Goldman SachsのAIエージェント、初日から若手バンカーを管理職的役割に

Goldman SachsのAIエージェントは、従来の徒弟制度に何を置き換えるべきかが銀行側で固まらないうちに、銀行の初級職を変えつつある。Goldmanの幹部であるKevin Sneader氏によれば、新入社員は入社初日から自動化された労働者を監督する可能性がある。この変化は早期昇進のようにも聞こえるが、かつてアナリストが銀行業務全体のつながりを学ぶために担っていた作業も取り除く。

「今の若い社員は、入社するとエージェントを管理しています」とSneader氏は、Bloombergが報じた発言で述べた。同氏は、若手社員が効果的に指揮しなければならない仮想的な労働力として、これらのエージェントを説明した。Sneader氏は日本を除くアジア太平洋地域のGoldman Sachsを率い、同行の経営委員会にも名を連ねる。

この捉え方は、一般的な自動化の物語を逆転させる。目下の問いは、AIが若手の仕事をなくすかどうかだけではない。これまで判断力を育ててきた反復的な業務なしに、経験の浅い採用者を信頼できる監督者へと育成できるのか、という点にある。

他の銀行もすでに同じ方向へ進んでいる。Citiは従業員がエージェントを作成・監督するためのインフラを構築しており、UBSは採用者の実践的なAIリテラシーを試験している。そのため競争は、基本的なAIへのアクセスから、厳格に管理された組織内で信頼できる委任を実現することへ移りつつある。

期待されるのは、より大きな責任を担って仕事を始める、生産性の高いアナリストだ。未解決の問題は、経験に先立って責任を与えても、ミスや監督の弱さ、あるいは見えにくいオペレーショナルリスクを増やさずに済むのかということだ。

Goldman SachsのAIエージェントが新入社員にもたらす変化

初級バンカーは、定型業務の担い手から、機械が生み出した仕事の管理者へと再定義されつつある。

何十年にもわたり、若手の投資銀行家は反復を通じて学んできた。企業データを収集し、財務諸表を確認し、バリュエーションモデルを構築し、プレゼンテーション資料を更新し、食い違う数値を照合する。こうした業務は退屈だったが、取引を支える仕組みをアナリストに理解させる役割も果たしていた。

エージェント型AIはこのワークフローを変える。AIエージェントとは、複数の手順、ツール、データソースを通じて、定義された目標を追求できるソフトウェアだ。標準的なチャットボットとは異なり、人間からの指示をあまり受けなくても、タスク間を移動し、関連する成果物を生み出せる。

若手バンカーはエージェントに対し、類似企業の情報収集、バリュエーション分析の下書き、プレゼンテーション資料の作成を依頼できる。人間の担当者はその後、根拠を確認し、不整合を修正し、成果物がシニアバンカーに提出できる水準かを判断する。

Sneader氏の発言は、このモデルを実験段階の先へ押し出すものだ。エージェントの監督を、後に習得する専門的な役割ではなく、出発点となる責任として提示している。新入社員は、人間とデジタルの労働力が混在する環境のオペレーターとして銀行に入ることになる。

これは、Goldmanが従来のアナリスト業務をすべて廃止すると発表したことを意味しない。公開された発言には、導入数、スケジュール、詳細な職務再設計は示されていない。示されているのは、業務がどう変化しているかについての上級幹部の見解だ。

この区別は重要である。経営陣の予測は、完成した運用モデルと同じではない。Goldmanはなお、エージェントが処理できる業務、誰がその作業を承認するのか、各チームで責任をどう引き継ぐのかを決めなければならない。

Sneader氏の立場は、その発言に重みを与える。同氏のリーダーシッププロフィールでは、同氏がアジア太平洋（日本を除く）地域のプレジデントであり、複数の上級委員会のメンバーであることが示されている。以前はMcKinseyのグローバル・マネージング・パートナーを務めた。

同氏の経営経験は、組織面での焦点も明確にしている。この発言は単一のAI製品についてというより、銀行組織の階層に責任がどのように入ってくるかを変えることに関するものだ。

従来のモデルでは、アナリストが作業を行い、アソシエイトが確認し、シニアバンカーが顧客対応の意思決定を担っていた。エージェントは生産段階の一部をほぼ瞬時に実行できるため、この階層を複雑にする。

その結果、アナリストははるかに早い段階でレビュー担当者になる。アソシエイトは、アナリスト、エージェント、あるいはその両方をレビューすべきかを判断しなければならない。複数の自動化システムが最終資料に関与していても、シニアバンカーは顧客に対する説明責任を負い続ける。

したがって、AIを管理する若手バンカーには、プロンプト作成のスキル以上のものが必要となる。業務を定義し、信頼できる情報源を選び、矛盾を見つけ、変更を記録し、不確実性をエスカレーションしなければならない。これらの行動はいずれも、初心者がなお身につけつつある判断力に依存する。

最も重要な変化は、文書作成が速くなることではない。専門職の階層で最も下の層に、監督責任が移されることだ。

銀行の徒弟制度は研修の層を失いつつある

自動化は単純作業を取り除くが、その単純作業はしばしば専門的な判断力を養うために必要な根拠を与えていた。

銀行における徒弟制度には、常に不都合な取引が伴っていた。若手社員は長時間にわたり反復的な業務をこなしながら、企業、財務諸表、市場、取引がどのようにつながるのかを徐々に学ぶ。

不要な反復をなくせば、仕事は改善できる。コーポレートファイナンスを理解するために、何百回も手作業で書式を修正する必要があるアナリストはほとんどいない。調査や文書作成の迅速化により、解釈、顧客対応の準備、意思決定により多くの時間を割けるようになる。

しかし、すべての反復作業が教育的に無意味なわけではない。モデルを作り直すことで、前提条件がなぜ相互に作用するのかが見えてくる。提出書類の数値を照合することで、どの開示情報を疑うべきかを学べる。プレゼンテーションを修正することで、特定の顧客にとってどの事実が重要なのかが分かる。

エージェントは、こうした活動を完成済みのファイルに圧縮できる。その成果物は時間を節約するが、結果に至るまでの意思決定の連鎖を隠してしまう可能性もある。初心者のレビュー担当者は、洗練された仕事を目にしても、その下にある脆弱な前提を認識できないかもしれない。

ここに、Goldman SachsのAIエージェントをめぐる話の中心的な逆転がある。この技術は、若手バンカーに、従来は管理職と結び付いていた経験を得る前から、管理上の影響力を持っているかのような印象を与える。

管理者は通常、蓄積した知識と比較して仕事を評価する。エージェントを監督する新任アナリストは、何年にもわたる同様の業務経験に頼ることができない。アナリストには、構造化されたレビュー、シミュレーション、明示的な検証ルールといった別のフィードバック源が必要になる。

この問題はすでに測定可能になっている。BankerToolBench studyは、502人のバンカーとともに開発した、投資銀行業務のエンドツーエンドのワークフローで最先端エージェントを検証した。タスクには、モデル、プレゼンテーション、レポート、データルーム、市場プラットフォーム、規制当局への提出書類が含まれていた。

研究者らは、100を超える基準に照らして9つの最先端モデルをテストした。最も高い性能を示したモデルでさえ、これらの基準のほぼ半数を満たせなかった。バンカーは、その完全な出力のいずれについても顧客向けの準備が整っているとは評価しなかった。

これらの結果は、Goldmanの社内システムがどのように機能するかを示すものではない。このベンチマークは特定の研究環境を対象としたものであり、銀行固有のツールでは、非公開データ、管理措置、専門的な指示が用いられる可能性がある。それでも、なぜ監督が形式的な手順になってはならないかを示している。

誤った数値を一つ含むもっともらしいモデルは、明らかに破綻したファイルより危険になり得る。洗練されたプレゼンテーションは信頼を促し、その一方で誤りは複数の関連文書へと広がる可能性がある。

ここで、AIを管理する若手バンカーは難しい任務に直面する。彼らは、自分だけでは作成できないほど完成度が高く見える成果物に疑問を投げかけなければならない。自信と能力を区別することは難しくなり得る。

銀行は、隠されたプロセスを可視化することで対応できる。エージェントは情報源、計算、ツール操作、修正履歴を記録できる。レビュー担当者は、承認済みデータと成果物を比較し、重要な前提について人間による確認を求められる。

研修も変わらなければならない。新入社員には、速度を強調するデモンストレーションだけでなく、失敗を明らかにする管理された演習が必要だ。エージェントがどのように文脈を失い、期間を取り違え、表を誤読し、不整合なファイルを作るのかを学ぶべきである。

反復業務の最良の代替は、より短いオリエンテーション研修ではない。低価値な生産作業を取り除きつつ、意図的な練習を維持するよう再設計された徒弟制度だ。

検索可能なナレッジベースは、情報源と過去の意思決定をレビュー可能な状態に保つことで、このモデルを支援できる。しかし、検索だけで財務上の判断が妥当かどうかを決めることはできない。

徒弟制度の問題は、投資銀行業務を超えて広がる。会計、コンサルティング、法律、リサーチはいずれも、将来のレビュー担当者を育てるために若手の生産業務を活用している。この層を自動化すれば、雇用主は初心者から専門家へ至る、より明確な道筋を構築せざるを得ない。

銀行業務は、その成果物が財務、規制、評判に関わる影響を持つため、早期の試金石となる。弱い研修設計は、誤りが顧客に届くまで見えないままであり得る。

AIを管理する若手バンカーは中間管理職に圧力をかける

最も大きな圧力を受けるのは、若手社員そのものではなく、従来は若手の労働を調整してきた層かもしれない。

Sneader氏は、新入社員がすぐにエージェントを監督するようになった場合、中間管理職に何が起きるのかについて不確実性を認めた。この問いは、デジタル労働の経済性から直接生じる。

従来の銀行チームはピラミッド型である。比較的大きなアナリスト層が、より少数のアソシエイトとバイスプレジデントを支え、さらに少数のシニア・ディールメーカーを支える。各層は、その下の層の仕事をレビューし、調整し、洗練させる。

AIエージェントは生産基盤を細くする可能性がある。より少ないアナリストで、より多くのリサーチ、モデル、プレゼンテーション資料を生み出せるかもしれない。それにより、一部の管理職を正当化していた調整の負担は減少する。

同時に、自動化された仕事は新たなレビュー需要を生む。誰かがエージェントのアクセスを承認し、通常と異なる出力を評価し、対立を解消し、説明責任を記録しなければならない。こうした責任は管理職を維持する可能性があるが、その仕事はより技術的でリスク重視のものになる。

起こり得る結果は、ある一層がきれいに取り除かれることではない。管理業務が、若手社員、経験豊富な専門家、テクノロジーチーム、統制機能の間で再分配されることだ。

若手社員は日常的なエージェントの指揮を担うかもしれない。経験豊富なバンカーは前提や顧客への影響をレビューするかもしれない。モデルリスク、サイバーセキュリティ、法務、コンプライアンスの各チームは、ディールチームが覆せない境界を設定する可能性がある。

この分担は、難しい説明責任の問題を生む。アナリストが誤ったエージェント出力を受け入れた場合、責任はアナリスト、監督するアソシエイト、モデルの所有者、事業責任者の誰にあるのか。

銀行は、アナリストをエージェントマネージャーと呼ぶだけでは、この問題に答えられない。権限は説明責任と一致しなければならない。モデルを検査できず、統制を変更できず、期限を拒否できない新入社員は、完全な管理権限を持っているとは言えない。

したがって、AIが銀行雇用に与える影響は、モデルの能力だけでなく、ワークフローの設計に左右される。エージェントがタスクを完了したからといって、そのタスクを取り巻く役割が自動的になくなるわけではない。

最近の銀行業界分析は、その区別を裏付けている。業界雇用レビューでは、短期的には自動化が完全な職務ではなく、特定の業務を置き換える可能性が高いとされた。

このレビューは、書類確認、定型的なコンプライアンスチェック、情報処理を影響を受けやすい業務として挙げた。一方で、AIガバナンス、検証、監督、人間と機械の協働に対するニーズが高まっていることも指摘している。

同じ分析では、Morgan Stanleyによるより厳しい長期見通しも紹介された。欧州の銀行は5年間で雇用を10％削減する可能性があるが、その減少の多くは自然減や退職で説明できる可能性がある。

これらの見方は矛盾しない。銀行はAI関連の新たな職種を生み出す一方で、特定の機能における総雇用を減らすことができる。また、より優れたツールによって追加のビジネスを獲得できれば、フロントオフィス人材の採用を増やすこともあり得る。

Goldman CEOのDavid Solomonは、AI主導の雇用崩壊という予測は誇張されていると主張してきた。この立場は、即座に新卒採用から排除するのではなく、仕事を再設計することに焦点を当てるSneaderの見解と一致する。

それでも、初級職の採用を維持することが、同じキャリア構造を保証するわけではない。銀行は採用するアナリスト数を減らし、一人ひとりの採用者により多くを求め、従来型の管理職へ昇進させる割合を小さくする可能性がある。

この移行の中心にあるのは生産性への圧力だ。ある銀行が、一人のアナリストで複数のエージェントを管理できると示せば、競合他社も同等の成果を出す圧力に直面する。経営幹部はその高い処理能力を恒久的な基準として扱うようになるかもしれない。

それはサービスを向上させ、事業を拡大し得る。一方で、自動化で節約された時間が追加業務への期待に変わる場合、業務負荷を強める可能性もある。

「virtual army」という表現は、両方の可能性を捉えている。軍隊はレバレッジをもたらすが、同時に指揮系統、ルール、検証、そして行動が誤った際の明確な責任も必要とする。

したがって、中間管理職にとっての課題は、管理職が一夜にして消えるかどうかではない。生産がより速く、より自動化された後にも、調整が価値を持ち続けるかどうかだ。

主に階層間で情報を伝達する管理職は、より大きな圧力に直面する。判断を教え、曖昧さを解消し、リスクに責任を持つ管理職には、より明確な役割が残る。

銀行向けAIエージェントは依然として顧客提供水準の試験を通過していない

即時の自律化に反する最も強い証拠は、ワークフローを完了することと、銀行が安全に顧客へ提供できる成果物を作ることの間にある隔たりだ。

エージェントのデモでは、しばしばタスク完了が強調される。システムはファイルを開き、データを収集し、レポートを書き、プレゼンテーションを組み立てる。この一連の流れは、ジュニアバンカーの日常業務と驚くほど似ている。

プロフェッショナルとしての実務準備には、より高い基準が求められる。すべての数値は正しい期間と対象企業を指していなければならない。計算はファイル間で一貫していなければならない。情報源は主張を裏付け、機密情報は認可されたシステム内にとどめる必要がある。

BankerToolBenchは、その違いを示している。最高性能のモデルは複雑な銀行業務のかなりの部分を完了したものの、多くの評価基準を満たせなかった。参加したバンカーは、生成された成果物パッケージを顧客提供可能とは見なさなかった。

ファイル間の整合性は顕著な障害だった。バリュエーションはスプレッドシート内では正しくても、スライドでは誤って表示されることがある。文書による要約では、基礎となるモデルと一致しなくなった前提を使う可能性がある。

人間のアナリストも同様のミスをする。違いは規模と不透明さにある。レビュアーが元の問題に気づく前に、一つのエージェントが誤った前提を多数の成果物に複製してしまう可能性がある。

ジュニアによる監督は、そのリスクをなくさない。もっともらしく見える誤りを見抜く十分な専門知識がレビュアーにない場合、そのリスクを増幅させる可能性がある。

銀行は、多くのソフトウェア企業よりも厳格な制約の下で事業を行っている。機密性の高い顧客情報、重要な未公表情報、個人データ、規制当局の審査対象となる意思決定を扱う。

エージェントが意味のある業務を行うには、制御されたアクセスが必要だ。そのアクセスを付与すれば、誤った指示、侵害された統合、不適切なデータ転送による潜在的な被害も拡大する。

Citiのアプローチは、銀行がこの緊張関係にどう対処しようとしているかを示している。同社の社内agent platformは、モデルへのアクセス、エージェント作成、監視、緊急介入を一元化する。

Citiは、同プラットフォーム導入時点で18万人の従業員がすでに企業向けAIツールを利用していたと述べた。このシステムは、従業員がエージェントの行動を監視し、必要に応じてタスクを停止できるように設計された。

これは、Sneaderが説明したのと同じ管理上の問題に対するインフラ面での対応だ。銀行がエージェントの行動を可視化できなければ、従業員はエージェントを確実に管理できない。

技術的な統制は答えの一部にすぎない。チームには、許可されるタスク、必須レビュアー、信頼できる情報源、人間に留保される意思決定を定める運用ルールも必要だ。

リサーチエージェントは公開開示資料を収集し、市場情報を要約できる。しかし、顧客向け資料からどの開示を除外するかを独自に決めるべきではない。その判断には文脈と職業上の責任が伴う。

モデリングエージェントは前提を提案し、シナリオを実行できる。それでも人間のバンカーは、それらの前提が取引、顧客の目的、現在の市場環境に適しているかを確認すべきだ。

最も強力な導入では、支援、推奨、実行を分ける。それぞれの段階には、異なる承認基準と監査証跡が必要となる。

支援は情報を取得または再形式化する。推奨は、人間が受け入れるか拒否できる判断を提示する。実行はシステムを変更し、外部と通信し、または組織を行動にコミットさせる。

この3つをすべて「エージェント管理」と呼ぶと、重要な違いが見えなくなる。新入社員は、基本的な研修後に一部の支援タスクを安全に指示できる。リスクの高い推奨や行動には、経験者による承認が必要だ。

検証の隔たりは速度にも影響する。エージェントは数分でドラフトを作成できるが、レビュアーは情報源の追跡や不整合の照合に、はるかに長い時間を費やすことがある。総生成時間は、純粋な生産性と同じではない。

したがって銀行は、生のアウトプットではなく、修正後のアウトプットを測定すべきだ。有用な指標には、レビュー時間、エラーの重大度、修正回数、エスカレーション率、大幅な変更なしに承認された成果物の割合が含まれる。

また、ジュニア従業員が成長しているかも追跡すべきだ。エージェント利用が増えてもレビューの正確性が横ばいのままであれば、新しい徒弟制度は専門性を育てることに失敗している。

懐疑的な見方は、銀行向けAIエージェントが役に立たないというものではない。現在の証拠は、訓練を受けたアナリストの自律的な代替手段として扱うことを支持していない、ということだ。

その当面の価値は、人間によるレビューを維持しつつ、範囲を限定したタスクを加速することにある。より困難なのは、レビューを形式的なものではなく意味のあるものにする仕組みを設計することだ。

Goldmanの競合各社はAIスキルを採用要件に変えつつある

銀行は、任意のAI実験から、責任あるエージェント利用が基本的な資格となる雇用市場へと移行している。

Goldmanの発言は、より広範な競争上の変化の一部だ。銀行は、複数のモデルを使い、組織内データと接続し、セキュリティを損なうことなくその出力を判断できる従業員を求めている。

UBSはすでに、その期待を採用に反映させている。採用要件に関する報道によれば、2027年の新卒・インターン採用の応募者は、実践的なAI習熟度を示さなければならない。

この要件は、単に消費者向けチャットボットに慣れていることではなく、責任ある実験とビジネス成果に焦点を当てている。UBSはまた、実際の銀行業務ユースケースを軸としたAI研修パスを計画している。

Citiは、インフラを通じて同じ移行に取り組んでいる。同社のArcプラットフォームは、開発者にモデルとエージェントを組み合わせるための管理された環境を提供する。より広範な従業員アクセスは、時間をかけて進むと見込まれている。

JPMorganは、エージェントが従業員の意図を解釈し、システム横断で行動を調整するAIネイティブなワークスペースを説明している。このビジョンは、アプリケーションの切り替えを対話型オーケストレーションに置き換えるものだ。

こうしたアプローチは、Goldmanに二方向から圧力をかける。同社は従業員に競争力のあるツールを提供しなければならず、同時に、それらのツールが規制対象のワークフロー内で安全であり続けることを証明しなければならない。

したがって、AIが銀行業務に与える影響は、組織学習の競争によって形作られる。勝つ銀行は、必ずしも最も多くのエージェントを導入する銀行ではない。競合他社より速く、エージェントの出力を信頼できる顧客サービスへ変換する銀行だ。

そのためには技術が必要だが、文書化と組織的な記憶も必要となる。チームは、どのプロンプト、データソース、前提、承認パターンが許容可能な結果を生むのかを保存する必要がある。

エージェントの失敗から毎回学ぶ銀行は、自らのオペレーティングシステムを改善できる。失敗を孤立したユーザーのミスとして扱う銀行は、チーム間で同じ失敗を繰り返すことになる。

採用もそれに応じて変わる。銀行は引き続き、会計、バリュエーション、文章作成、コミュニケーションのスキルを重視する。一方で、候補者がタスクを適切に設定し、証拠を評価し、自動化された結論に異議を唱えられるかをますます試すようになる。

この組み合わせが重要なのは、プロンプトに習熟しているだけでは容易に模倣できるからだ。候補者は、なぜ結果が正しいのかを理解しなくても、洗練された資料を作成できる。

経験豊富なレビューは依然として希少なリソースだ。すべてのアナリストがより多くの資料を生成すれば、シニアバンカーが新たなボトルネックになり得る。銀行には、低レベルの検証作業を減らす専任レビュアーや自動チェックが必要になるかもしれない。

競争は従業員の期待も変える可能性がある。エージェントが準備作業を担うことで、新卒者はより早く高付加価値の業務に携われるかもしれない。一方で、同等の経験がないままアソシエイト水準のアウトプットを求められる圧力に直面する可能性もある。

後者の結果は、生産性目標が研修より速く進む場合に起こりやすい。銀行は数カ月でソフトウェアを導入できるが、プロフェッショナルな判断力の育成には何年もかかる。

このタイミングのずれは、既存の金融機関に強みと弱みの両方をもたらす。彼らは広範な社内知識を持つが、その多くは経験豊富な従業員や非公式なレビュー慣行の中に埋め込まれている。

そうした慣行を明示的な統制に変えることは難しい。かつて直感的に下していた判断を、シニアバンカーが説明する必要があるためだ。

AIを管理するジュニアバンカーは、その透明性から恩恵を受けられる。明確なレビュー規則は、多忙な管理職から理由の説明なく修正を受けるよりも、強固な学習構造を提供する。

同じ透明性によって、パフォーマンスもより測定可能になる可能性がある。銀行は、どの従業員がエラーを発見し、指示を改善し、適切にエスカレーションを行うかを把握できる。

しかし、継続的な測定は不健全なインセンティブを生み出す可能性がある。アナリストは、例外が多く発生する複雑な案件を避けながら、可視化される処理量を最適化するかもしれない。管理職は、慎重な却下も、成功した完了と同様に評価しなければならない。

したがって競争は、モデルへのアクセスだけでなく、組織設計をめぐるものでもある。Goldman、Citi、UBS、JPMorganは、類似した基盤技術を購入できる。優位性は、判断と責任をどのように分配するかから生まれる。

AIが銀行業界のキャリア階段を書き換える中で注目すべきこと

次の重要な証拠は、導入状況、再設計された研修、そして銀行チームの構成における測定可能な変化だ。

まず、エージェントがワークフローのどこに導入されるかについて、Goldmanによる具体的な開示に注目すべきだ。最も有用な証拠は、タスク、レビュー要件、従業員への適用範囲、測定されたエラー率を特定するものとなる。

Sneaderの発言は、完全な導入報告ではなく方向性を示すものだ。投資銀行業務全体への広範な展開は、エージェント管理が初級職の機能になったという見方を強めるだろう。

限定的なプログラムであれば、より狭い解釈を支持することになる。つまりGoldmanが、確立されたアナリストモデルを置き換えるのではなく、新たな責任範囲を試していることを示すだろう。

第二に、銀行が新卒者向け研修をどのように再設計するかに注目したい。UBSはすでにAI能力を採用と結び付けているが、技術的な習熟だけでは徒弟制度の空白を埋められない。

強いプログラムは、エージェントの活用に手作業の演習、失敗分析、情報源の検証、監督下での顧客対応シナリオを組み合わせる。新入社員が時間とともにより良い判断力を身につけているかを測定するはずだ。

弱いプログラムは、理解度を検証せずに生産スピードの向上を重視する。若手バンカーがエージェント出力の前提を説明できなければ、管理職という肩書きはほぼ見せかけに過ぎない。

第三に、単発の人員削減発表ではなく、銀行雇用の構成に注目すべきだ。アナリスト採用、アソシエイトへの昇進、統制機能の拡大、社内配置転換は、業務がどこへ移っているかを明らかにする。

若手採用の減少は、AIがエントリーレベルの機会を維持するという主張を弱める。採用が安定する一方で中間管理職の役割が減少すれば、Sneaderのより具体的な懸念を裏付けることになる。

モデルガバナンスや専門的なレビュー職の増加は、自動化が業務を再配分していることを示す。ただし、それだけで総雇用が変わらないことの証明にはならない。

読者は、タスクの自動化とキャリアの自動化も区別すべきだ。エージェントはバンカーの業務の一部を完了できるが、顧客からの信頼、組織としての説明責任、商業的な判断力まで再現できるわけではない。

この区別も固定的なものではない。モデルが改善されれば、銀行はより相互に関連したタスクを委任するようになる。統制と研修も同じ速度で進化しなければならない。

金融以外のナレッジワーカーにとって、Goldmanの実験は直接的な問いを投げかける。最初の徒弟期間を迎える前に、最初の昇進が訪れたら何が起きるのか。

答えは、組織がAIの監督を本物のマネジメントとして扱うかどうかにかかっている。真のマネジメントには、委任した業務が失敗した際の権限、専門性、文書化、説明責任が必要だ。

Goldman SachsのAIエージェントは、若手バンカーに大きなレバレッジをもたらし得る。しかし、少なくとも現時点では、すべての結果を判断するために必要な経験までは与えられない。

実践的な対応は、その判断力を意図的に育てることだ。働く人は、情報源をたどり、前提を検証し、不確実性を記録し、完成しているように見えても裏付けのない出力を退ける訓練をすべきである。

雇用主は、導入したエージェントの数ではなく、修正後の成果と従業員の学習によってAIプログラムを評価すべきだ。決定的な指標は、仕事が速くなるだけでなく、安全にもなるかどうかである。

銀行がこの基準を維持すれば、エントリーレベルの役割はより分析的で、より機械的でないものになり得る。そうでなければ、仮想的な労働力が、新たな管理者が検知できるよりも速く誤りを再生産するかもしれない。