투자은행에서 Claude 사용하는 방법: 주니어 뱅커에게 달라지는 것

이 중 어느 것도 클라이언트나 신용위원회 앞에 제시되는 숫자를 누가 최종 승인하는지는 바꾸지 않습니다. 컴프셋에 오래된 멀티플이 있거나 모델 가정이 데이터룸과 맞지 않는다면, 이를 그대로 넘긴 애널리스트가 그 책임을 지는 것이며, 1차 초안을 작성한 도구가 지는 것이 아닙니다.

이것이 투자은행 애널리스트의 AI 활용에서 일어난 진짜 변화입니다: 실제 딜을 맡길 수 있다는 것을 증명하던 업무, 즉 포맷팅과 데이터 입력, 모델 첫 버전 작업에 들어가던 시간이 이제 부분적으로 자동화되었습니다. 남은 것은 늘 가르치기 어려웠던 부분입니다: 다른 누구보다 먼저 어떤 숫자가 잘못됐는지 알아보는 것입니다.

은행마다 AI 도구를 얼마나 체계적으로 도입했는지는 크게 다릅니다. 일부 데스크는 표준화된 워크플로와 재확인이 필요한 사항에 대한 명확한 규칙을 갖고 있습니다. 다른 곳은 전적으로 개별 애널리스트에게 맡기는데, 이는 같은 실수, 즉 소스 문서와 대조 확인하지 않고 AI 초안을 그대로 믿는 일이 은행마다 서로 다른 이유로 나타난다는 뜻입니다.

신입 애널리스트의 AI 도입은 10년 전 이 일의 초년차를 정의했던 역량과는 다른 조합을 보상하고 있습니다. 도구가 뼈대를 만들어줄 수 있다면 순수한 모델링 속도는 덜 중요해지고, 그 뼈대가 잘못됐을 때 알아차리는 능력이 더 중요해집니다.

어떤 질문을 던져야 하는지에 대한 판단력이 이미 알려진 질문에 빠르게 답하는 능력보다 더 큰 차별점이 되고 있습니다. 클라이언트 콜 전에 모델 안에서 다시 확인할 가치가 있는 세 가지 숫자가 무엇인지 매니징 디렉터에게 말해줄 수 있는 애널리스트는, 주니어 뱅커를 위한 AI가 아직 자동화하지 못한 일을 하고 있는 것입니다.

커뮤니케이션과 맥락 파악은 여전히 전적으로 사람의 몫입니다. 특정 클라이언트가 무엇을 신경 쓰는지, 이번 분기에 특정 업종의 투자자들이 무엇을 불안해하는지, 시니어 뱅커와의 의견 차이를 어떻게 정중하게 표현할지는 스크립트 요약에서 나오지 않습니다.

모델링 직감, 즉 수식을 확인하기도 전에 숫자가 적절한 범위에 있는지 감으로 아는 능력은 여전히 느린 방식으로 만들어집니다. 손으로 충분히 많이 작업해보며 감각을 키우는 것입니다. 모델 첫 버전을 작성하는 AI 도구가 이를 대체하지는 못합니다. 오히려 손으로 직접 해보는 반복을 너무 일찍 건너뛴 애널리스트는 검토 단계에 도달했을 때 적용할 직감이 더 부족한 상태로 오게 됩니다.

AI가 이미 도구함의 일부가 된 상태에서 투자은행 커리어를 시작할지 고민하는 사람에게 솔직한 답은, 이 일이 사라지는 것이 아니라 형태가 바뀌고 있다는 것입니다. 근무 시간은 여전히 길고, 학습 곡선은 여전히 가파르며, 경로는 여전히 같은 수습 모델을 거쳐 가지만, 초반 업무만 달라졌을 뿐입니다.

달라지는 것은 처음 2년이 가르치는 내용입니다. AI 도구를 잘 다루는 법, 무엇을 요청할지, 어떻게 확인할지, 언제 믿지 말아야 할지를 배운 주니어 뱅커는 커리어 상위 단계로 이어지는 역량을 쌓고 있는 것입니다. 시니어 뱅커 역시 다른 사람의 작업을 검토하는 데 시간을 쓰기 때문입니다. 가장 위험한 애널리스트는 AI 도구를 쓰는 사람이 아니라, AI 결과물을 초안이 아니라 완성된 작업으로 취급하는 사람입니다.

은행이나 그룹을 선택하는 중이라면, 애널리스트가 AI 도구를 어떻게 사용하기를 기대하는지, 그들의 검토 기준이 어떤지 물어보는 것이 합리적입니다. 이 질문에 명확한 답을 가진 데스크는 5년 전에 존재했던 일이 아니라 지금 존재하는 일에 맞게 애널리스트를 훈련시키는 데 투자하고 있을 가능성이 더 높습니다.