Claude gebruiken in investment banking: wat verandert er voor junior bankiers

Niets daarvan verandert wie een cijfer afzekert dat bij een client of een kredietcommissie terechtkomt. Als een comp-set een verouderde multiple bevat of een modelaanname niet aansluit op de data room, is het de analist die dit heeft laten doorgaan die daarop wordt afgerekend, niet de tool die het eerste concept opstelde.

Dat is de echte verschuiving in het AI-gebruik door analisten in investment banking: het werk dat vroeger bewees dat je vertrouwd kon worden met een lopende deal, uren besteed aan opmaken, gegevens intypen en de eerste versie van een model bouwen, is nu deels geautomatiseerd. Wat overblijft, is het deel dat altijd al moeilijker te onderwijzen was: weten welk cijfer niet klopt voordat iemand anders het ontdekt.

Banken verschillen sterk in hoe formeel ze AI-tools hebben ingevoerd. Sommige desks hebben een gestandaardiseerde workflow en duidelijke regels over wat een tweede controle nodig heeft. Andere laten dit volledig over aan individuele analisten, waardoor dezelfde fout, een AI-concept vertrouwen zonder het aan brondocumenten te toetsen, bij verschillende banken om verschillende redenen opduikt.

AI-adoptie door starters beloont een andere mix van vaardigheden dan die de eerste jaren van de functie tien jaar geleden bepaalde. Pure modelleersnelheid telt minder als een tool het skelet kan opbouwen; het vermogen om te zien wanneer dat skelet fout is, telt meer.

Oordeelsvorming over welke vraag je moet stellen wordt een groter onderscheidend vermogen dan het snel kunnen beantwoorden van een bekende vraag. Een analist die een managing director kan vertellen welke drie cijfers in een model het waard zijn om dubbel te checken voor een clientgesprek, doet werk dat AI voor junior bankiers niet heeft geautomatiseerd.

Communicatie en context liggen nog volledig bij de mens. Weten waar een specifieke client om geeft, waar investeerders in een specifieke sector dit kwartaal nerveus over zijn, en hoe je een meningsverschil met een senior bankier tactvol verwoordt: niets daarvan komt uit een samenvatting van een transcript.

Modelleerintuïtie, een gevoel of een cijfer in de juiste range ligt nog voordat je de formule hebt gecontroleerd, wordt nog steeds op de langzame manier opgebouwd: door het werk vaak genoeg met de hand te doen om er een gevoel voor te ontwikkelen. AI-tools die de eerste versie van een model opstellen, vervangen dat niet; als er al iets verandert, is het dat analisten die de handmatige herhalingen te vroeg overslaan, met minder intuïtie bij de reviewfase aankomen.

Voor iemand die overweegt een carrière in investment banking te starten terwijl AI al deel uitmaakt van de gereedschapskist, is het eerlijke antwoord dat de functie van vorm verandert in plaats van verdwijnt. De uren zijn nog steeds lang, de leercurve is nog steeds steil, en het pad loopt nog steeds via hetzelfde leertraject als altijd, alleen met andere taken in het begin.

Wat verandert, is wat de eerste twee jaar aanleren. Een junior bankier die leert om AI-tools goed aan te sturen, te weten wat te vragen, hoe het te controleren en wanneer het niet te vertrouwen, bouwt een vaardigheid op die meegaat naar hogere functies, omdat senior bankiers ook hun tijd besteden aan het reviewen van het werk van anderen. De analisten met het meeste risico zijn niet degenen die AI-tools gebruiken; het zijn degenen die AI-output als afgewerkt werk behandelen in plaats van als een eerste concept.

Als je een bank of groep kiest, is het redelijk om te vragen hoe ze verwachten dat analisten AI-tools gebruiken en hoe hun reviewstandaarden eruitzien. Een desk met een duidelijk antwoord op die vraag investeert waarschijnlijker in het trainen van analisten voor de functie zoals die nu bestaat, in plaats van voor de functie zoals die vijf jaar geleden bestond.