Agenci AI Goldman Sachs oddają młodszych bankierów pod stery od pierwszego dnia
Agenci AI Goldman Sachs zmieniają pracę na poziomie juniorskim w bankowości, zanim banki ustaliły, co powinno zastąpić tradycyjny model praktyki zawodowej. Według Kevina Sneadera, dyrektora Goldman Sachs, nowi pracownicy mogliby nadzorować zautomatyzowanych pracowników już od pierwszego dnia. Zmiana brzmi jak wczesny awans, ale jednocześnie eliminuje zadania, które wcześniej uczyły analityków, jak poszczególne elementy pracy bankowej łączą się w całość.
„Kiedy nasi młodzi ludzie zaczynają teraz pracę, zarządzają agentami” — powiedział Sneader w wypowiedzi cytowanej przez Bloomberg. Opisał tych agentów jako wirtualną siłę roboczą, którą młodzi pracownicy muszą skutecznie kierować. Sneader kieruje działalnością Goldman Sachs w regionie Azji i Pacyfiku z wyłączeniem Japonii oraz zasiada w komitecie zarządzającym banku.
Takie ujęcie odwraca typową narrację o automatyzacji. Bezpośrednie pytanie nie brzmi już po prostu, czy AI eliminuje stanowiska juniorskie. Chodzi o to, czy banki potrafią przekształcić niedoświadczonych rekrutów w godnych zaufania przełożonych bez powtarzalnej pracy, która wcześniej rozwijała ich osąd.
Inne banki już podążają w tym samym kierunku. Citi buduje infrastrukturę, która pozwoli pracownikom tworzyć i nadzorować agentów, podczas gdy UBS testuje rekrutów pod kątem praktycznej biegłości w AI. Konkurencja przesuwa się więc od podstawowego dostępu do AI w stronę zaufanego delegowania zadań w ściśle kontrolowanych instytucjach.
Obietnica dotyczy bardziej produktywnego analityka, który od początku otrzymuje większą odpowiedzialność. Nierozwiązany problem polega na tym, czy odpowiedzialność może pojawić się przed doświadczeniem bez zwiększania liczby błędów, słabego nadzoru lub ukrytego ryzyka operacyjnego.
Co agenci AI Goldman Sachs zmieniają dla nowych pracowników
Bankier na poziomie juniorskim przekształca się z wykonawcy rutynowej pracy w menedżera pracy wykonywanej przez maszyny.
Przez dziesięciolecia młodsi bankierzy inwestycyjni uczyli się przez powtarzanie. Zbierali dane o spółkach, sprawdzali sprawozdania finansowe, budowali modele wyceny, aktualizowali prezentacje i uzgadniali niespójne dane. Zadania te były żmudne, ale jednocześnie odsłaniały analitykom mechanizmy stojące za transakcją.
Agentowa AI zmienia ten przepływ pracy. Agent AI to oprogramowanie, które może realizować określony cel przy użyciu kilku etapów, narzędzi i źródeł danych. W przeciwieństwie do standardowego chatbota może przechodzić między zadaniami i tworzyć powiązane rezultaty przy mniejszej liczbie poleceń ze strony człowieka.
Młodszy bankier może poprosić agenta o zebranie informacji o porównywalnych spółkach, przygotowanie analizy wyceny oraz materiałów prezentacyjnych. Pracownik następnie przeanalizowałby dowody, skorygował niespójności i zdecydował, czy wynik nadaje się dla starszych bankierów.
Wypowiedź Sneadera wykracza z tym modelem poza etap eksperymentów. Przedstawia nadzór nad agentami jako początkową odpowiedzialność, a nie specjalistyczne zadanie zdobywane później. Nowi pracownicy wchodziliby do bankowości jako operatorzy mieszanej, ludzkiej i cyfrowej siły roboczej.
Nie oznacza to, że Goldman ogłosił likwidację każdego tradycyjnego zadania analityka. Publiczne wypowiedzi nie zawierają danych o skali wdrożenia, harmonogramu ani szczegółowego przeprojektowania stanowisk. Przedstawiają perspektywę wysokiego rangą dyrektora na to, jak zmienia się praca.
To rozróżnienie ma znaczenie. Prognoza kierownictwa nie jest tym samym co ukończony model operacyjny. Goldman nadal musi ustalić, które zadania mogą obsługiwać agenci, kto zatwierdza ich pracę i jak odpowiedzialność przepływa przez każdy zespół.
Stanowisko Sneadera nadaje jego słowom wagę. Jego profil kierowniczy wskazuje, że jest prezesem Asia Pacific Ex-Japan oraz członkiem kilku komitetów najwyższego szczebla. Wcześniej był globalnym partnerem zarządzającym McKinsey.
Jego doświadczenie zarządcze wyjaśnia również organizacyjny wymiar tej kwestii. Wypowiedź dotyczy mniej pojedynczego produktu AI, a bardziej zmiany sposobu, w jaki odpowiedzialność wchodzi do bankowej hierarchii.
W starym modelu analitycy wykonywali pracę, współpracownicy ją sprawdzali, a starsi bankierzy podejmowali decyzje związane z klientami. Agenci komplikują tę strukturę, ponieważ mogą niemal natychmiast wykonywać część etapu produkcyjnego.
Analityk staje się wtedy recenzentem znacznie wcześniej. Współpracownik musi zdecydować, czy sprawdzać analityka, agenta, czy obu. Starsi bankierzy pozostają odpowiedzialni przed klientami, nawet gdy do finalnego materiału przyczynia się kilka zautomatyzowanych systemów.
Młodsi bankierzy zarządzający AI będą zatem potrzebować czegoś więcej niż umiejętności pisania promptów. Muszą definiować zadania, wybierać wiarygodne źródła, wykrywać sprzeczności, dokumentować zmiany i eskalować niepewność. Każde z tych działań zależy od osądu, który początkujący dopiero rozwijają.
Najważniejszą zmianą nie jest szybsze tworzenie dokumentów. Jest nią przeniesienie odpowiedzialności nadzorczej na najniższy szczebel profesjonalnej hierarchii.
Praktyka bankowa traci warstwę szkoleniową
Automatyzacja usuwa żmudną pracę, ale właśnie ta praca często dostarczała dowodów potrzebnych do rozwoju profesjonalnego osądu.
Praktyki w bankowości zawsze opierały się na niewygodnym układzie. Młodsi pracownicy przez długie godziny wykonują powtarzalne zadania, stopniowo ucząc się, jak łączą się spółki, sprawozdania finansowe, rynki i transakcje.
Eliminowanie niepotrzebnych powtórzeń może poprawić tę pracę. Niewielu analityków potrzebuje setek ręcznych poprawek formatowania, by zrozumieć finanse przedsiębiorstw. Szybsze badania i przygotowywanie dokumentów mogą pozostawić więcej czasu na interpretację, przygotowanie do kontaktów z klientami i podejmowanie decyzji.
Jednak nie każde powtarzalne zadanie jest edukacyjnie puste. Odtworzenie modelu może ujawnić, dlaczego założenia wzajemnie na siebie oddziałują. Sprawdzanie liczb w dokumentach spółki może nauczyć, wobec których ujawnień należy zachować sceptycyzm. Poprawianie prezentacji może pokazać, które fakty mają znaczenie dla konkretnego klienta.
Agent może skompresować te działania do gotowego pliku. Taki wynik oszczędza czas, ale może też ukrywać łańcuch decyzji stojących za rezultatem. Początkujący recenzent może zobaczyć dopracowaną pracę, nie dostrzegając słabego założenia, które leży u jej podstaw.
To tworzy centralne odwrócenie w historii o agentach AI Goldman Sachs. Technologia daje młodszym bankierom pozory menedżerskiej sprawczości, zanim zdobędą doświadczenie tradycyjnie kojarzone z zarządzaniem.
Menedżer zwykle ocenia pracę, porównując ją ze zgromadzoną wiedzą. Nowy analityk nadzorujący agenta nie może opierać się na latach podobnych zadań. Potrzebuje innego źródła informacji zwrotnej, takiego jak ustrukturyzowany przegląd, symulacja lub jednoznaczne zasady walidacji.
Ten problem jest już mierzalny. Badanie BankerToolBench testowało zaawansowanych agentów w kompleksowych procesach pracy bankowości inwestycyjnej opracowanych z udziałem 502 bankierów. Zadania obejmowały modele, prezentacje, raporty, data roomy, platformy rynkowe i zgłoszenia regulacyjne.
Badacze przetestowali dziewięć zaawansowanych modeli według ponad 100 kryteriów. Nawet najlepiej działający model nie spełnił niemal połowy z nich. Bankierzy nie ocenili żadnego z jego kompletnych wyników jako gotowego do przedstawienia klientom.
Wyniki te nie określają, jak działają wewnętrzne systemy Goldman. Benchmark obejmował konkretną konfigurację badawczą, a narzędzia bankowe mogą wykorzystywać prywatne dane, kontrole i specjalistyczne instrukcje. Pokazuje jednak, dlaczego nadzór nie może stać się ceremonialnym etapem.
Wiarygodnie wyglądający model z jedną błędną liczbą może być bardziej niebezpieczny niż ewidentnie uszkodzony plik. Dopracowana prezentacja zachęca do zaufania, podczas gdy błąd może przeniknąć do kilku powiązanych dokumentów.
To właśnie tutaj młodsi bankierzy zarządzający AI stają przed trudnym zadaniem. Muszą kwestionować wynik, który wygląda na bardziej kompletny niż praca, jaką mogliby wykonać samodzielnie. Pewność siebie i kompetencje mogą stać się trudne do rozróżnienia.
Banki mogą odpowiedzieć, czyniąc ukryty proces widocznym. Agenci mogą rejestrować swoje źródła, obliczenia, działania narzędzi i poprawki. Recenzenci mogą porównywać wyniki z zatwierdzonymi danymi i wymagać ludzkiego potwierdzenia wrażliwych założeń.
Zmienić musi się również szkolenie. Nowi pracownicy potrzebują kontrolowanych ćwiczeń, które ujawniają błędy, a nie tylko demonstracji podkreślających szybkość. Powinni nauczyć się, jak agenci tracą kontekst, mieszają okresy czasu, błędnie odczytują tabele i tworzą niespójne pliki.
Najlepszym zamiennikiem powtarzalnej pracy nie jest krótsze seminarium wprowadzające. Jest nim przeprojektowana praktyka, która zachowuje celowe ćwiczenie, jednocześnie eliminując produkcję o niskiej wartości.
Przeszukiwalna baza wiedzy może wspierać ten model, utrzymując materiały źródłowe i wcześniejsze decyzje dostępne do przeglądu. Samo wyszukiwanie nie może jednak rozstrzygnąć, czy osąd finansowy jest trafny.
Kwestia praktyki wykracza poza bankowość inwestycyjną. Rachunkowość, konsulting, prawo i badania wykorzystują juniorską pracę produkcyjną do kształcenia przyszłych recenzentów. Automatyzacja tej warstwy zmusza pracodawców do zbudowania wyraźniejszej ścieżki od nowicjusza do eksperta.
Bankowość stanowi po prostu wczesny test, ponieważ jej wyniki niosą konsekwencje finansowe, regulacyjne i reputacyjne. Słaby projekt szkoleniowy może pozostać niewidoczny, dopóki błąd nie dotrze do klienta.
Młodsi bankierzy zarządzający AI wywierają presję na średnią kadrę zarządzającą
Największą presją może zostać objęta warstwa, która tradycyjnie koordynuje pracę juniorów, a nie sam młodszy pracownik.
Sneader przyznał, że nie wiadomo, co stanie się ze średnią kadrą zarządzającą, gdy nowi pracownicy od razu będą nadzorować agentów. To pytanie wynika bezpośrednio z ekonomiki cyfrowej pracy.
Tradycyjne zespoły bankowe przypominają piramidy. Stosunkowo liczna grupa analityków wspiera mniejszą liczbę współpracowników i wiceprezesów, którzy z kolei wspierają jeszcze mniejszą grupę starszych osób odpowiedzialnych za transakcje. Każda warstwa sprawdza, koordynuje i udoskonala pracę warstwy poniżej.
Agenci AI mogą zawęzić bazę produkcyjną. Mniejsza grupa analityków może generować więcej badań, modeli i materiałów prezentacyjnych. Ogranicza to obciążenie koordynacyjne, które uzasadniało część stanowisk kierowniczych.
Jednocześnie zautomatyzowana praca tworzy nowe potrzeby w zakresie kontroli. Ktoś musi zatwierdzać dostęp agentów, oceniać nietypowe wyniki, rozwiązywać konflikty i dokumentować odpowiedzialność. Te obowiązki mogą zachować rolę menedżerów, lecz ich praca stanie się bardziej techniczna i skoncentrowana na ryzyku.
Prawdopodobnym rezultatem nie jest proste usunięcie jednej warstwy. Jest nim redystrybucja zadań zarządczych między młodszych pracowników, doświadczonych specjalistów, zespoły technologiczne i funkcje kontrolne.
Młodsi pracownicy mogą zajmować się rutynowym kierowaniem agentami. Doświadczeni bankierzy mogą oceniać założenia i konsekwencje dla klientów. Zespoły ds. ryzyka modeli, cyberbezpieczeństwa, prawa i zgodności mogą wyznaczać granice, których żaden zespół transakcyjny nie może przekroczyć.
Ten podział rodzi trudne pytanie o odpowiedzialność. Jeśli analityk zaakceptuje wadliwy wynik agenta, czy odpowiedzialność spoczywa na analityku, nadzorującym współpracowniku, właścicielu modelu czy dyrektorze biznesowym?
Banki nie mogą odpowiedzieć na to pytanie, nazywając analityka menedżerem agenta. Uprawnienia muszą odpowiadać odpowiedzialności. Nowy pracownik, który nie może sprawdzić modelu, zmienić jego mechanizmów kontrolnych ani odrzucić terminu, nie posiada pełnych uprawnień menedżerskich.
Wpływ AI na zatrudnienie w bankowości zależy zatem od projektu procesu pracy, a nie wyłącznie od możliwości modelu. Agent, który wykonuje zadanie, nie usuwa automatycznie roli związanej z tym zadaniem.
Najnowsza analiza sektora bankowego potwierdza to rozróżnienie. Przegląd zatrudnienia w branży wykazał, że w najbliższym czasie automatyzacja częściej zastąpi wybrane czynności niż całe stanowiska pracy.
W przeglądzie wskazano weryfikację dokumentów, rutynowe kontrole zgodności oraz przetwarzanie informacji jako zadania szczególnie narażone na automatyzację. Zidentyfikowano także rosnące zapotrzebowanie na zarządzanie AI, walidację, nadzór i współpracę człowiek–maszyna.
Ta sama analiza przywołała bardziej surową długoterminową prognozę Morgan Stanley. Europejskie banki mogłyby zmniejszyć zatrudnienie o 10 procent w ciągu pięciu lat, choć znaczną część tego spadku mogłyby wyjaśniać naturalna rotacja i przejścia na emeryturę.
Te perspektywy nie są sprzeczne. Banki mogą tworzyć nowe stanowiska związane z AI, jednocześnie ograniczając całkowite zatrudnienie w wybranych funkcjach. Mogą też zatrudniać więcej pracowników front office, jeśli lepsze narzędzia pomogą pozyskać dodatkowy biznes.
Prezes Goldman, David Solomon, argumentował, że prognozy załamania rynku pracy napędzanego przez AI są przesadzone. Stanowisko to współgra z naciskiem Sneadera na przeprojektowaną pracę zamiast natychmiastowego wykluczenia absolwentów.
Utrzymanie rekrutacji na stanowiska juniorskie nie gwarantuje jednak zachowania tej samej struktury kariery. Banki mogą zatrudniać mniej analityków, oczekiwać więcej od każdego nowego pracownika i promować mniejszą część zespołu do tradycyjnych ról menedżerskich.
Presja na produktywność ma kluczowe znaczenie dla tej transformacji. Gdy bank wykaże, że jeden analityk może zarządzać kilkoma agentami, konkurenci odczują presję, by dorównać temu poziomowi wyników. Liderzy wyższego szczebla mogą wówczas uznać zwiększoną przepustowość za trwały punkt odniesienia.
Może to poprawić obsługę i rozszerzyć działalność. Może też zwiększyć obciążenie pracą, gdy czas zaoszczędzony dzięki automatyzacji stanie się podstawą oczekiwań dotyczących kolejnych zadań.
Określenie „wirtualna armia” oddaje obie możliwości. Armia zwiększa możliwości działania, ale wymaga także struktur dowodzenia, zasad, weryfikacji i jasnej odpowiedzialności, gdy działania pójdą nie tak.
Wyzwanie dla kadry średniego szczebla nie polega więc na tym, czy menedżerowie znikną z dnia na dzień. Chodzi o to, czy koordynacja pozostanie cenna, gdy produkcja stanie się szybsza i bardziej zautomatyzowana.
Menedżerowie, którzy głównie przekazują informacje między szczeblami, znajdą się pod większą presją. Wyraźniejszą rolę zachowają menedżerowie, którzy uczą oceny sytuacji, rozwiązują niejednoznaczności i biorą odpowiedzialność za ryzyko.
Agenci AI w bankowości nadal nie zdają testu gotowości do obsługi klienta
Najmocniejszym argumentem przeciwko natychmiastowej autonomii jest różnica między ukończeniem procesu a stworzeniem pracy, którą bank może bezpiecznie przekazać klientowi.
Demonstracje agentów często podkreślają wykonanie zadania. System otwiera pliki, zbiera dane, pisze raport i przygotowuje prezentację. Taka sekwencja wygląda zadziwiająco podobnie do codziennej pracy młodszego bankiera.
Gotowość zawodowa wymaga wyższego standardu. Każda liczba musi odnosić się do właściwego okresu i podmiotu. Obliczenia muszą pozostawać spójne we wszystkich plikach. Źródła muszą potwierdzać twierdzenia, a informacje poufne muszą pozostać w autoryzowanych systemach.
BankerToolBench ilustruje tę różnicę. Jego najlepszy model wykonał znaczną część złożonych zadań bankowych, lecz nadal nie spełnił wielu kryteriów oceny. Powstałe pakiety nie zostały uznane przez uczestniczących bankierów za gotowe do przekazania klientowi.
Istotną przeszkodą była spójność między plikami. Wycena może być poprawna w arkuszu kalkulacyjnym, a jednocześnie przedstawiona nieprawidłowo na slajdzie. Pisemne podsumowanie może wykorzystywać założenie, które nie odpowiada już modelowi źródłowemu.
Analitycy również popełniają podobne błędy. Różnica dotyczy skali i nieprzejrzystości. Jeden agent może powielić błędne założenie w wielu materiałach, zanim recenzent zauważy pierwotny problem.
Nadzór juniorski nie eliminuje tego ryzyka. Może je zwiększać, gdy recenzent nie ma wystarczającej wiedzy merytorycznej, aby rozpoznać wiarygodnie wyglądający błąd.
Banki działają też pod bardziej rygorystycznymi ograniczeniami niż większość firm technologicznych. Obsługują poufne informacje klientów, istotne informacje niepubliczne, dane osobowe oraz decyzje podlegające kontroli regulacyjnej.
Agent potrzebuje kontrolowanego dostępu, aby wykonywać znaczącą pracę. Przyznanie takiego dostępu zwiększa potencjalne szkody wynikające z błędnego polecenia, naruszonej integracji lub niewłaściwego transferu danych.
Podejście Citi pokazuje, jak banki próbują rozwiązać to napięcie. Jego wewnętrzna platforma agentowa centralizuje dostęp do modeli, tworzenie agentów, monitorowanie i interwencję awaryjną.
Citi poinformował, że 180 000 pracowników korzystało już z narzędzi AI dla przedsiębiorstw, gdy wprowadzono tę platformę. System zaprojektowano tak, aby pracownicy mogli monitorować zachowanie agentów i w razie potrzeby zatrzymywać zadania.
To infrastrukturalna odpowiedź na ten sam problem zarządczy, który opisał Sneader. Pracownicy nie mogą skutecznie zarządzać agentami, jeśli bank nie ma wglądu w to, co robią ci agenci.
Kontrole techniczne są tylko częścią odpowiedzi. Zespoły potrzebują także zasad operacyjnych określających dozwolone zadania, wymaganych recenzentów, zaufane źródła oraz decyzje zastrzeżone dla ludzi.
Agent badawczy może zbierać publiczne zgłoszenia regulacyjne i podsumowywać informacje rynkowe. Nie powinien samodzielnie decydować, które ujawnienie pominąć w materiałach dla klienta. Taka decyzja wymaga kontekstu i odpowiedzialności zawodowej.
Agent modelujący może proponować założenia i przeprowadzać scenariusze. Bankier powinien jednak nadal potwierdzać, czy założenia te odpowiadają transakcji, celom klienta i bieżącym warunkom rynkowym.
Najsilniejsze wdrożenia rozdzielą wsparcie, rekomendację i wykonanie. Każdy poziom wymaga innego progu zatwierdzenia i ścieżki audytowej.
Wsparcie wyszukuje lub formatuje informacje. Rekomendacja proponuje ocenę, którą człowiek może przyjąć lub odrzucić. Wykonanie zmienia system, komunikuje się na zewnątrz lub zobowiązuje instytucję do działania.
Nazywanie wszystkich trzech aktywności „zarządzaniem agentami” ukrywa istotne różnice. Nowy pracownik może bezpiecznie kierować niektórymi zadaniami wspierającymi po podstawowym przeszkoleniu. Rekomendacje i działania o wyższym ryzyku wymagają zatwierdzenia przez doświadczoną osobę.
Luka w weryfikacji wpływa również na szybkość. Agent może przygotować szkic w kilka minut, lecz recenzent może poświęcić znacznie więcej czasu na prześledzenie źródeł i uzgodnienie niespójności. Czas samego wygenerowania materiału nie jest tym samym co produktywność netto.
Banki powinny zatem mierzyć skorygowany rezultat, a nie surowy wynik. Przydatne wskaźniki obejmują czas przeglądu, wagę błędów, liczbę poprawek, wskaźnik eskalacji oraz odsetek prac zatwierdzonych bez istotnych zmian.
Powinny też śledzić, czy młodsi pracownicy się rozwijają. Jeśli dokładność przeglądów pozostaje na niezmienionym poziomie, podczas gdy użycie agentów rośnie, nowy model praktyki nie buduje kompetencji.
Sceptyczna teza nie głosi, że agenci AI w bankowości są bezużyteczni. Chodzi o to, że obecne dowody nie uzasadniają traktowania ich jako autonomicznych substytutów wyszkolonych analityków.
Ich natychmiastowa wartość polega na przyspieszaniu ograniczonych zadań przy zachowaniu kontroli człowieka. Trudniejsze zadanie obejmuje zaprojektowanie systemu, który sprawia, że kontrola jest merytoryczna, a nie pozorna.
Rywale Goldman zamieniają kompetencje AI w wymóg rekrutacyjny
Banki przechodzą od opcjonalnego eksperymentowania z AI do rynku pracy, na którym odpowiedzialne korzystanie z agentów staje się podstawową kwalifikacją.
Komentarze Goldman są częścią szerszej zmiany konkurencyjnej. Banki chcą pracowników, którzy potrafią korzystać z kilku modeli, łączyć je z danymi instytucjonalnymi i oceniać ich wyniki bez narażania bezpieczeństwa.
UBS już wprowadził to oczekiwanie do rekrutacji. Kandydaci do programu dla absolwentów i staży na rok 2027 muszą wykazać praktyczną biegłość w AI, zgodnie z doniesieniami na temat jego wymogu rekrutacyjnego.
Wymóg koncentruje się na odpowiedzialnym eksperymentowaniu i efektach biznesowych, a nie jedynie na znajomości konsumenckich chatbotów. UBS planuje również ścieżkę szkoleniową AI opartą na rzeczywistych przypadkach użycia w bankowości.
Citi podchodzi do tej samej transformacji od strony infrastruktury. Jego platforma Arc zapewnia deweloperom kontrolowane środowisko do łączenia modeli i agentów. Z czasem ma nastąpić szersze udostępnienie jej pracownikom.
JPMorgan opisywał natywne dla AI przestrzenie pracy, w których agenci interpretują intencje pracowników i koordynują działania między systemami. Wizja ta zastępuje przełączanie się między aplikacjami konwersacyjną orkiestracją.
Te podejścia wywierają presję na Goldman w dwóch kierunkach. Musi zapewnić pracownikom konkurencyjne narzędzia, a zarazem udowodnić, że pozostają one bezpieczne w regulowanych procesach pracy.
Wpływ AI na bankowość będzie więc kształtowany przez instytucjonalny wyścig uczenia się. Zwycięski bank niekoniecznie wdroży najwięcej agentów. Szybciej niż rywale przełoży wyniki ich pracy na niezawodną obsługę klientów.
Wymaga to technologii, ale także dokumentacji i pamięci organizacyjnej. Zespoły muszą zachowywać wiedzę o tym, które prompty, źródła danych, założenia i wzorce zatwierdzania prowadzą do akceptowalnych rezultatów.
Bank, który uczy się na każdej porażce agenta, może usprawniać swój system operacyjny. Bank, który traktuje porażki jako odosobnione błędy użytkowników, będzie je powtarzał w kolejnych zespołach.
Rekrutacja odpowiednio się zmieni. Banki nadal będą cenić umiejętności z zakresu rachunkowości, wycen, pisania i komunikacji. Coraz częściej będą sprawdzać, czy kandydaci potrafią formułować zadania, oceniać dowody i kwestionować zautomatyzowane wnioski.
To połączenie jest ważne, ponieważ sama biegłość w promptach jest łatwa do udawania. Kandydat może tworzyć dopracowane materiały, nie rozumiejąc, dlaczego wynik jest poprawny.
Doświadczona kontrola pozostaje rzadkim zasobem. Jeśli każdy analityk generuje więcej materiałów, starsi bankierzy mogą stać się nowym wąskim gardłem. Banki mogą potrzebować wyspecjalizowanych recenzentów lub zautomatyzowanych kontroli ograniczających pracę związaną z podstawową weryfikacją.
Konkurencja może również zmienić oczekiwania pracowników. Absolwenci mogą wcześniej uzyskać dostęp do pracy o wyższej wartości, ponieważ agenci zajmują się przygotowaniem. Mogą też znaleźć się pod presją dostarczania rezultatów na poziomie associate bez porównywalnego doświadczenia.
Drugi scenariusz staje się bardziej prawdopodobny, gdy cele produktywności rosną szybciej niż szkolenia. Bank może wdrożyć oprogramowanie w ciągu kilku miesięcy, podczas gdy profesjonalna ocena sytuacji rozwija się latami.
Ta rozbieżność czasowa daje uznanym instytucjom zarówno przewagę, jak i słabość. Dysponują rozległą wiedzą wewnętrzną, lecz znaczna jej część pozostaje zakorzeniona w doświadczonych pracownikach i nieformalnych zwyczajach kontroli.
Przekształcenie tych zwyczajów w jawne mechanizmy kontroli będzie trudne. Proces wymaga od starszych bankierów wyjaśnienia decyzji, które wcześniej podejmowali intuicyjnie.
Młodsi bankierzy zarządzający AI mogą skorzystać na tej przejrzystości. Jasne zasady kontroli zapewniają im silniejszą strukturę uczenia się niż niewyjaśnione poprawki wprowadzane przez zapracowanego menedżera.
Ta sama przejrzystość może uczynić wyniki bardziej mierzalnymi. Banki mogą dostrzec, którzy pracownicy wykrywają błędy, ulepszają instrukcje i odpowiednio korzystają z eskalacji.
Stałe mierzenie wyników może jednak tworzyć niezdrowe bodźce. Analitycy mogą optymalizować widoczną przepustowość, unikając złożonych zadań generujących więcej wyjątków. Menedżerowie muszą nagradzać ostrożne odrzucanie tak samo jak udane ukończenie pracy.
Konkurencja dotyczy więc w równym stopniu projektu organizacyjnego, co dostępu do modeli. Goldman, Citi, UBS i JPMorgan mogą kupować podobną technologię bazową. Ich przewaga będzie wynikać ze sposobu rozdzielania oceny sytuacji i odpowiedzialności.
Na co zwracać uwagę, gdy AI przepisuje bankową drabinę kariery
Kolejnymi kluczowymi dowodami będą dane z wdrożeń, przeprojektowane szkolenia i mierzalne zmiany w strukturze zespołów bankowych.
Po pierwsze, warto obserwować konkretne informacje Goldman o tym, gdzie agenci wchodzą do procesu pracy. Najbardziej użyteczne dowody wskazywałyby zadania, wymagania dotyczące kontroli, zasięg wśród pracowników i zmierzone wskaźniki błędów.
Wypowiedzi Sneadera opisują kierunek, a nie pełny raport z wdrożenia. Szerokie wdrożenie w bankowości inwestycyjnej wzmocniłoby tezę, że zarządzanie agentami stało się funkcją na poziomie juniorskim.
Ograniczony program wspierałby węższą interpretację. Pokazywałby, że Goldman testuje nowe zakresy odpowiedzialności, nie zastępując przy tym utrwalonego modelu pracy analityków.
Po drugie, warto obserwować, jak banki przeprojektowują szkolenia dla absolwentów. UBS już powiązał kompetencje AI z rekrutacją, jednak biegłość techniczna nie rozwiązuje luki w praktycznym przyuczeniu do zawodu.
Silne programy będą łączyć korzystanie z agentów z ćwiczeniami wykonywanymi ręcznie, analizą błędów, weryfikacją źródeł i nadzorowanymi scenariuszami obsługi klientów. Będą mierzyć, czy nowi pracownicy z czasem rozwijają lepszy osąd.
Słabe programy będą kłaść nacisk na szybszą produkcję bez sprawdzania zrozumienia. Jeśli młodsi bankierzy nie potrafią wyjaśnić założeń stojących za wynikami agentów, etykieta menedżerska będzie w dużej mierze jedynie kosmetyczna.
Po trzecie, należy obserwować strukturę zatrudnienia w bankach, a nie pojedyncze komunikaty o zwolnieniach. Rekrutacja analityków, awanse na stanowiska associate, wzrost funkcji kontrolnych i wewnętrzne przesunięcia pracowników pokażą, dokąd przenosi się praca.
Spadek rekrutacji na stanowiska juniorskie podważyłby tezę, że AI zachowuje możliwości na poziomie wejściowym. Stabilna rekrutacja przy mniejszej liczbie ról w średnim szczeblu zarządzania wspierałaby bardziej konkretną obawę Sneadera.
Wzrost liczby ról związanych z nadzorem nad modelami i specjalistyczną weryfikacją wskazywałby, że automatyzacja redystrybuuje pracę. Nie dowodziłby jednak, że całkowite zatrudnienie pozostaje bez zmian.
Czytelnicy powinni też rozróżniać automatyzację zadań od automatyzacji kariery. Agenci mogą realizować część obowiązków bankiera, nie odtwarzając jednak zaufania klientów, instytucjonalnej odpowiedzialności ani osądu biznesowego.
To rozróżnienie nie pozostanie niezmienne. Wraz z rozwojem modeli banki będą delegować bardziej powiązane ze sobą zadania. Mechanizmy kontroli i szkolenia muszą rozwijać się w tym samym tempie.
Dla pracowników umysłowych spoza finansów eksperyment Goldmana stawia bezpośrednie pytanie. Co dzieje się, gdy pierwszy awans przychodzi przed pierwszym praktycznym przyuczeniem do zawodu?
Odpowiedź będzie zależeć od tego, czy organizacje traktują nadzór nad AI jako rzeczywiste zarządzanie. Prawdziwe zarządzanie wymaga uprawnień, wiedzy eksperckiej, dokumentacji i odpowiedzialności, gdy delegowana praca zawodzi.
Agenci AI Goldman Sachs mogą dać młodszym bankierom niezwykłą przewagę. Nie są jednak w stanie zapewnić doświadczenia potrzebnego do oceny każdego wyniku — przynajmniej jeszcze nie.
Praktyczną odpowiedzią jest celowe budowanie takiego osądu. Pracownicy powinni ćwiczyć śledzenie źródeł, testowanie założeń, dokumentowanie niepewności i odrzucanie wyników, które wyglądają na ukończone, lecz pozostają niepoparte dowodami.
Pracodawcy powinni oceniać programy AI na podstawie skorygowanych rezultatów i uczenia się pracowników, a nie liczby wdrożonych agentów. Kluczowym sygnałem będzie to, czy szybsza praca staje się jednocześnie bezpieczniejsza.
Jeśli banki zachowają ten standard, stanowiska na poziomie wejściowym mogą stać się bardziej analityczne i mniej mechaniczne. Jeśli nie, wirtualna siła robocza może powielać błędy szybciej, niż jej nowi menedżerowie zdołają je wykryć.
