Como usar o Claude em banco de investimento: o que muda para analistas juniores

Nada disso muda quem assina um número que vai para a frente de um cliente ou de um comitê de crédito. Se um conjunto de comps tem um múltiplo desatualizado ou uma premissa do modelo não bate com o data room, o analista que deixou passar é quem responde por isso, não a ferramenta que fez o primeiro rascunho.

Essa é a mudança real no uso de IA pelo analista de banco de investimento: o trabalho que antes provava que você podia ser responsável por um negócio em andamento, horas gastas formatando, digitando dados, montando a primeira versão de um modelo, hoje está parcialmente automatizado. O que resta é a parte que sempre foi mais difícil de ensinar: saber qual número parece errado antes que outra pessoa perceba.

Os bancos variam bastante na formalidade com que adotaram ferramentas de IA. Algumas mesas têm um fluxo de trabalho padronizado e regras claras sobre o que precisa de uma segunda verificação. Outras deixam tudo a critério de cada analista, o que significa que o mesmo erro, confiar em um rascunho de IA sem verificá-lo contra os documentos-fonte, aparece em bancos diferentes por motivos diferentes.

A adoção de IA pelos analistas de nível iniciante está recompensando uma combinação de habilidades diferente da que definia os primeiros anos do cargo uma década atrás. A velocidade bruta de modelagem importa menos quando uma ferramenta consegue montar o esqueleto; a capacidade de perceber quando esse esqueleto está errado importa mais.

O julgamento sobre qual pergunta fazer está se tornando um diferencial maior do que a capacidade de responder rápido a uma pergunta conhecida. Um analista que consegue dizer a um managing director quais três números de um modelo vale a pena verificar de novo antes de uma ligação com o cliente está fazendo um trabalho que a IA para bankers juniores ainda não automatizou.

Comunicação e contexto ainda são inteiramente humanos. Saber o que um cliente específico valoriza, com o que os investidores de um setor específico estão preocupados neste trimestre, e como formular uma discordância com um banker mais experiente com tato: nada disso vem de um resumo de transcrição.

A intuição de modelagem, o sentido de se um número está na faixa certa antes mesmo de checar a fórmula, ainda é construída do jeito lento, fazendo o trabalho à mão o suficiente para desenvolver esse sentido. As ferramentas de IA que fazem o primeiro rascunho de um modelo não substituem isso; pelo contrário, os analistas que pulam as repetições feitas à mão cedo demais chegam à etapa de revisão com menos intuição para aplicar.

Para quem está avaliando se deve começar uma carreira em banco de investimento já com a IA fazendo parte do kit de ferramentas, a resposta honesta é que o trabalho está mudando de forma, não desaparecendo. As horas continuam longas, a curva de aprendizado continua íngreme, e o caminho ainda passa pelo mesmo modelo de aprendizado de sempre, só que com tarefas iniciais diferentes.

O que está mudando é o que os primeiros dois anos ensinam. Um banker júnior que aprende a direcionar bem as ferramentas de IA, a saber o que pedir, como verificar e quando não confiar, está construindo uma habilidade que acompanha a carreira, já que bankers mais experientes também passam o tempo revisando o trabalho de outras pessoas. Os analistas mais em risco não são os que usam ferramentas de IA; são os que tratam a saída da IA como trabalho pronto em vez de um primeiro rascunho.

Se você está escolhendo um banco ou uma equipe, é razoável perguntar como eles esperam que os analistas usem ferramentas de IA e como são os padrões de revisão deles. Uma mesa com uma resposta clara para essa pergunta tem mais chance de estar investindo em treinar analistas para o trabalho como ele existe agora, e não para o trabalho como existia há cinco anos.