Cara menggunakan Claude di perbankan investasi: apa yang berubah bagi analis junior

Semua ini tidak mengubah siapa yang memberi persetujuan atas angka yang akan tampil di depan klien atau komite kredit. Kalau sebuah comp set punya multiple yang sudah basi atau asumsi model tidak sesuai dengan data room, analis yang meluluskannya adalah pihak yang harus bertanggung jawab, bukan alat yang membuat draf pertamanya.

Itulah perubahan nyata dalam penggunaan AI oleh analis perbankan investasi: pekerjaan yang dulu membuktikan kamu bisa dipercaya memegang deal yang sedang berjalan, jam-jam yang dihabiskan untuk memformat, mengetik data, membuat versi pertama sebuah model, sekarang sebagian sudah terotomatisasi. Yang tersisa adalah bagian yang selalu lebih sulit diajarkan: tahu angka mana yang terlihat salah sebelum orang lain menangkapnya.

Bank-bank sangat berbeda dalam seberapa formal mereka mengadopsi alat AI. Beberapa desk sudah punya workflow standar dan aturan jelas soal apa yang butuh pengecekan kedua. Yang lain menyerahkannya sepenuhnya ke masing-masing analis, yang berarti kesalahan yang sama, yaitu mempercayai draf AI tanpa memverifikasinya terhadap dokumen sumber, muncul di bank yang berbeda karena alasan yang berbeda-beda.

Adopsi AI oleh analis entry-level kini menghargai kombinasi skill yang berbeda dari yang mendefinisikan beberapa tahun pertama pekerjaan ini satu dekade lalu. Kecepatan modeling mentah makin kurang penting saat tools bisa membuat scaffolding-nya; kemampuan menangkap kapan scaffolding itu salah justru makin penting.

Judgment soal pertanyaan mana yang harus diajukan menjadi pembeda yang lebih besar dibanding kemampuan menjawab pertanyaan yang sudah diketahui dengan cepat. Analis yang bisa memberi tahu managing director tiga angka mana dalam sebuah model yang layak dicek ulang sebelum client call sedang melakukan pekerjaan yang belum diotomatisasi oleh AI untuk analis junior.

Komunikasi dan konteks sepenuhnya masih ada di tangan manusia. Tahu apa yang dipedulikan klien tertentu, apa yang membuat investor di sektor tertentu cemas kuartal ini, dan bagaimana menyampaikan ketidaksetujuan dengan senior banker secara taktis: semua itu tidak datang dari ringkasan transkrip.

Intuisi modeling, yaitu kepekaan untuk tahu apakah sebuah angka berada di kisaran yang benar bahkan sebelum kamu memeriksa formulanya, masih dibangun dengan cara lama, yaitu mengerjakannya secara manual cukup banyak kali sampai terbentuk kepekaan itu. Alat AI yang membuat draf versi pertama sebuah model tidak menggantikan itu; justru, analis yang melewatkan latihan manual ini terlalu cepat akan tiba di tahap review dengan intuisi yang lebih sedikit untuk diterapkan.

Untuk seseorang yang mempertimbangkan apakah mau memulai karier di perbankan investasi dengan AI yang sudah jadi bagian dari toolkit, jawaban yang jujur adalah pekerjaannya berubah bentuk, bukan menghilang. Jam kerjanya tetap panjang, learning curve-nya tetap terjal, dan jalurnya tetap melewati model apprenticeship yang sama seperti biasanya, hanya dengan tugas-tugas awal yang berbeda.

Yang berubah adalah apa yang diajarkan di dua tahun pertama. Junior banker yang belajar mengarahkan alat AI dengan baik, tahu apa yang harus diminta, cara mengeceknya, dan kapan tidak boleh mempercayainya, sedang membangun skill yang terbawa naik ke jenjang karier, karena senior banker juga menghabiskan waktu mereka meninjau pekerjaan orang lain. Analis yang paling berisiko bukan yang memakai alat AI; mereka adalah yang memperlakukan hasil AI sebagai pekerjaan jadi, bukan draf pertama.

Kalau kamu sedang memilih bank atau grup, wajar untuk menanyakan bagaimana mereka berharap analis memakai alat AI dan seperti apa standar review mereka. Desk yang punya jawaban jelas untuk pertanyaan itu lebih mungkin sedang berinvestasi melatih analis untuk pekerjaan seperti yang ada sekarang, bukan pekerjaan seperti lima tahun lalu.