Goldman Sachs AI Agents 让初级银行家从第一天起就承担管理职责

在银行尚未确定应以何种方式取代传统学徒制之前，Goldman Sachs AI agents 已经在改变初级银行岗位。Goldman 高管 Kevin Sneader 表示，新员工从入职第一天起便可能需要监督自动化员工。这一转变听上去像是提前晋升，却也剥夺了曾帮助分析师理解银行业务如何协同运作的基础工作。

据 Bloomberg 报道，Sneader 表示：“如今我们的年轻员工开始工作时，他们就在管理 agents。”他将这些 agents 描述为一支需要由年轻员工高效指挥的虚拟劳动力队伍。Sneader 负责 Goldman Sachs 除日本以外的亚太业务，并担任该行管理委员会成员。

这种表述颠覆了人们对自动化的通常叙事。眼下的问题不只是 AI 是否会取代初级岗位，而是银行能否在缺少那些过去用于培养判断力的重复性工作时，将缺乏经验的新员工培养为可靠的监督者。

其他银行也已朝着同一方向推进。Citi 正在建设基础设施，让员工能够创建和监督 agents；UBS 则在测试应聘者的实用 AI 素养。因此，竞争正从基础 AI 使用能力转向在严密监管的机构内部实现可信委派。

这一愿景是培养效率更高、从一开始便承担更多责任的分析师。尚未解决的问题则是：如果责任先于经验到来，是否会增加错误、监督薄弱或隐蔽的运营风险。

Goldman Sachs AI Agents 如何改变新员工的工作

初级银行家的角色正从执行常规工作的生产者，转变为管理机器产出工作的管理者。

数十年来，初级投资银行家通过反复实践学习。他们收集公司数据、核对财务报表、构建估值模型、更新演示文稿，并调和不一致的数据。这些任务很繁琐，但也让分析师接触到交易背后的运作机制。

Agentic AI 改变了这一工作流程。AI agent 是一种能够通过多个步骤、工具和数据源追求既定目标的软件。它不同于普通聊天机器人，能够在不同任务之间切换，并以更少的人类提示产出相互关联的交付成果。

初级银行家或许会要求一个 agent 收集可比公司信息、起草估值分析并准备演示材料。随后，人类员工将审查证据、纠正不一致之处，并决定产出是否适合提交给高级银行家。

Sneader 的表态将这一模式推向实验之外。他将 agent 监督描述为起步阶段的职责，而非日后才获得的专业化任务。新员工进入银行业时，将成为一支人类与数字劳动力混合团队的运营者。

这并不意味着 Goldman 已宣布取消所有传统分析师任务。公开表态并未提供部署数量、时间表或详细的岗位重构方案。它们反映的是一位高级管理人员对于工作如何变化的看法。

这种区别很重要。管理层的预测并不等同于已经完成的运营模式。Goldman 仍需确定 agents 能承担哪些工作、由谁批准其成果，以及每个团队中的责任如何流转。

Sneader 的职位为这些言论增添了分量。他的领导层简介显示，他是亚太区（除日本外）总裁，并担任多个高级委员会成员。他此前曾担任 McKinsey 的全球管理合伙人。

他的管理背景也明确了这一变革的组织重点。这番表态关注的并非某一款 AI 产品，而是责任如何进入银行层级体系的变化。

在旧模式下，分析师负责产出工作，副理负责审查，高级银行家则作出面向客户的决策。Agents 让这一阶梯变得更复杂，因为它们几乎能即时完成部分生产环节。

分析师因此更早成为审查者。副理必须决定是审查分析师、agent，还是两者都审查。即便多个自动化系统参与最终材料的制作，高级银行家仍须向客户承担责任。

因此，管理 AI 的初级银行家需要的不只是编写提示词的能力。他们必须界定任务、选择可靠来源、发现矛盾、记录修改，并上报不确定性。这些行动都依赖于初学者仍在形成的判断力。

最重要的变化并不是文档创建得更快，而是监督责任被转移至职业层级中最基层的位置。

银行业学徒制正在失去其培训层

自动化消除了繁琐劳动，但这些繁琐劳动往往正是培养专业判断力所需证据的来源。

银行业学徒制始终伴随着一种令人不适的交换：初级员工长时间完成重复性工作，同时逐步学习公司、财务报表、市场与交易之间如何关联。

消除不必要的重复工作可以改善岗位体验。很少有分析师需要通过数百次手动格式修正来理解公司金融。更快的研究与文档整理可以为解读、客户准备和决策留下更多时间。

然而，并非每项重复性任务都没有教育价值。重新构建模型能够揭示假设为何会相互影响。核查各类申报文件中的数据，可以教会人们哪些披露信息值得怀疑。修改演示文稿，则能显示哪些事实对某一具体客户最重要。

Agent 可以将这些活动压缩为一个完成的文件。这种产出节省了时间，却也可能掩盖结果背后的决策链条。缺乏经验的审查者可能看到一份精美的工作，却无法识别其下潜藏的薄弱假设。

这正构成 Goldman Sachs AI agents 故事的核心反转：这项技术让初级银行家在尚未具备传统管理经验之前，就拥有了管理杠杆的表象。

管理者通常通过与积累的知识进行比较来评估工作。一名监督 agent 的新分析师无法依靠多年类似任务的经验。他们需要另一种反馈来源，例如结构化审查、模拟训练或明确的验证规则。

这一问题已经可以量化。BankerToolBench study 在由 502 名银行家共同开发的端到端投资银行工作流程中测试了前沿 agents。任务包括模型、演示文稿、报告、数据室、市场平台和监管申报文件。

研究人员根据 100 多项标准测试了九个前沿模型。即使表现最好的模型，也未能满足其中近半数标准。银行家认为，其完整产出没有一项能够直接用于客户。

这些结果并不能说明 Goldman 的内部系统表现如何。该基准测试采用了特定研究设置，而银行专属工具可以使用私有数据、控制机制和专业指令。但它确实说明，监督不能沦为一种形式化步骤。

一份看似合理、却包含一个错误数字的模型，可能比明显损坏的文件更危险。精美的演示文稿会诱发信任，而错误则可能在多份相互关联的文件中传播。

这正是管理 AI 的初级银行家面临的艰巨任务。他们必须质疑一份看上去比自己独立完成的工作更完整的产出。信心与能力可能变得难以区分。

银行可以通过让隐藏的过程可见来应对这一问题。Agents 可以记录其来源、计算、工具操作和修订过程。审查者可以将产出与经批准的数据进行比对，并要求对敏感假设进行人工确认。

培训也必须改变。新员工需要能够暴露失败情况的受控练习，而不仅是突出速度优势的演示。他们应当学习 agents 如何丢失上下文、混淆时间段、误读表格，以及生成不一致的文件。

对重复性工作的最佳替代方案，不是缩短入职培训讲座，而是重新设计学徒制：在消除低价值生产工作的同时，保留有意识的练习。

一个可搜索的知识库可以通过保留源材料和既往决策供审查，来支持这一模式。然而，仅靠检索无法判断一项财务判断是否合理。

学徒制问题并不限于投资银行。会计、咨询、法律和研究领域都利用初级生产工作来培养未来的审查者。将这一层自动化，会迫使雇主建立一条从新手到专家的更清晰路径。

银行业只是提供了一个较早的测试案例，因为其产出会带来财务、监管和声誉后果。薄弱的培训设计，可能直到错误传递给客户时才会显现。

管理 AI 的初级银行家让中层管理面临压力

承受最大压力的角色，可能是传统上负责协调初级劳动力的层级，而不仅仅是初级员工本身。

Sneader 承认，当新员工立即开始监督 agents 时，中层管理者将何去何从仍存在不确定性。这个问题直接源于数字劳动力的经济逻辑。

传统银行团队呈现金字塔结构。相对庞大的分析师群体支撑着数量较少的副理和副总裁，后者再支撑更小规模的高级交易撮合者群体。每一层都审查、协调并完善来自下一层的工作。

AI agents 可以缩小生产基础。更少的分析师可能生成更多研究、模型和演示材料。这会减少过去支撑部分管理岗位所需的协调负担。

与此同时，自动化工作也带来了新的审查要求。必须有人批准 agent 访问权限、评估异常产出、解决冲突并记录问责关系。这些职责可能保留管理者岗位，但其工作将变得更技术化、更聚焦风险。

最可能的结果并非干净利落地取消某一个层级，而是将管理任务重新分配给初级员工、资深专家、技术团队和控制职能部门。

初级员工可能处理日常的 agent 指挥工作。资深银行家可能审查假设及其对客户的影响。模型风险、网络安全、法律和合规团队则可能设定任何交易团队都无法逾越的边界。

这种分配引发了一个棘手的问责问题。如果分析师接受了存在缺陷的 agent 产出，责任应由分析师、负责监督的副理、模型所有者，还是业务高管承担？

银行不能仅仅通过称分析师为 agent 管理者来回答这个问题。权限必须与责任相匹配。一名无法检查模型、修改其控制机制或拒绝不合理截止期限的新员工，并不拥有完整的管理权限。

因此，AI 对银行就业的影响取决于工作流程设计，而不仅仅是模型能力。一个能够完成任务的 agent，并不会自动消除围绕该任务而存在的岗位。

近期的银行业分析支持这种区分。一项行业就业评估发现，短期内自动化更可能替代部分活动，而非完整的岗位。

该评估将文件核验、常规合规检查和信息处理列为容易受影响的任务。它还指出，AI 治理、验证、监督以及人机协作方面的需求正在增长。

同一分析援引 Morgan Stanley 更为严峻的长期估计称，欧洲银行业员工总数可能在五年内减少 10%，不过自然流失和退休或许会占据这一下降的大部分。

这些观点并不矛盾。银行可以在削减特定职能的总体就业人数的同时，新增与 AI 相关的岗位。如果更好的工具有助于赢得更多业务，它们也可能招聘更多前台员工。

Goldman CEO David Solomon 曾表示，关于 AI 将导致就业岗位崩溃的预测被夸大了。这一立场与 Sneader 的重点一致：关注工作方式的重塑，而非立即将应届毕业生排除在外。

不过，维持初级岗位招聘并不意味着职业结构将保持不变。银行可能减少分析师招聘人数、对每位新员工提出更高要求，并让更小比例的人晋升至传统管理岗位。

生产力压力是这一转型的核心。一旦某家银行证明一名分析师可以管理多个智能体，竞争对手就会面临匹配其产出的压力。随后，高层领导可能将这种更高产能视为永久性的基准。

这可以改善服务并扩大业务，也可能在自动化节省下来的时间被预期用于承担更多任务时，加剧工作负荷。

“虚拟大军”这一说法同时概括了两种可能。一支军队能够带来杠杆效应，但也需要指挥体系、规则、验证机制，以及行动出错时明确的责任归属。

因此，中层管理面临的挑战并不是管理者会不会在一夜之间消失，而是在生产变得更快、更自动化之后，协调工作是否仍然具有价值。

主要在不同层级之间传递信息的管理者将面临更大压力。能够传授判断力、化解模糊性并承担风险责任的管理者，则保留了更明确的职能。

银行业 AI 智能体仍未通过可直接面向客户的测试

反驳立即实现自主化的最有力证据，是完成工作流与产出银行能够安全交付的成果之间仍存在差距。

智能体演示往往强调任务完成情况。系统打开文件、收集数据、撰写报告并制作演示文稿。这一流程看起来与初级银行家的日常工作极为相似。

但专业就绪状态要求更高的标准。每个数字都必须对应正确的期间和实体；计算结果必须在不同文件之间保持一致；来源必须能够支撑相关主张，机密信息也必须留在获授权的系统内。

BankerToolBench 展示了这种差异。其最佳模型完成了复杂银行业务中的大量工作，但仍未通过许多评估标准。参与评估的银行家认为，最终产出包尚未达到可直接面向客户的标准。

跨文件一致性是一个突出障碍。估值在电子表格中可能是正确的，却会在幻灯片中错误呈现。一份书面摘要也可能采用已经与底层模型不再一致的假设。

人工分析师也会犯类似错误。区别在于规模和不透明性。一个智能体可能在审阅者发现最初问题之前，已将错误假设复制到大量交付物中。

初级人员的监督并不能消除这一风险。如果审阅者缺乏足够的专业知识，无法识别看似可信的错误，风险反而可能被放大。

银行所受约束也比大多数软件公司更严格。它们处理客户机密信息、重大非公开信息、个人数据，以及须接受监管审查的决策。

智能体需要受控访问权限才能完成有意义的工作。授予这类权限会扩大错误指令、被攻破的集成环节或不当数据传输可能造成的损害。

Citi 的做法展示了银行如何应对这一矛盾。其内部智能体平台集中管理模型访问、智能体创建、监控和紧急干预。

Citi 在推出该平台时表示，已有 18 万名员工在使用企业 AI 工具。该系统旨在让员工监控智能体行为，并在必要时停止任务。

这是对 Sneader 所描述的同一管理问题的基础设施回应。如果银行无法看见智能体在做什么，员工就无法可靠地管理它们。

技术控制只是答案的一部分。团队还需要运营规则，明确允许执行的任务、所需审阅者、可信来源，以及必须由人类保留的决策。

研究型智能体可以收集公开披露文件并总结市场信息，但不应独立决定从客户材料中删去哪些披露内容。这类决定涉及具体语境和职业责任。

建模智能体可以提出假设并运行情景分析，但人类银行家仍应确认这些假设是否适合该交易、客户目标和当前市场环境。

最成熟的部署将区分辅助、建议和执行。每个层级都需要不同的审批门槛和审计轨迹。

辅助是检索或重新格式化信息；建议是提出可由人类接受或拒绝的判断；执行则是更改系统、对外沟通，或使机构承诺采取某项行动。

将这三类活动统称为“智能体管理”，掩盖了其中的重要差异。新员工在完成基础培训后，可以安全地指挥部分辅助性任务。风险更高的建议和行动则需要有经验人员批准。

验证差距也会影响速度。智能体或许能在数分钟内生成草稿，但审阅者可能需要花更长时间追溯来源、核对不一致之处。总生成时间并不等同于净生产率。

因此，银行应衡量经修正后的产出，而不是原始产出。实用指标包括审阅时间、错误严重程度、修订次数、升级率，以及无需重大修改便获批准的工作比例。

它们还应跟踪初级员工是否有所进步。如果智能体使用增加而审阅准确性仍然停滞不前，那么这种新的学徒机制就未能培养专业能力。

怀疑论者的观点并不是银行业 AI 智能体毫无用处，而是现有证据不足以支持将它们视为受过训练的分析师的自主替代者。

它们眼下的价值在于，在保留人工审阅的同时加速有边界的任务。更困难的工作，是设计一套让审阅真正有效而非流于形式的体系。

Goldman 的竞争对手正将 AI 技能变成招聘要求

银行业正从可选的 AI 试验，转向负责任地使用智能体成为基本资格的就业市场。

Goldman 的表态是更广泛竞争转变的一部分。银行希望员工能够使用多个模型，将其与机构数据连接起来，并在不危及安全的前提下判断其输出。

UBS 已将这一期待纳入招聘环节。据有关其招聘要求的报道，申请其 2027 年毕业生和实习生项目的候选人必须展示实用的 AI 熟练度。

该要求聚焦于负责任的试验和业务成果，而不只是熟悉面向消费者的聊天机器人。UBS 还计划围绕真实银行业务场景建立 AI 培训路径。

Citi 则通过基础设施推进同样的转型。其 Arc 平台为开发者提供了一个受控环境，用于组合模型和智能体。预计更广泛的员工访问权限将随时间逐步开放。

JPMorgan 描述了 AI 原生工作空间：智能体在其中理解员工意图，并协调跨系统行动。这一愿景以对话式编排取代了在应用程序之间切换。

这些做法从两个方向对 Goldman 施加压力。它必须为员工提供具竞争力的工具，也必须证明这些工具在受监管的工作流中仍然安全。

因此，AI 对银行业的影响将由一场机构学习竞赛塑造。胜出的银行未必部署最多智能体，而是能比竞争对手更快地将智能体产出转化为可靠的客户服务。

这需要技术，也需要文档和组织记忆。团队需要保留哪些提示词、数据来源、假设和审批模式能够产出可接受结果。

能够从每一次智能体失败中学习的银行，可以改进其运营体系。将失败视为孤立的用户失误的银行，则会在各团队之间不断重演这些问题。

招聘也会相应变化。银行仍会重视会计、估值、写作和沟通能力，但会越来越多地测试候选人能否界定任务、评估证据并质疑自动化结论。

这种组合很重要，因为仅有提示词熟练度很容易伪装。候选人可以产出精美的材料，却并不理解结果为何正确。

有经验的审阅仍然是稀缺资源。如果每位分析师都生成更多材料，高级银行家可能成为新的瓶颈。银行可能需要专职审阅者，或采用自动化检查来减少低层级验证工作。

竞争也可能重塑员工预期。由于智能体承担准备工作，毕业生可能更早接触高价值任务；但他们也可能在缺乏相应经验的情况下，被要求交付助理级别的成果。

当生产力目标推进速度快于培训时，第二种结果会更可能出现。银行可以在数月内部署软件，而专业判断力则需要多年培养。

这种时间错配既赋予成熟机构优势，也使其面临脆弱性。它们拥有丰富的内部知识，但其中大部分仍沉淀在有经验的员工和非正式的审阅习惯中。

将这些习惯转化为明确的控制机制将十分困难。这一过程要求高级银行家解释他们过去凭直觉作出的决定。

管理 AI 的初级银行家可以从这种透明度中受益。清晰的审阅规则能为他们提供比忙碌经理不加解释的修改更扎实的学习结构。

同样的透明度也可能使绩效更可衡量。银行能够看到哪些员工发现错误、改进指令并恰当地使用升级机制。

不过，持续衡量也可能造成不健康的激励。分析师可能优化可见吞吐量，同时回避会产生更多例外情况的复杂任务。管理者必须奖励谨慎的拒绝，也要奖励成功完成。

因此，竞争既关乎组织设计，也关乎模型访问。Goldman、Citi、UBS 和 JPMorgan 可以购买类似的底层技术；它们的优势将取决于如何分配判断力和责任。

关注 AI 如何重塑银行业职业阶梯

接下来的关键验证点将是部署证据、重新设计的培训，以及银行团队结构可衡量的变化。

首先，应关注 Goldman 对智能体进入工作流哪些环节的具体披露。最有价值的证据将明确任务类型、审阅要求、员工覆盖范围和测得的错误率。

Sneader 的言论描述的是一个方向，而非完整的部署报告。若在投资银行业务中大规模推广，将更有力地证明智能体管理已成为一项初级职能。

有限试点计划将支持一种更谨慎的解读：它表明 Goldman 正在测试新的职责分工，而非取代既有的分析师培养模式。

其次，应关注银行如何重新设计毕业生培训。UBS 已将 AI 能力与招聘相结合，但技术熟练度并不能解决学徒培养缺口。

强有力的项目会将智能体使用与手动练习、失败分析、来源核验以及受监督的客户情境演练结合起来，并衡量新员工是否会随着时间推移形成更好的判断力。

薄弱的项目则会强调更快的产出，却不检验理解程度。如果初级银行家无法解释智能体输出背后的假设，那么所谓管理者头衔大多只是表面装饰。

第三，应关注银行就业结构，而不是孤立的裁员公告。分析师招聘、助理晋升、控制职能的增长以及内部调配，将揭示工作岗位正流向何处。

初级岗位招聘减少，将削弱 AI 保留入门级机会的说法。招聘保持稳定、但中层管理岗位减少，则会支持 Sneader 更具体的担忧。

模型治理和专业审核岗位的增长，将表明自动化正在重新分配工作。这并不能证明总就业人数保持不变。

读者还应区分任务自动化与职业自动化。智能体可以完成银行家工作量中的部分任务，却无法复制客户信任、机构问责或商业判断。

这种区别不会一成不变。随着模型能力提升，银行将委派更多彼此关联的任务。控制机制与培训也必须以同样的速度推进。

对于金融业以外的知识工作者而言，Goldman 的实验提出了一个直接的问题：如果第一次晋升发生在第一次学徒培养之前，会怎样？

答案取决于组织是否将 AI 监督视为真正的管理。真正的管理需要授权、专业能力、文档记录，以及在委派工作失败时承担责任。

Goldman Sachs AI 智能体可以为初级银行家带来显著的能力杠杆。但它们至少目前还无法提供判断每一项结果所需的经验。

务实的应对方式，是有意识地培养这种判断力。工作者应练习追溯来源、检验假设、记录不确定性，并拒绝那些看似完成、实则缺乏依据的输出。

雇主应依据纠正后的结果和员工学习情况，而不是部署了多少智能体，来评估 AI 项目。关键指标将是：更快的工作是否也变得更安全。

如果银行坚持这一标准，入门级岗位可以变得更具分析性、减少机械性。否则，虚拟劳动力可能会以比新管理者发现错误更快的速度复制错误。