. Sneader guida Goldman Sachs nell’area Asia-Pacifico escluso il Giappone e fa parte del comitato di gestione della banca.

Questa impostazione ribalta la consueta narrativa sull’automazione. La domanda immediata non è semplicemente se l’AI elimini i posti di lavoro junior. È se le banche possano trasformare reclute inesperte in supervisori affidabili senza il lavoro ripetitivo che in precedenza ne sviluppava il giudizio.

Anche altre banche si stanno già muovendo nella stessa direzione. Citi sta costruendo infrastrutture affinché i dipendenti possano creare e supervisionare agenti, mentre UBS sta testando i nuovi assunti sulla padronanza pratica dell’AI. La competizione si sta quindi spostando dall’accesso di base all’AI verso una delega affidabile all’interno di istituzioni strettamente controllate.

La promessa è un analista più produttivo, che parte con maggiori responsabilità. Il problema irrisolto è se la responsabilità possa arrivare prima dell’esperienza senza aumentare errori, supervisione debole o rischi operativi nascosti.

Cosa cambiano gli agenti AI di Goldman Sachs per i nuovi assunti

Il banchiere entry-level viene ridefinito: da produttore di lavoro ordinario a gestore del lavoro prodotto dalle macchine.

Per decenni, i giovani banchieri d’investimento hanno imparato attraverso la ripetizione. Raccoglievano dati aziendali, controllavano bilanci, costruivano modelli di valutazione, aggiornavano presentazioni e riconciliavano cifre incoerenti. Questi incarichi erano tediosi, ma esponevano anche gli analisti ai meccanismi alla base di una transazione.

L’AI agentica cambia questo flusso di lavoro. Un agente AI è un software in grado di perseguire un obiettivo definito attraverso più passaggi, strumenti e fonti di dati. A differenza di un chatbot standard, può passare da un’attività all’altra e produrre risultati connessi tra loro con minori sollecitazioni umane.

Un giovane banchiere potrebbe chiedere a un agente di raccogliere informazioni sulle società comparabili, redigere un’analisi di valutazione e preparare materiali per presentazioni. Il lavoratore umano esaminerebbe poi le evidenze, correggerebbe le incoerenze e deciderebbe se il risultato è adatto ai banchieri senior.

La dichiarazione di Sneader porta questo modello oltre la sperimentazione. Presenta la supervisione degli agenti come una responsabilità iniziale, anziché come un incarico specialistico acquisito in seguito. I nuovi dipendenti entrerebbero nel settore bancario come operatori di una forza lavoro mista, umana e digitale.

Ciò non significa che Goldman abbia annunciato l’eliminazione di ogni attività tradizionale degli analisti. Le dichiarazioni pubbliche non forniscono numeri sull’implementazione, una tempistica o una riprogettazione dettagliata delle mansioni. Offrono la prospettiva di un dirigente senior su come il lavoro stia cambiando.

Questa distinzione conta. Una previsione della leadership non equivale a un modello operativo già completato. Goldman deve ancora stabilire quali incarichi possano essere gestiti dagli agenti, chi approvi il loro lavoro e come si distribuisca la responsabilità in ciascun team.

La posizione di Sneader conferisce peso alle sue dichiarazioni. Il suo profilo dirigenziale lo identifica come presidente per l’Asia Pacifico escluso il Giappone e membro di diversi comitati senior. In precedenza è stato managing partner globale di McKinsey.

La sua esperienza manageriale chiarisce anche il focus organizzativo. La dichiarazione riguarda meno un singolo prodotto AI che il cambiamento del modo in cui la responsabilità entra nella gerarchia bancaria.

Nel vecchio modello, gli analisti producevano il lavoro, gli associate lo riesaminavano e i banchieri senior prendevano decisioni rivolte ai clienti. Gli agenti complicano questa scala gerarchica perché possono svolgere parti della fase produttiva quasi istantaneamente.

L’analista diventa quindi un revisore molto prima. L’associate deve decidere se riesaminare l’analista, l’agente o entrambi. I banchieri senior restano responsabili nei confronti dei clienti anche quando diversi sistemi automatizzati contribuiscono al materiale finale.

I giovani banchieri che gestiscono l’AI avranno dunque bisogno di molto più delle competenze di prompt writing. Dovranno definire compiti, selezionare fonti affidabili, rilevare contraddizioni, documentare modifiche ed escalare l’incertezza. Ciascuna di queste azioni dipende da un giudizio che i principianti stanno ancora sviluppando.

Il cambiamento più importante non è una creazione più rapida dei documenti. È il trasferimento della responsabilità di supervisione al gradino più basso della gerarchia professionale.

L’apprendistato bancario sta perdendo il suo livello formativo

L’automazione elimina la parte più gravosa del lavoro, ma proprio quella parte spesso forniva le evidenze necessarie per sviluppare il giudizio professionale.

Gli apprendistati bancari hanno sempre comportato un compromesso scomodo. I dipendenti junior svolgono attività ripetitive per molte ore, imparando gradualmente come si collegano aziende, bilanci, mercati e operazioni.

Eliminare ripetizioni inutili può migliorare il lavoro. Pochi analisti hanno bisogno di centinaia di correzioni manuali di formattazione per comprendere la finanza aziendale. Ricerche e assemblaggio di documenti più rapidi possono lasciare più tempo all’interpretazione, alla preparazione per i clienti e al processo decisionale.

Eppure non tutte le attività ripetitive sono prive di valore educativo. Ricostruire un modello può rivelare perché le ipotesi interagiscono. Verificare cifre tra diversi documenti depositati può insegnare quali comunicazioni meritino scetticismo. Rivedere una presentazione può mostrare quali fatti contino per un cliente specifico.

Un agente può comprimere queste attività in un file completato. Quel risultato fa risparmiare tempo, ma può anche nascondere la catena di decisioni alla base del risultato. Un revisore alle prime armi può vedere un lavoro rifinito senza riconoscere un’ipotesi debole sottostante.

Questo crea il ribaltamento centrale nella storia degli agenti AI di Goldman Sachs. La tecnologia dà ai giovani banchieri l’apparenza di una leva manageriale prima che possiedano l’esperienza tradizionalmente associata alla gestione.

Un manager normalmente valuta il lavoro confrontandolo con conoscenze accumulate. Un nuovo analista che supervisiona un agente non può attingere ad anni di incarichi simili. L’analista ha bisogno di un’altra fonte di feedback, come una revisione strutturata, una simulazione o regole di validazione esplicite.

La questione è già misurabile. Lo studio BankerToolBench ha testato agenti di frontiera su flussi di lavoro end-to-end dell’investment banking sviluppati con 502 banchieri. I compiti includevano modelli, presentazioni, report, data room, piattaforme di mercato e documenti regolamentari.

I ricercatori hanno testato nove modelli di frontiera rispetto a oltre 100 criteri. Anche il modello con le migliori prestazioni non ha soddisfatto quasi la metà di tali criteri. I banchieri non hanno giudicato nessuno dei suoi risultati completi pronto per i clienti.

Questi risultati non stabiliscono come si comportino i sistemi interni di Goldman. Il benchmark ha coinvolto una specifica configurazione di ricerca e gli strumenti specifici delle banche possono usare dati privati, controlli e istruzioni specializzate. Mostra però perché la supervisione non possa diventare un passaggio puramente formale.

Un modello plausibile con una cifra errata può essere più pericoloso di un file palesemente difettoso. Una presentazione rifinita incoraggia la fiducia, mentre l’errore può propagarsi attraverso diversi documenti collegati.

È qui che i giovani banchieri che gestiscono l’AI affrontano un incarico difficile. Devono mettere in discussione un risultato che appare più completo del lavoro che potrebbero produrre da soli. Fiducia e competenza possono diventare difficili da distinguere.

Le banche possono rispondere rendendo visibile il processo nascosto. Gli agenti possono registrare le loro fonti, i calcoli, le azioni sugli strumenti e le revisioni. I revisori possono confrontare i risultati con dati approvati e richiedere conferma umana per le ipotesi sensibili.

Anche la formazione deve cambiare. I nuovi assunti hanno bisogno di esercizi controllati che espongano i fallimenti, non solo di dimostrazioni che mettano in evidenza la velocità. Dovrebbero imparare come gli agenti perdono il contesto, mescolano periodi temporali, interpretano male le tabelle e creano file incoerenti.

Il miglior sostituto del lavoro ripetitivo non è un seminario di orientamento più breve. È un apprendistato riprogettato che preservi la pratica deliberata eliminando al contempo la produzione a basso valore.

Una base di conoscenza consultabile può supportare questo modello mantenendo disponibili per la revisione i materiali di origine e le decisioni precedenti. Tuttavia, il solo recupero delle informazioni non può decidere se un giudizio finanziario sia solido.

La questione dell’apprendistato va oltre l’investment banking. Contabilità, consulenza, diritto e ricerca usano tutti il lavoro di produzione junior per formare i futuri revisori. Automatizzare questo livello costringe i datori di lavoro a costruire un percorso più chiaro dal principiante all’esperto.

Il settore bancario offre semplicemente un primo banco di prova, poiché i suoi risultati comportano conseguenze finanziarie, regolamentari e reputazionali. Un progetto formativo debole può restare invisibile finché un errore non raggiunge un cliente.

I giovani banchieri che gestiscono l’AI mettono sotto pressione il middle management

Il ruolo sottoposto alla maggiore pressione potrebbe essere il livello che tradizionalmente coordina il lavoro junior, anziché il lavoratore junior da solo.

Sneader ha riconosciuto l’incertezza su cosa accada ai middle manager quando i nuovi assunti supervisionano immediatamente gli agenti. Questa domanda deriva direttamente dall’economia del lavoro digitale.

I team bancari tradizionali assomigliano a piramidi. Una classe relativamente ampia di analisti sostiene un numero inferiore di associate e vicepresidenti, che sostengono un gruppo ancora più ristretto di senior dealmaker. Ogni livello riesamina, coordina e perfeziona il lavoro del livello sottostante.

Gli agenti AI possono restringere la base produttiva. Un gruppo più piccolo di analisti può generare più ricerche, modelli e materiali per presentazioni. Ciò riduce il carico di coordinamento che giustificava alcuni ruoli manageriali.

Allo stesso tempo, il lavoro automatizzato crea nuove esigenze di revisione. Qualcuno deve approvare l’accesso degli agenti, valutare risultati insoliti, risolvere conflitti e documentare la responsabilità. Queste responsabilità potrebbero preservare i manager, ma i loro ruoli diventerebbero più tecnici e orientati al rischio.

L’esito probabile non è la netta eliminazione di un livello. È una redistribuzione delle attività manageriali tra dipendenti junior, specialisti esperti, team tecnologici e funzioni di controllo.

I dipendenti junior possono gestire la direzione ordinaria degli agenti. I banchieri esperti possono riesaminare ipotesi e implicazioni per i clienti. I team di rischio dei modelli, cybersecurity, legale e compliance possono definire limiti che nessun team di dealmaking può superare.

Questa distribuzione crea una difficile questione di responsabilità. Se un analista accetta un risultato errato prodotto da un agente, la responsabilità ricade sull’analista, sull’associate supervisore, sul proprietario del modello o sul dirigente aziendale?

Le banche non possono rispondere a questa domanda definendo l’analista un manager di agenti. L’autorità deve corrispondere alla responsabilità. Un nuovo assunto che non può ispezionare un modello, modificarne i controlli o respingere una scadenza non possiede piena autorità manageriale.

L’impatto dell’AI sull’occupazione bancaria dipende quindi dalla progettazione dei flussi di lavoro, non solo dalle capacità dei modelli. Un agente che completa un compito non elimina automaticamente il ruolo che circonda quel compito.

La recente analisi del settore bancario conferma questa distinzione. Una rassegna sull’occupazione nel settore ha rilevato che, nel breve termine, l’automazione ha maggiori probabilità di sostituire attività selezionate piuttosto che interi posti di lavoro.

La rassegna ha citato la verifica dei documenti, i controlli di conformità di routine e l’elaborazione delle informazioni come attività esposte. Ha inoltre individuato un fabbisogno crescente in ambiti quali governance dell’AI, validazione, supervisione e collaborazione uomo-macchina.

La stessa analisi ha riportato una stima di lungo periodo più severa da Morgan Stanley. Le banche europee potrebbero ridurre l’occupazione del 10 percento nell’arco di cinque anni, anche se il naturale turnover e i pensionamenti potrebbero spiegare gran parte di tale calo.

Queste prospettive non sono contraddittorie. Le banche possono creare nuovi ruoli legati all’AI riducendo al contempo l’occupazione complessiva in funzioni selezionate. Possono inoltre assumere più dipendenti nel front office se strumenti migliori aiutano a conquistare nuovo business.

Il CEO di Goldman, David Solomon, ha sostenuto che le previsioni di un crollo occupazionale guidato dall’AI siano esagerate. Questa posizione è in linea con l’attenzione di Sneader sul lavoro riprogettato, anziché sull’immediata esclusione dei neolaureati.

Tuttavia, mantenere il reclutamento a livello iniziale non garantisce la stessa struttura di carriera. Le banche potrebbero assumere meno analisti, aspettarsi di più da ogni nuovo assunto e promuovere una quota minore verso il management tradizionale.

La pressione sulla produttività è centrale in questa transizione. Una volta che una banca dimostra che un singolo analista può gestire diversi agenti, i concorrenti subiranno pressioni per eguagliare tale output. I dirigenti senior potrebbero quindi considerare la maggiore capacità come una base permanente.

Ciò può migliorare il servizio ed espandere il business. Può anche intensificare i carichi di lavoro, quando il tempo risparmiato con l’automazione diventa un’aspettativa per incarichi aggiuntivi.

L’espressione “esercito virtuale” coglie entrambe le possibilità. Un esercito offre leva operativa, ma richiede anche strutture di comando, regole, verifiche e responsabilità chiare quando le azioni vanno storte.

La sfida per il middle management non riguarda quindi la scomparsa dei manager dall’oggi al domani. Riguarda piuttosto il fatto che il coordinamento resti prezioso dopo che la produzione diventa più rapida e automatizzata.

I manager che trasferiscono principalmente informazioni tra i diversi livelli subiscono una pressione maggiore. I manager che insegnano il giudizio, risolvono le ambiguità e si assumono il rischio mantengono una funzione più chiara.

Gli agenti AI per il settore bancario non superano ancora il test della prontezza per il cliente

La prova più solida contro l’autonomia immediata è il divario tra completare un flusso di lavoro e produrre un lavoro che una banca possa consegnare in sicurezza.

Le dimostrazioni degli agenti enfatizzano spesso il completamento delle attività. Il sistema apre file, raccoglie dati, redige un report e prepara una presentazione. Questa sequenza appare sorprendentemente simile al lavoro quotidiano di un junior banker.

La prontezza professionale richiede uno standard più elevato. Ogni cifra deve riferirsi al periodo e all’entità corretti. I calcoli devono rimanere coerenti tra i file. Le fonti devono supportare le affermazioni e le informazioni riservate devono restare nei sistemi autorizzati.

BankerToolBench illustra questa differenza. Il suo miglior modello ha completato parti sostanziali di complessi lavori bancari, ma non ha comunque soddisfatto molti criteri di valutazione. I pacchetti risultanti non sono stati considerati pronti per il cliente dai banchieri partecipanti.

La coerenza tra file è stata un ostacolo significativo. Una valutazione può essere corretta in un foglio di calcolo ma comparire in modo errato in una slide. Un riepilogo scritto può utilizzare un’ipotesi che non corrisponde più al modello sottostante.

Gli analisti umani commettono errori simili. La differenza sta nella scala e nell’opacità. Un agente può replicare un’ipotesi errata in numerosi deliverable prima che un revisore individui il problema originario.

La supervisione da parte di personale junior non elimina questo rischio. Può amplificarlo quando il revisore non possiede conoscenze sufficienti per riconoscere un errore dall’aspetto credibile.

Le banche operano inoltre con vincoli più stringenti rispetto alla maggior parte delle aziende software. Gestiscono informazioni riservate dei clienti, informazioni materiali non pubbliche, dati personali e decisioni soggette a revisione normativa.

Un agente necessita di accesso controllato per svolgere un lavoro significativo. Concedere tale accesso amplia il potenziale danno derivante da un’istruzione errata, un’integrazione compromessa o un trasferimento improprio di dati.

L’approccio di Citi mostra come le banche stiano cercando di affrontare questa tensione. La sua interna piattaforma per agenti centralizza l’accesso ai modelli, la creazione di agenti, il monitoraggio e l’intervento d’emergenza.

Citi ha dichiarato che 180.000 dipendenti utilizzavano già strumenti AI aziendali quando ha introdotto la piattaforma. Il sistema è stato progettato per consentire ai dipendenti di monitorare il comportamento degli agenti e interrompere le attività quando necessario.

Si tratta di una risposta infrastrutturale allo stesso problema manageriale descritto da Sneader. I dipendenti non possono gestire gli agenti in modo affidabile se la banca non ha visibilità su ciò che tali agenti fanno.

I controlli tecnici sono solo una parte della risposta. I team hanno anche bisogno di regole operative che identifichino le attività consentite, i revisori richiesti, le fonti affidabili e le decisioni riservate agli esseri umani.

Un agente di ricerca potrebbe raccogliere documenti pubblici e riassumere informazioni di mercato. Non dovrebbe decidere autonomamente quale informativa omettere dai materiali destinati ai clienti. Tale decisione implica contesto e responsabilità professionale.

Un agente di modellazione potrebbe proporre ipotesi ed eseguire scenari. Un banchiere umano dovrebbe comunque confermare se tali ipotesi sono adatte alla transazione, agli obiettivi del cliente e alle condizioni di mercato correnti.

Le implementazioni più solide separeranno assistenza, raccomandazione ed esecuzione. Ogni livello richiede una diversa soglia di approvazione e una diversa traccia di audit.

L’assistenza recupera o riformatta informazioni. La raccomandazione propone un giudizio che un umano può accettare o respingere. L’esecuzione modifica un sistema, comunica all’esterno o impegna l’istituzione a un’azione.

Definire tutte e tre le attività come “gestione degli agenti” nasconde differenze sostanziali. Un nuovo assunto può dirigere in sicurezza alcune attività di assistenza dopo una formazione di base. Raccomandazioni e azioni a rischio più elevato richiedono l’approvazione di personale esperto.

Il divario di verifica influisce anche sulla velocità. Un agente può produrre una bozza in pochi minuti, ma un revisore può impiegare molto più tempo per risalire alle fonti e riconciliare le incoerenze. Il tempo lordo di generazione non equivale alla produttività netta.

Le banche dovrebbero quindi misurare l’output corretto, non quello grezzo. Metriche utili includono il tempo di revisione, la gravità degli errori, il numero di revisioni, il tasso di escalation e la percentuale di lavoro approvata senza modifiche sostanziali.

Dovrebbero inoltre monitorare se i dipendenti junior migliorano. Se l’accuratezza della revisione resta piatta mentre l’uso degli agenti cresce, il nuovo apprendistato non sta costruendo competenze.

L’argomentazione scettica non è che gli agenti AI nel settore bancario siano inutili. È che le evidenze attuali non supportano il loro trattamento come sostituti autonomi di analisti qualificati.

Il loro valore immediato risiede nell’accelerare attività circoscritte preservando la revisione umana. Il lavoro più difficile consiste nel progettare un sistema che renda la revisione significativa anziché puramente formale.

I rivali di Goldman stanno trasformando le competenze AI in un requisito di assunzione

Le banche stanno passando dalla sperimentazione opzionale dell’AI a un mercato del lavoro in cui l’uso responsabile degli agenti diventa una qualifica di base.

I commenti di Goldman fanno parte di un più ampio cambiamento competitivo. Le banche desiderano dipendenti in grado di usare diversi modelli, collegarli ai dati istituzionali e valutarne l’output senza compromettere la sicurezza.

UBS ha già trasferito tale aspettativa nel reclutamento. Secondo quanto riportato sul suo requisito di assunzione, i candidati per il programma graduate e stage 2027 devono dimostrare una competenza pratica nell’AI.

Il requisito si concentra sulla sperimentazione responsabile e sui risultati aziendali, non sulla semplice familiarità con chatbot per consumatori. UBS prevede inoltre un percorso formativo sull’AI costruito attorno a casi d’uso reali nel settore bancario.

Citi sta affrontando la stessa transizione attraverso l’infrastruttura. La sua piattaforma Arc offre agli sviluppatori un ambiente controllato per combinare modelli e agenti. Si prevede che un accesso più ampio per i dipendenti segua nel tempo.

JPMorgan ha descritto spazi di lavoro nativi per l’AI, nei quali gli agenti interpretano l’intento dei dipendenti e coordinano le azioni tra i sistemi. Questa visione sostituisce il passaggio tra applicazioni con un’orchestrazione conversazionale.

Questi approcci esercitano pressione su Goldman in due direzioni. Deve fornire ai dipendenti strumenti competitivi e dimostrare che tali strumenti restano sicuri all’interno di flussi di lavoro regolamentati.

L’impatto dell’AI sul settore bancario sarà quindi modellato da una corsa all’apprendimento istituzionale. La banca vincente non sarà necessariamente quella che implementerà il maggior numero di agenti. Sarà quella che trasformerà l’output degli agenti in un servizio affidabile per i clienti più rapidamente dei rivali.

Ciò richiede tecnologia, ma anche documentazione e memoria organizzativa. I team devono preservare quali prompt, fonti di dati, ipotesi e schemi di approvazione producono risultati accettabili.

Una banca che impara da ogni fallimento di un agente può migliorare il proprio sistema operativo. Una banca che tratta i fallimenti come errori isolati degli utenti li ripeterà tra i vari team.

Di conseguenza cambierà anche il reclutamento. Le banche continueranno a valorizzare competenze contabili, di valutazione, scrittura e comunicazione. Verificheranno sempre più se i candidati sanno inquadrare i compiti, valutare le prove e mettere in discussione conclusioni automatizzate.

Questa combinazione conta perché la sola padronanza dei prompt è facile da imitare. Un candidato può produrre materiale rifinito senza comprendere perché il risultato sia corretto.

La revisione esperta resta una risorsa scarsa. Se ogni analista genera più materiale, i banchieri senior possono diventare il nuovo collo di bottiglia. Le banche potrebbero aver bisogno di revisori dedicati o di controlli automatizzati che riducano il lavoro di verifica di basso livello.

La concorrenza potrebbe anche rimodellare le aspettative dei dipendenti. I neolaureati potrebbero accedere prima a lavori di maggior valore perché gli agenti gestiscono la preparazione. Potrebbero anche subire pressioni per fornire output da associate senza un’esperienza comparabile.

Il secondo esito diventa più probabile quando gli obiettivi di produttività avanzano più rapidamente della formazione. Una banca può implementare software in pochi mesi, mentre il giudizio professionale richiede anni per svilupparsi.

Questo disallineamento temporale offre alle istituzioni consolidate un vantaggio e una vulnerabilità. Possiedono un’ampia conoscenza interna, ma gran parte di essa resta incorporata nei dipendenti esperti e nelle abitudini informali di revisione.

Trasformare tali abitudini in controlli espliciti sarà difficile. Il processo richiede ai banchieri senior di spiegare decisioni che un tempo prendevano intuitivamente.

I banchieri junior che gestiscono l’AI possono beneficiare di questa trasparenza. Regole di revisione chiare offrono loro una struttura di apprendimento più solida rispetto a modifiche non spiegate da un manager impegnato.

La stessa trasparenza potrebbe rendere le performance più misurabili. Le banche possono vedere quali dipendenti individuano gli errori, migliorano le istruzioni e utilizzano l’escalation in modo appropriato.

Tuttavia, una misurazione costante può creare incentivi malsani. Gli analisti potrebbero ottimizzare il throughput visibile evitando incarichi complessi che generano più eccezioni. I manager devono premiare sia il rifiuto attento sia il completamento riuscito.

La competizione riguarda quindi il design organizzativo tanto quanto l’accesso ai modelli. Goldman, Citi, UBS e JPMorgan possono acquistare una tecnologia di base simile. Il loro vantaggio deriverà da come distribuiscono giudizio e responsabilità.

Cosa osservare mentre l’AI riscrive la scala delle carriere bancarie

I prossimi elementi di prova sono evidenze di implementazione, formazione riprogettata e cambiamenti misurabili nella struttura dei team bancari.

Innanzitutto, osservate eventuali comunicazioni concrete di Goldman su dove gli agenti entrano nel flusso di lavoro. Le evidenze più utili identificherebbero attività, requisiti di revisione, copertura dei dipendenti e tassi di errore misurati.

Le osservazioni di Sneader descrivono una direzione, non un rapporto completo sull’implementazione. Un’adozione ampia nell’investment banking rafforzerebbe l’idea che la gestione degli agenti sia diventata una funzione di livello iniziale.

Un programma limitato sosterrebbe un'interpretazione più circoscritta. Mostrerebbe che Goldman sta sperimentando nuove responsabilità senza sostituire il consolidato modello degli analisti.

In secondo luogo, occorre osservare come le banche riprogettano la formazione dei neolaureati. UBS ha già collegato le competenze nell'AI alle assunzioni, ma la padronanza tecnica non risolve il divario nell'apprendistato.

I programmi più efficaci combineranno l'uso degli agenti con esercitazioni manuali, analisi degli errori, verifica delle fonti e scenari con clienti sotto supervisione. Misureranno se i nuovi assunti sviluppano nel tempo una migliore capacità di giudizio.

I programmi più deboli privilegeranno una produzione più rapida senza verificare la comprensione. Se i giovani banchieri non sanno spiegare le ipotesi alla base dell'output degli agenti, l'etichetta manageriale sarà in gran parte puramente estetica.

In terzo luogo, bisogna osservare la composizione dell'occupazione bancaria anziché singoli annunci di licenziamenti. Le assunzioni di analisti, le promozioni ad associate, la crescita delle funzioni di controllo e la riallocazione interna riveleranno dove si sta spostando il lavoro.

Un calo delle assunzioni junior indebolirebbe l'affermazione secondo cui l'AI preserva le opportunità di ingresso. Assunzioni stabili con meno ruoli nel middle management sosterrebbero la preoccupazione più specifica di Sneader.

La crescita dei ruoli nella governance dei modelli e nella revisione specialistica indicherebbe che l'automazione sta ridistribuendo il lavoro. Non dimostrerebbe che l'occupazione complessiva rimane invariata.

I lettori dovrebbero inoltre distinguere tra automazione delle attività e automazione delle carriere. Gli agenti possono completare parti del carico di lavoro di un banchiere senza riprodurre la fiducia dei clienti, la responsabilità istituzionale o il giudizio commerciale.

Questa distinzione non resterà immutata. Con il miglioramento dei modelli, le banche delegheranno attività più interconnesse. Controlli e formazione dovranno progredire allo stesso ritmo.

Per i lavoratori della conoscenza al di fuori della finanza, l'esperimento di Goldman pone una domanda diretta. Cosa accade quando la prima promozione arriva prima del primo apprendistato?

La risposta dipenderà dal fatto che le organizzazioni considerino la supervisione dell'AI come una gestione autentica. La vera gestione richiede autorità, competenza, documentazione e responsabilità quando il lavoro delegato fallisce.

Gli agenti AI di Goldman Sachs possono offrire ai giovani banchieri una leva straordinaria. Non possono fornire l'esperienza necessaria per valutare ogni risultato, almeno non ancora.

La risposta pratica consiste nello sviluppare deliberatamente quella capacità di giudizio. I lavoratori dovrebbero esercitarsi a ricostruire le fonti, verificare le ipotesi, documentare l'incertezza e respingere output che sembrano completi ma restano privi di riscontri.

I datori di lavoro dovrebbero valutare i programmi di AI in base ai risultati corretti e all'apprendimento dei dipendenti, non al numero di agenti implementati. Il segnale cruciale sarà capire se un lavoro più rapido diventa anche più sicuro.

Se le banche manterranno questo standard, i ruoli entry-level potranno diventare più analitici e meno meccanici. In caso contrario, una forza lavoro virtuale potrebbe riprodurre gli errori più rapidamente di quanto i suoi nuovi manager riescano a individuarli.