इन्वेस्टमेंट बैंकिंग में Claude का उपयोग कैसे करें: जूनियर बैंकरों के लिए क्या बदल रहा है

इनमें से कुछ भी यह नहीं बदलता कि किसी क्लाइंट या क्रेडिट कमेटी के सामने जाने वाले नंबर पर साइन-ऑफ कौन करता है। अगर किसी कॉम्प सेट में कोई पुराना मल्टीपल हो या कोई मॉडल असम्पशन डेटा रूम से मेल न खाए, तो उसे आगे जाने देने वाला एनालिस्ट ही इसका जवाबदेह होता है, न कि वह टूल जिसने पहला ड्राफ्ट बनाया।

यही इन्वेस्टमेंट बैंकिंग में एनालिस्ट के AI इस्तेमाल का असली बदलाव है: वह काम जो पहले यह साबित करता था कि आप पर किसी लाइव डील के लिए भरोसा किया जा सकता है, फॉर्मेटिंग में लगे घंटे, डेटा टाइप करना, मॉडल का पहला वर्शन बनाना, अब आंशिक रूप से ऑटोमेट हो गया है। जो बचा है वह वह हिस्सा है जो हमेशा सिखाना कठिन रहा है: यह जानना कि कोई नंबर गलत लगता है, इससे पहले कि कोई और इसे पकड़े।

बैंकों में इस बात में बहुत फर्क है कि उन्होंने AI टूल्स को कितनी औपचारिक रूप से अपनाया है। कुछ डेस्क के पास एक स्टैंडर्डाइज़्ड वर्कफ़्लो और साफ नियम हैं कि किसे दोबारा जांचने की जरूरत है। बाकी इसे पूरी तरह व्यक्तिगत एनालिस्ट पर छोड़ देते हैं, जिसका मतलब है कि वही गलती, यानी किसी AI ड्राफ्ट पर बिना सोर्स डॉक्यूमेंट्स के खिलाफ वेरिफाई किए भरोसा करना, अलग-अलग बैंकों में अलग-अलग वजहों से दिखती है।

एंट्री-लेवल एनालिस्ट के बीच AI अपनाना स्किल्स के एक अलग मिक्स को रिवॉर्ड दे रहा है, जो दस साल पहले इस नौकरी के पहले कुछ सालों को तय करने वाले मिक्स से अलग है। जब कोई टूल स्कैफोल्डिंग बना सकता है तो कच्ची मॉडलिंग स्पीड कम मायने रखती है; यह पहचानने की क्षमता कि वह स्कैफोल्डिंग कब गलत है, ज्यादा मायने रखती है।

कौन सा सवाल पूछना है, इस पर जजमेंट किसी जाने-पहचाने सवाल का जवाब तेजी से देने की क्षमता से ज्यादा बड़ा डिफरेंशिएटर बन रहा है। जो एनालिस्ट किसी मैनेजिंग डायरेक्टर को यह बता सकता है कि किसी मॉडल में कौन से तीन नंबर क्लाइंट कॉल से पहले दोबारा जांचने लायक हैं, वह वह काम कर रहा है जिसे जूनियर बैंकरों के लिए AI ने ऑटोमेट नहीं किया है।

कम्युनिकेशन और कॉन्टेक्स्ट अब भी पूरी तरह इंसान के हाथ में हैं। यह जानना कि किसी खास क्लाइंट को किस बात की परवाह है, किसी खास सेक्टर के इन्वेस्टर्स इस तिमाही किस बात को लेकर घबराए हुए हैं, और किसी सीनियर बैंकर से असहमति को कुशलता से कैसे कहें: इनमें से कुछ भी किसी ट्रांसक्रिप्ट सारांश से नहीं आता।

मॉडलिंग इंट्यूशन, यानी फॉर्मूला जांचने से पहले ही यह अंदाज़ा लग जाना कि कोई नंबर सही रेंज में है या नहीं, अब भी धीमे तरीके से बनता है, यानी इतनी बार हाथ से काम करके कि इसकी समझ विकसित हो जाए। मॉडल का पहला वर्शन ड्राफ्ट करने वाले AI टूल्स इसकी जगह नहीं लेते; अगर कुछ है तो यह कि जो एनालिस्ट हाथ से किए जाने वाले रेप्स को बहुत जल्दी छोड़ देते हैं, वे रिव्यू स्टेज पर कम इंट्यूशन के साथ पहुंचते हैं।

जो कोई यह सोच रहा है कि AI के पहले से टूलकिट का हिस्सा होने के बावजूद इन्वेस्टमेंट बैंकिंग में करियर शुरू करें या नहीं, उसके लिए ईमानदार जवाब यह है कि यह नौकरी गायब नहीं हो रही, बस इसका आकार बदल रहा है। घंटे अब भी लंबे हैं, लर्निंग कर्व अब भी तेज़ है, और रास्ता अब भी उसी अप्रेंटिसशिप मॉडल से गुज़रता है जैसा हमेशा से रहा है, बस शुरुआती काम अलग हैं।

जो बदल रहा है वह यह है कि पहले दो साल क्या सिखाते हैं। जो जूनियर बैंकर AI टूल्स को अच्छी तरह दिशा देना सीख लेता है, यानी क्या मांगना है, इसे कैसे जांचना है, और कब इस पर भरोसा नहीं करना है, वह एक ऐसी स्किल बना रहा है जो करियर की सीढ़ी ऊपर तक ट्रांसफर होती है, क्योंकि सीनियर बैंकर भी अपना समय दूसरों के काम को रिव्यू करने में लगाते हैं। सबसे ज्यादा जोखिम में वे एनालिस्ट नहीं हैं जो AI टूल्स इस्तेमाल करते हैं; बल्कि वे हैं जो AI आउटपुट को पहले ड्राफ्ट के बजाय पूरा काम मानकर चलते हैं।

अगर आप कोई बैंक या ग्रुप चुन रहे हैं, तो यह पूछना ठीक है कि वे एनालिस्ट्स से AI टूल्स कैसे इस्तेमाल करने की उम्मीद रखते हैं और उनके रिव्यू स्टैंडर्ड कैसे दिखते हैं। जिस डेस्क के पास इस सवाल का साफ जवाब है, वह शायद उस नौकरी के लिए एनालिस्ट्स को ट्रेन करने में ज्यादा निवेश कर रहा है जैसी वह अभी है, न कि पांच साल पहले जैसी थी।