Goldman Sachs AI Agents, 신입 은행원을 첫날부터 관리자로 만든다

Goldman Sachs AI agents가 전통적인 도제식 교육을 무엇으로 대체해야 할지 은행들이 합의하기도 전에 신입 뱅킹 직무를 바꾸고 있다. Goldman 임원 Kevin Sneader에 따르면 신입 직원은 입사 첫날부터 자동화된 업무자를 감독하게 될 수 있다. 이는 조기 승진처럼 들리지만, 과거 애널리스트에게 뱅킹 업무의 전체 맥락을 가르쳤던 과업들을 없애기도 한다.

Sneader는 Bloomberg가 보도한 발언에서 “이제 젊은 직원들이 업무를 시작하면 에이전트를 관리하게 된다”고 말했다. 그는 이 에이전트들을 젊은 직원들이 효과적으로 지휘해야 하는 가상 인력으로 설명했다. Sneader는 일본을 제외한 아시아태평양 지역의 Goldman Sachs를 이끌며, 은행 경영위원회 위원이기도 하다.

이러한 구도는 일반적인 자동화 서사를 뒤집는다. 당면한 질문은 단순히 AI가 주니어 직무를 없애는지 여부가 아니다. 이전에는 판단력을 길러 주던 반복 업무 없이도 은행이 경험 없는 신입사원을 신뢰할 수 있는 감독자로 만들 수 있는지가 핵심이다.

다른 은행들도 이미 같은 방향으로 움직이고 있다. Citi는 직원들이 에이전트를 만들고 감독할 수 있는 인프라를 구축하고 있으며, UBS는 신입사원의 실무적 AI 활용 능력을 시험하고 있다. 따라서 경쟁은 기본적인 AI 접근성에서 엄격히 통제되는 기관 내부의 신뢰할 수 있는 위임으로 이동하고 있다.

이 약속은 더 큰 책임을 맡으며 업무를 시작하는, 생산성이 더 높은 애널리스트다. 해결되지 않은 문제는 경험보다 책임이 먼저 주어질 때 오류, 부실한 감독 또는 숨겨진 운영 리스크가 커지지 않을 수 있느냐는 점이다.

Goldman Sachs AI Agents가 신입 직원에게 바꾸는 것

신입 은행원의 역할은 일상적 업무의 생산자에서 기계가 생산한 업무의 관리자로 재정의되고 있다.

수십 년 동안 주니어 투자은행가는 반복을 통해 배웠다. 이들은 기업 데이터를 수집하고, 재무제표를 점검하며, 밸류에이션 모델을 구축하고, 프레젠테이션 자료를 업데이트하고, 일관되지 않은 수치를 대조했다. 이런 과업은 지루했지만 애널리스트에게 거래의 이면에 있는 구조를 보여주기도 했다.

Agentic AI는 이 워크플로를 바꾼다. AI agent는 여러 단계, 도구 및 데이터 소스를 거쳐 정의된 목표를 추구할 수 있는 소프트웨어다. 일반적인 챗봇과 달리, 더 적은 인간의 지시만으로 과업 간을 이동하고 서로 연결된 결과물을 만들어 낼 수 있다.

주니어 은행원은 에이전트에게 비교기업 정보를 수집하고, 밸류에이션 분석 초안을 작성하며, 프레젠테이션 자료를 준비하도록 요청할 수 있다. 이후 인간 직원은 근거를 검토하고, 불일치를 수정하며, 결과물이 시니어 은행원에게 적합한지 판단하게 된다.

Sneader의 발언은 이 모델을 실험 단계 너머로 밀어낸다. 에이전트 감독을 나중에 습득하는 전문 업무가 아니라 출발점의 책임으로 제시한다. 신입 직원은 인간과 디지털 인력이 혼합된 조직의 운영자로 뱅킹 업무에 들어가게 된다.

그렇다고 Goldman이 모든 전통적 애널리스트 업무의 폐지를 발표한 것은 아니다. 공개 발언에는 도입 규모, 일정 또는 세부적인 직무 재설계가 제시되지 않았다. 이는 업무가 어떻게 변하고 있는지에 관한 고위 임원의 견해를 제공할 뿐이다.

이 구분은 중요하다. 경영진의 전망은 완성된 운영 모델과 같지 않다. Goldman은 여전히 에이전트가 처리할 수 있는 업무, 그 결과를 승인하는 주체, 그리고 각 팀에서 책임이 어떻게 이동하는지를 결정해야 한다.

Sneader의 직위는 그의 발언에 무게를 더한다. 그의 리더십 프로필은 그를 Asia Pacific Ex-Japan 사장 및 여러 고위 위원회의 구성원으로 소개한다. 그는 이전에 McKinsey의 글로벌 매니징 파트너를 지냈다.

그의 경영 배경은 조직적 초점도 분명히 한다. 이 발언은 하나의 AI 제품보다 뱅킹 위계에서 책임이 유입되는 방식을 바꾸는 일에 관한 것이다.

기존 모델에서 애널리스트는 업무를 생산하고, 어소시에이트는 이를 검토하며, 시니어 은행원은 고객을 상대로 한 결정을 내렸다. 에이전트는 생산 단계의 일부를 거의 즉시 수행할 수 있기 때문에 이 사다리를 복잡하게 만든다.

그러면 애널리스트는 훨씬 이른 시점에 검토자가 된다. 어소시에이트는 애널리스트, 에이전트 또는 둘 다를 검토할지 결정해야 한다. 여러 자동화 시스템이 최종 자료에 기여하더라도 시니어 은행원은 고객에 대한 책임을 계속 진다.

따라서 AI를 관리하는 주니어 은행원에게는 프롬프트 작성 능력 이상의 역량이 필요하다. 이들은 업무를 정의하고, 신뢰할 수 있는 출처를 선택하며, 모순을 발견하고, 변경 사항을 문서화하고, 불확실성을 상향 보고해야 한다. 이 모든 행동은 초보자가 아직 길러 가는 판단력에 의존한다.

가장 중요한 변화는 문서를 더 빨리 만드는 일이 아니다. 전문직 위계의 최하위 단계로 감독 책임이 이전되는 일이다.

뱅킹 도제 교육은 훈련의 한 층을 잃고 있다

자동화는 잡무를 없애지만, 바로 그 잡무가 전문적 판단력을 기르는 데 필요한 근거를 제공하곤 했다.

뱅킹 도제 교육에는 늘 불편한 거래가 있었다. 주니어 직원들은 장시간 반복 업무를 수행하는 대신, 기업, 재무제표, 시장 및 거래가 어떻게 연결되는지를 점차 배웠다.

불필요한 반복을 없애면 직무를 개선할 수 있다. 기업금융을 이해하기 위해 수백 건의 수동 서식 수정이 필요한 애널리스트는 거의 없다. 더 빠른 리서치와 문서 조립은 해석, 고객 준비 및 의사결정에 더 많은 시간을 남길 수 있다.

그러나 모든 반복 업무가 교육적으로 공허한 것은 아니다. 모델을 다시 구축하면 가정들이 왜 상호작용하는지 드러날 수 있다. 공시 자료 전반의 수치를 확인하면 어떤 공시에 회의적 태도가 필요한지 배울 수 있다. 프레젠테이션을 수정하면 특정 고객에게 어떤 사실이 중요한지 알 수 있다.

에이전트는 이런 활동을 완성된 파일로 압축할 수 있다. 그 결과물은 시간을 절약하지만, 결과 뒤에 놓인 의사결정의 연쇄를 가릴 수도 있다. 초보 검토자는 그 아래의 취약한 가정을 알아차리지 못한 채 잘 다듬어진 업무를 볼 수 있다.

이것이 Goldman Sachs AI agents 이야기의 핵심적인 역전이다. 이 기술은 주니어 은행원이 전통적으로 관리와 연관되던 경험을 갖추기 전에 관리적 지렛대를 지닌 것처럼 보이게 한다.

관리자는 일반적으로 축적된 지식과 비교해 업무를 평가한다. 에이전트를 감독하는 신입 애널리스트는 수년간의 유사한 업무 경험에 의지할 수 없다. 애널리스트에게는 구조화된 검토, 시뮬레이션 또는 명시적 검증 규칙 같은 다른 피드백 원천이 필요하다.

이 문제는 이미 측정 가능하다. BankerToolBench 연구는 502명의 은행원과 함께 개발한 엔드투엔드 투자은행 워크플로에서 최첨단 에이전트를 시험했다. 과업에는 모델, 프레젠테이션, 보고서, 데이터룸, 시장 플랫폼 및 규제 공시가 포함됐다.

연구진은 100개가 넘는 기준으로 9개의 최첨단 모델을 평가했다. 가장 좋은 성능을 보인 모델조차 그 기준의 거의 절반을 충족하지 못했다. 은행원들은 그 모델의 완성된 결과물 중 고객에게 제공할 준비가 됐다고 평가한 것이 없었다.

이 결과가 Goldman의 내부 시스템 성능을 입증하는 것은 아니다. 해당 벤치마크는 특정 연구 환경을 대상으로 했고, 은행별 도구는 비공개 데이터, 통제 장치 및 전문 지침을 사용할 수 있다. 다만 감독이 형식적인 단계가 되어서는 안 되는 이유를 보여준다.

잘못된 수치 하나를 담은 그럴듯한 모델은 명백히 망가진 파일보다 더 위험할 수 있다. 정교한 프레젠테이션은 신뢰를 유도하고, 오류는 여러 연결 문서로 퍼질 수 있다.

이 지점에서 AI를 관리하는 주니어 은행원은 어려운 과제에 직면한다. 이들은 혼자서는 만들기 어려운 수준으로 완성돼 보이는 결과물에 의문을 제기해야 한다. 자신감과 역량을 구분하기 어려워질 수 있다.

은행은 숨겨진 과정을 가시화함으로써 대응할 수 있다. 에이전트는 출처, 계산, 도구 사용 및 수정 내역을 기록할 수 있다. 검토자는 결과물을 승인된 데이터와 비교하고 민감한 가정에는 인간의 확인을 요구할 수 있다.

교육도 바뀌어야 한다. 신입 직원에게는 속도만 강조하는 시연이 아니라 실패를 드러내는 통제된 연습이 필요하다. 이들은 에이전트가 어떻게 맥락을 잃고, 기간을 혼동하며, 표를 잘못 읽고, 일관되지 않은 파일을 만드는지 배워야 한다.

반복 업무를 대체하는 최선의 방법은 더 짧은 오리엔테이션 세미나가 아니다. 저부가가치 생산 업무를 없애면서 의도적인 연습을 보존하는 재설계된 도제 교육이다.

검색 가능한 지식 기반은 검토를 위해 원천 자료와 과거 의사결정을 이용할 수 있게 함으로써 이 모델을 지원할 수 있다. 그러나 검색만으로 재무적 판단이 타당한지 결정할 수는 없다.

도제 교육의 문제는 투자은행을 넘어선다. 회계, 컨설팅, 법률 및 리서치 모두 미래의 검토자를 양성하기 위해 주니어 생산 업무를 활용한다. 이 층을 자동화하면 고용주는 초보자에서 전문가로 나아가는 더 명확한 경로를 구축해야 한다.

뱅킹은 결과물이 재무적, 규제적 및 평판상 결과를 수반하기 때문에 단지 이른 시험 사례를 제공할 뿐이다. 취약한 교육 설계는 오류가 고객에게 도달할 때까지 보이지 않을 수 있다.

AI를 관리하는 주니어 은행원, 중간관리층에 압박을 가하다

가장 큰 압박을 받는 역할은 주니어 직원 자체보다 전통적으로 주니어 노동을 조율해 온 층일 수 있다.

Sneader는 신입 직원이 곧바로 에이전트를 감독할 때 중간관리자에게 어떤 일이 일어날지에 관한 불확실성을 인정했다. 이 질문은 디지털 노동의 경제학에서 직접적으로 나온다.

전통적인 뱅킹 팀은 피라미드와 닮았다. 비교적 큰 애널리스트 집단이 더 적은 수의 어소시에이트와 부사장을 지원하고, 이들은 더 작은 규모의 시니어 딜메이커 그룹을 지원한다. 각 층은 하위 층의 업무를 검토하고, 조율하며, 다듬는다.

AI agents는 생산 기반을 좁힐 수 있다. 더 적은 수의 애널리스트가 더 많은 리서치, 모델 및 프레젠테이션 자료를 만들 수 있다. 이는 일부 관리 역할을 정당화했던 조율 부담을 줄인다.

동시에 자동화된 업무는 새로운 검토 수요를 만든다. 누군가는 에이전트 접근 권한을 승인하고, 이례적인 결과를 평가하며, 충돌을 해결하고, 책임 소재를 문서화해야 한다. 이런 책임은 관리자를 유지할 수 있지만, 이들의 업무는 더 기술적이고 리스크 중심적으로 바뀌게 된다.

가능성 높은 결과는 한 층이 깔끔하게 사라지는 일이 아니다. 주니어 직원, 숙련된 전문가, 기술팀 및 통제 기능 전반에 걸친 관리 업무의 재분배다.

주니어 직원은 일상적인 에이전트 지휘를 맡을 수 있다. 숙련된 은행원은 가정과 고객 영향도를 검토할 수 있다. 모델 리스크, 사이버보안, 법무 및 컴플라이언스 팀은 어떤 딜 팀도 무시할 수 없는 경계를 설정할 수 있다.

이러한 분배는 어려운 책임 소재 문제를 낳는다. 애널리스트가 결함 있는 에이전트 결과물을 승인했다면, 책임은 애널리스트, 감독 어소시에이트, 모델 소유자 또는 사업부 임원 중 누구에게 있는가?

은행은 애널리스트를 에이전트 관리자라고 부르는 것만으로 이 질문에 답할 수 없다. 권한은 책임과 일치해야 한다. 모델을 점검하거나, 통제를 변경하거나, 마감 기한을 거부할 수 없는 신입 직원은 완전한 관리 권한을 갖고 있지 않다.

따라서 AI가 뱅킹 고용에 미치는 영향은 모델 역량뿐 아니라 워크플로 설계에 달려 있다. 에이전트가 과업을 완료한다고 해서 그 과업을 둘러싼 역할이 자동으로 사라지는 것은 아니다.

최근 은행권 분석은 이러한 구분을 뒷받침한다. 한 업계 고용 검토 보고서는 단기적으로 자동화가 직무 전체보다는 특정 업무 활동을 대체할 가능성이 더 크다고 분석했다.

이 보고서는 문서 검증, 일상적인 컴플라이언스 점검, 정보 처리 등을 영향을 받기 쉬운 업무로 꼽았다. 동시에 AI 거버넌스, 검증, 감독, 인간-기계 협업 분야의 수요가 늘고 있다고 지적했다.

같은 분석은 Morgan Stanley의 더 엄격한 장기 전망도 소개했다. 유럽 은행들은 5년 동안 고용을 10% 줄일 수 있지만, 그 감소분의 상당 부분은 자연 감원과 은퇴로 발생할 수 있다.

이러한 견해는 서로 모순되지 않는다. 은행은 특정 기능 부문의 전체 인력을 줄이면서도 새로운 AI 관련 직무를 만들 수 있다. 더 나은 도구가 추가 사업 수주에 도움이 된다면 프런트오피스 인력을 더 채용할 수도 있다.

Goldman CEO David Solomon은 AI가 촉발할 일자리 붕괴에 대한 전망이 과장됐다고 주장해 왔다. 이는 신입 배제보다 업무 재설계에 초점을 맞춘 Sneader의 관점과도 맞닿아 있다.

다만 신입 채용을 유지한다고 해서 기존과 같은 경력 구조가 보장되는 것은 아니다. 은행은 애널리스트 채용을 줄이고, 각 신입에게 더 높은 수준을 요구하며, 전통적인 관리직으로 승진시키는 비중을 낮출 수 있다.

생산성 압박은 이러한 전환의 핵심이다. 한 명의 애널리스트가 여러 에이전트를 관리할 수 있다는 사실을 은행이 입증하면, 경쟁사들은 그 산출량을 따라잡아야 한다는 압박을 받게 된다. 이후 고위 경영진은 높아진 역량을 영구적인 기준선으로 간주할 수 있다.

이는 서비스를 개선하고 사업을 확장할 수 있다. 그러나 자동화로 절약된 시간이 추가 업무를 위한 당연한 전제가 되면 업무량도 더 늘어날 수 있다.

“가상 군대”라는 표현은 두 가능성을 모두 담고 있다. 군대는 레버리지를 제공하지만, 행동이 잘못됐을 때 필요한 지휘 체계, 규칙, 검증, 명확한 책임 소재도 요구한다.

따라서 중간관리자에게 주어진 과제는 관리자가 하루아침에 사라질지 여부가 아니다. 생산이 더 빠르고 자동화된 뒤에도 조정 기능이 여전히 가치를 지닐지의 문제다.

주로 계층 간 정보를 전달하는 관리자는 더 큰 압박에 직면한다. 판단력을 가르치고, 모호성을 해소하며, 리스크를 책임지는 관리자는 더 분명한 역할을 유지한다.

은행 AI 에이전트는 아직 고객 제공 수준의 기준을 통과하지 못한다

즉각적인 자율성에 반하는 가장 강력한 근거는 워크플로를 완료하는 것과 은행이 안전하게 제공할 수 있는 결과물을 만드는 것 사이의 격차다.

에이전트 시연은 흔히 업무 완료에 초점을 맞춘다. 시스템은 파일을 열고, 데이터를 수집하고, 보고서를 작성하며, 프레젠테이션을 구성한다. 이 과정은 주니어 뱅커의 일상 업무와 놀랄 만큼 닮아 보인다.

그러나 실무 준비 상태에는 더 높은 기준이 요구된다. 모든 수치는 올바른 기간과 법인을 가리켜야 한다. 계산은 여러 파일에서 일관성을 유지해야 한다. 출처는 주장을 뒷받침해야 하며, 기밀 정보는 승인된 시스템 안에 머물러야 한다.

BankerToolBench는 이러한 차이를 보여준다. 가장 우수한 모델도 복잡한 은행 업무의 상당 부분을 수행했지만, 여전히 많은 평가 기준을 충족하지 못했다. 참여 뱅커들은 산출된 패키지를 고객 제공 가능 수준으로 보지 않았다.

파일 간 일관성은 특히 두드러진 장애물이었다. 밸류에이션은 스프레드시트에서는 정확할 수 있지만 슬라이드에서는 잘못 표시될 수 있다. 작성된 요약문은 기초 모델과 더 이상 일치하지 않는 가정을 사용할 수도 있다.

인간 애널리스트도 비슷한 실수를 한다. 차이는 규모와 불투명성이다. 한 에이전트는 검토자가 원래 문제를 알아차리기 전에 잘못된 가정을 수많은 산출물에 반복 적용할 수 있다.

주니어 인력의 감독만으로는 그 위험이 사라지지 않는다. 검토자가 그럴듯해 보이는 오류를 알아볼 만큼 충분한 전문 지식을 갖추지 못했다면 오히려 위험이 커질 수 있다.

은행은 대부분의 소프트웨어 기업보다 더 엄격한 제약 아래 운영된다. 은행은 기밀 고객 정보, 중요 미공개 정보, 개인정보, 규제 검토 대상 의사결정을 다룬다.

에이전트가 의미 있는 업무를 수행하려면 통제된 접근 권한이 필요하다. 이러한 권한을 부여하면 잘못된 지시, 손상된 통합, 부적절한 데이터 이전으로 인한 잠재적 피해도 확대된다.

Citi의 접근 방식은 은행들이 이러한 긴장에 어떻게 대응하려 하는지를 보여준다. Citi의 내부 에이전트 플랫폼은 모델 접근, 에이전트 생성, 모니터링, 긴급 개입을 중앙화한다.

Citi는 플랫폼을 도입했을 당시 이미 18만 명의 직원이 기업용 AI 도구를 사용하고 있었다고 밝혔다. 이 시스템은 직원이 에이전트의 행동을 모니터링하고 필요할 경우 작업을 중단할 수 있도록 설계됐다.

이는 Sneader가 설명한 동일한 관리 문제에 대한 인프라 차원의 대응이다. 은행이 에이전트가 수행하는 일을 가시적으로 파악하지 못한다면 직원은 그 에이전트를 신뢰성 있게 관리할 수 없다.

기술적 통제는 해답의 일부일 뿐이다. 팀에는 허용 업무, 필수 검토자, 신뢰할 수 있는 출처, 인간에게 유보된 의사결정을 규정하는 운영 규칙도 필요하다.

리서치 에이전트는 공개 공시를 수집하고 시장 정보를 요약할 수 있다. 하지만 고객 자료에서 어떤 공시를 제외할지 독자적으로 결정해서는 안 된다. 그러한 결정에는 맥락과 전문적 책임이 수반된다.

모델링 에이전트는 가정을 제안하고 시나리오를 실행할 수 있다. 그러나 인간 뱅커는 그 가정이 거래, 고객 목표, 현재 시장 상황에 적합한지를 여전히 확인해야 한다.

가장 강력한 도입 사례는 지원, 추천, 실행을 분리할 것이다. 각 수준에는 서로 다른 승인 기준과 감사 추적이 필요하다.

지원은 정보를 검색하거나 재구성한다. 추천은 인간이 수용하거나 거부할 수 있는 판단을 제안한다. 실행은 시스템을 변경하거나, 외부와 소통하거나, 기관이 특정 행동을 하도록 약속하게 만든다.

이 세 활동을 모두 “에이전트 관리”라고 부르면 중요한 차이가 가려진다. 신입 직원은 기본 교육 후 일부 지원 업무를 안전하게 지시할 수 있다. 위험도가 높은 추천과 행동에는 경험 있는 인력의 승인이 필요하다.

검증 격차는 속도에도 영향을 미친다. 에이전트는 몇 분 안에 초안을 만들 수 있지만, 검토자는 출처를 추적하고 불일치를 조정하는 데 훨씬 더 많은 시간을 쓸 수 있다. 총 생성 시간은 순생산성과 같지 않다.

따라서 은행은 원시 산출량이 아니라 수정 후 산출물을 측정해야 한다. 유용한 지표로는 검토 시간, 오류 심각도, 수정 횟수, 에스컬레이션 비율, 큰 수정 없이 승인된 업무의 비율 등이 있다.

주니어 직원의 역량이 향상되는지도 추적해야 한다. 에이전트 사용이 늘어나는 동안 검토 정확도가 제자리걸음이라면, 새로운 도제 시스템은 전문성을 쌓는 데 실패하고 있는 것이다.

회의적인 견해는 은행 AI 에이전트가 쓸모없다는 주장이 아니다. 현재의 증거는 이들을 훈련된 애널리스트의 자율적 대체재로 취급하는 것을 뒷받침하지 않는다는 주장이다.

이들의 즉각적인 가치는 인간의 검토를 유지하면서 범위가 제한된 업무를 가속하는 데 있다. 더 어려운 과제는 검토가 형식적 절차가 아니라 실질적인 역할을 하도록 시스템을 설계하는 일이다.

Goldman의 경쟁사들은 AI 역량을 채용 요건으로 바꾸고 있다

은행들은 선택적 AI 실험에서 벗어나, 책임 있는 에이전트 활용이 기본 자격이 되는 고용 시장으로 이동하고 있다.

Goldman의 발언은 더 광범위한 경쟁 구도의 변화 가운데 나왔다. 은행들은 여러 모델을 활용하고, 이를 기관 데이터와 연결하며, 보안을 훼손하지 않고 산출물을 판단할 수 있는 직원을 원한다.

UBS는 이미 이러한 기대를 채용에 반영했다. 보도에 따르면 2027년 신입 및 인턴 채용 지원자는 실질적인 AI 활용 능력을 입증해야 한다는 채용 요건을 UBS가 도입했다.

이 요건은 단순히 소비자용 챗봇에 익숙한지를 보는 것이 아니라, 책임 있는 실험과 비즈니스 성과에 초점을 맞춘다. UBS는 실제 은행 업무 사례를 중심으로 한 AI 교육 과정도 계획하고 있다.

Citi는 인프라를 통해 같은 전환에 접근하고 있다. Citi의 Arc 플랫폼은 개발자에게 모델과 에이전트를 결합할 수 있는 통제된 환경을 제공한다. 시간이 지나면서 더 폭넓은 직원 접근도 뒤따를 것으로 예상된다.

JPMorgan은 에이전트가 직원의 의도를 해석하고 시스템 전반의 행동을 조정하는 AI 네이티브 업무 공간을 설명해 왔다. 이 비전은 애플리케이션 간 전환을 대화형 오케스트레이션으로 대체한다.

이러한 접근은 Goldman에 두 방향의 압박을 가한다. 직원들에게 경쟁력 있는 도구를 제공해야 하고, 그 도구가 규제된 워크플로 내에서 안전하게 유지된다는 점도 입증해야 한다.

따라서 AI가 은행업에 미치는 영향은 기관 간 학습 경쟁에 의해 좌우될 것이다. 승리하는 은행은 반드시 가장 많은 에이전트를 배포하는 은행이 아닐 수 있다. 경쟁사보다 더 빠르게 에이전트 산출물을 신뢰할 수 있는 고객 서비스로 전환하는 은행이 될 것이다.

이를 위해서는 기술뿐 아니라 문서화와 조직 기억도 필요하다. 팀은 어떤 프롬프트, 데이터 출처, 가정, 승인 패턴이 수용 가능한 결과를 만드는지 보존해야 한다.

모든 에이전트 실패에서 학습하는 은행은 운영 체계를 개선할 수 있다. 실패를 개별 사용자의 고립된 실수로 취급하는 은행은 그 문제를 팀 전반에서 반복하게 된다.

채용도 그에 맞춰 변화할 것이다. 은행은 회계, 밸류에이션, 글쓰기, 커뮤니케이션 역량을 계속 중시할 것이다. 동시에 후보자가 업무를 구조화하고, 증거를 평가하며, 자동화된 결론에 이의를 제기할 수 있는지 점점 더 시험할 것이다.

이 조합이 중요한 이유는 프롬프트 활용 능력만으로는 쉽게 흉내 낼 수 있기 때문이다. 후보자는 결과가 왜 정확한지 이해하지 못한 채 그럴듯한 자료를 만들 수 있다.

경험 있는 검토 역량은 여전히 희소한 자원이다. 모든 애널리스트가 더 많은 자료를 생성한다면, 시니어 뱅커는 새로운 병목이 될 수 있다. 은행은 전담 검토자나 저수준 검증 업무를 줄이는 자동화 점검이 필요할 수 있다.

경쟁은 직원의 기대도 재편할 수 있다. 에이전트가 준비 업무를 처리하면서 신입 직원은 더 이른 시기에 고부가가치 업무에 접근할 수 있다. 반면 이에 상응하는 경험 없이 어소시에이트 수준의 산출물을 내야 한다는 압박을 받을 수도 있다.

생산성 목표가 교육보다 더 빠르게 움직일 때 두 번째 결과가 나타날 가능성이 높아진다. 은행은 몇 달 안에 소프트웨어를 배포할 수 있지만, 전문적 판단력은 개발하는 데 수년이 걸린다.

이러한 시간 차이는 기존 기관에 강점이자 취약점을 동시에 제공한다. 이들은 광범위한 내부 지식을 보유하지만, 그중 상당수는 경험 많은 직원과 비공식적인 검토 관행에 내재돼 있다.

그러한 관행을 명시적 통제로 전환하는 일은 쉽지 않을 것이다. 이 과정에서는 시니어 뱅커가 과거에 직관적으로 내렸던 판단을 설명해야 한다.

AI를 관리하는 주니어 뱅커는 이러한 투명성의 혜택을 볼 수 있다. 명확한 검토 규칙은 바쁜 관리자의 설명 없는 수정에 비해 더 강력한 학습 구조를 제공한다.

같은 투명성은 성과를 더 측정 가능하게 만들 수도 있다. 은행은 어떤 직원이 오류를 발견하고, 지침을 개선하며, 에스컬레이션을 적절하게 활용하는지 파악할 수 있다.

그러나 지속적인 측정은 건강하지 않은 유인을 만들 수 있다. 애널리스트는 예외를 더 많이 발생시키는 복잡한 업무를 피하면서 눈에 보이는 처리량을 최적화할 수 있다. 관리자는 성공적인 완료뿐 아니라 신중한 거부에도 보상해야 한다.

따라서 경쟁의 핵심은 모델 접근성만큼이나 조직 설계에 있다. Goldman, Citi, UBS, JPMorgan은 유사한 기반 기술을 구매할 수 있다. 이들의 우위는 판단과 책임을 어떻게 배분하느냐에서 나올 것이다.

AI가 은행 경력 사다리를 재편하며 주목할 점

다음 핵심 검증 지점은 도입 증거, 재설계된 교육, 그리고 은행 팀 구성의 형태에서 측정 가능한 변화다.

먼저 Goldman이 에이전트가 워크플로에 어디에 들어오는지에 관해 구체적으로 공개하는지 지켜볼 필요가 있다. 가장 유용한 증거는 업무, 검토 요건, 직원 적용 범위, 측정된 오류율을 명시하는 자료일 것이다.

Sneader의 발언은 완전한 도입 보고서가 아니라 방향성을 설명한다. 투자은행 전반에 걸친 광범위한 도입은 에이전트 관리가 신입 수준의 역할이 됐다는 주장을 더욱 뒷받침할 것이다.

제한적인 프로그램이라면 더 좁은 해석을 뒷받침할 것이다. 이는 Goldman이 기존 애널리스트 모델을 대체하지 않고 새로운 책임을 시험하고 있음을 보여줄 것이다.

둘째, 은행들이 신입 졸업생 교육을 어떻게 재설계하는지 지켜봐야 한다. UBS는 이미 AI 역량을 채용과 연결했지만, 기술적 숙련도만으로는 도제식 교육의 공백을 해결할 수 없다.

강력한 프로그램은 에이전트 활용에 수작업 연습, 실패 분석, 출처 검증, 감독하의 고객 시나리오를 결합할 것이다. 또한 신입 직원들의 판단력이 시간이 지나며 향상되는지를 측정할 것이다.

취약한 프로그램은 이해도를 검증하지 않은 채 생산성 향상만 강조할 것이다. 주니어 뱅커가 에이전트 산출물의 전제를 설명할 수 없다면, 관리라는 직함은 대체로 명목상에 그칠 것이다.

셋째, 개별 해고 발표보다는 은행 고용의 구성을 살펴봐야 한다. 애널리스트 채용, 어소시에이트 승진, 통제 기능의 확대, 내부 재배치는 업무가 어디로 이동하는지를 보여줄 것이다.

주니어 채용 감소는 AI가 초급 수준의 기회를 보존한다는 주장을 약화시킬 것이다. 중간관리직이 줄어드는 가운데 채용이 안정적으로 유지된다면 Sneader의 보다 구체적인 우려를 뒷받침할 것이다.

모델 거버넌스와 전문 검토 역할의 증가는 자동화가 업무를 재분배하고 있음을 시사할 것이다. 그렇다고 전체 고용 규모가 변하지 않았다는 증거가 되는 것은 아니다.

독자들은 업무 자동화와 경력 자동화도 구분해야 한다. 에이전트는 고객 신뢰, 조직의 책임성, 상업적 판단을 재현하지 못한 채 뱅커 업무의 일부를 수행할 수 있다.

이 구분은 고정된 채로 남지 않을 것이다. 모델이 개선될수록 은행들은 서로 연결된 업무를 더 많이 위임할 것이다. 통제 체계와 교육도 같은 속도로 발전해야 한다.

금융권 밖의 지식 노동자들에게 Goldman의 실험은 직접적인 질문을 던진다. 첫 번째 도제 과정이 시작되기도 전에 첫 승진이 찾아오면 어떻게 될까?

그 답은 조직이 AI 감독을 진정한 관리 업무로 다루는지에 달려 있다. 실질적인 관리에는 위임된 업무가 실패했을 때의 권한, 전문성, 문서화, 책임성이 필요하다.

Goldman Sachs AI 에이전트는 주니어 뱅커에게 상당한 레버리지를 제공할 수 있다. 그러나 모든 결과를 판단하는 데 필요한 경험까지 제공할 수는 없다. 적어도 아직은 그렇다.

실질적인 대응은 그러한 판단력을 의도적으로 구축하는 것이다. 노동자들은 출처를 추적하고, 전제를 검증하며, 불확실성을 기록하고, 완성된 것처럼 보이지만 근거가 부족한 산출물을 거부하는 연습을 해야 한다.

고용주는 배치된 에이전트 수가 아니라 수정된 결과와 직원 학습을 기준으로 AI 프로그램을 평가해야 한다. 핵심 신호는 업무가 빨라지는 동시에 더 안전해지는지 여부가 될 것이다.

은행이 이 기준을 유지한다면 초급 직무는 더 분석적이고 덜 기계적인 역할로 바뀔 수 있다. 그렇지 않다면 가상 인력은 새 관리자들이 오류를 감지할 수 있는 속도보다 더 빠르게 오류를 재현할 수 있다.