Claude in Investment Banking nutzen: Was sich für Junior-Banker ändert

Nichts davon ändert, wer eine Zahl abzeichnet, die vor einen Kunden oder ein Kreditkomitee geht. Wenn ein Comp-Set ein veraltetes Multiple enthält oder eine Modellannahme nicht zum Data Room passt, ist der Analyst, der das durchgehen ließ, dafür verantwortlich, nicht das Tool, das den ersten Entwurf erstellt hat.

Das ist der eigentliche Wandel beim KI-Einsatz von Investment-Banking-Analysten: Die Arbeit, die früher bewies, dass man einem laufenden Deal vertrauen konnte, Stunden mit Formatierung, Dateneingabe und dem Aufbau der ersten Modellversion, ist heute teilweise automatisiert. Was bleibt, ist der Teil, der sich schon immer schwerer vermitteln ließ: zu wissen, welche Zahl falsch wirkt, bevor sie jemand anderem auffällt.

Banken unterscheiden sich stark darin, wie formell sie KI-Tools eingeführt haben. Manche Desks haben einen standardisierten Workflow und klare Regeln dafür, was eine zweite Prüfung braucht. Andere überlassen es vollständig den einzelnen Analysten, was bedeutet, dass derselbe Fehler, einem KI-Entwurf zu vertrauen, ohne ihn gegen die Quelldokumente zu prüfen, bei verschiedenen Banken aus unterschiedlichen Gründen auftritt.

Die KI-Nutzung von Einstiegsanalysten honoriert heute eine andere Mischung von Fähigkeiten als die, die die ersten Berufsjahre vor einem Jahrzehnt definierte. Reine Modellierungsgeschwindigkeit zählt weniger, wenn ein Tool das Gerüst bauen kann; die Fähigkeit zu erkennen, wenn dieses Gerüst falsch ist, zählt mehr.

Das Urteilsvermögen, welche Frage man stellen sollte, wird zu einem größeren Unterscheidungsmerkmal als die Fähigkeit, eine bekannte Frage schnell zu beantworten. Ein Analyst, der einem Managing Director sagen kann, welche drei Zahlen in einem Modell vor einem Kundengespräch noch einmal geprüft werden sollten, leistet Arbeit, die KI für Junior-Banker nicht automatisiert hat.

Kommunikation und Kontext liegen weiterhin vollständig beim Menschen. Zu wissen, was einem bestimmten Kunden wichtig ist, worüber sich die Investoren einer bestimmten Branche in diesem Quartal Sorgen machen, und wie man eine abweichende Meinung einem Senior Banker gegenüber taktvoll formuliert, nichts davon kommt aus einer Transkript-Zusammenfassung.

Modellierungsintuition, ein Gefühl dafür, ob eine Zahl in der richtigen Größenordnung liegt, noch bevor man die Formel überhaupt geprüft hat, entsteht weiterhin auf dem langsamen Weg: indem man die Arbeit oft genug von Hand macht, um ein Gespür dafür zu entwickeln. KI-Tools, die die erste Modellversion entwerfen, ersetzen das nicht; eher kommen Analysten, die die handgemachten Übungsrunden zu früh auslassen, mit weniger Intuition in die Review-Phase.

Für jemanden, der abwägt, ob er eine Karriere im Investment Banking beginnen soll, in der KI bereits Teil des Werkzeugkastens ist, lautet die ehrliche Antwort: Der Job verändert sich, statt zu verschwinden. Die Arbeitszeiten sind weiterhin lang, die Lernkurve bleibt steil, und der Weg führt weiterhin durch dasselbe Ausbildungsmodell wie immer, nur mit anderen frühen Aufgaben.

Was sich ändert, ist das, was die ersten zwei Jahre vermitteln. Ein Junior-Banker, der lernt, KI-Tools gut zu steuern, zu wissen, worum er bittet, wie er es prüft und wann er ihm nicht vertrauen sollte, baut eine Fähigkeit auf, die die Karriereleiter hochträgt, da auch Senior Banker ihre Zeit mit der Prüfung der Arbeit anderer verbringen. Am stärksten gefährdet sind nicht die Analysten, die KI-Tools nutzen, sondern die, die KI-Ergebnisse wie fertige Arbeit behandeln statt wie einen ersten Entwurf.

Wenn du eine Bank oder eine Gruppe auswählst, ist es sinnvoll zu fragen, wie dort erwartet wird, dass Analysten KI-Tools nutzen, und wie die Review-Standards aussehen. Ein Desk mit einer klaren Antwort auf diese Frage investiert eher in die Ausbildung von Analysten für den Job, wie er heute existiert, statt für den Job, wie er vor fünf Jahren existierte.