Cách dùng Claude trong ngân hàng đầu tư: Điều gì thay đổi với nhân viên phân tích mới

Không điều gì trong số này thay đổi việc ai ký duyệt một con số đưa ra trước khách hàng hoặc ủy ban tín dụng. Nếu một bảng comps có một chỉ số đã cũ hoặc một giả định trong model không khớp với data room, analyst đã để nó lọt qua là người phải trả lời, không phải công cụ đã soạn bản đầu tiên.

Đó là sự thay đổi thực sự trong việc nhân viên phân tích ngân hàng đầu tư dùng AI: công việc từng dùng để chứng minh bạn có thể được tin tưởng giao một deal thực tế, những giờ dành cho định dạng, nhập liệu, dựng phiên bản đầu tiên của một model, giờ đã được tự động hóa một phần. Phần còn lại là phần luôn khó dạy hơn: biết con số nào trông sai trước khi ai khác phát hiện ra.

Các ngân hàng khác nhau rất nhiều về mức độ chính thức họ áp dụng công cụ AI. Một số desk có quy trình tiêu chuẩn và quy tắc rõ ràng về việc gì cần kiểm tra lần hai. Số khác để hoàn toàn cho từng analyst tự quyết, nghĩa là cùng một lỗi, tin vào bản thảo AI mà không kiểm tra lại với tài liệu nguồn, xuất hiện ở các ngân hàng khác nhau vì những lý do khác nhau.

Việc áp dụng AI ở cấp nhân viên phân tích mới đang đề cao một tổ hợp kỹ năng khác với tổ hợp đã định hình vài năm đầu của công việc này một thập kỷ trước. Tốc độ xây model thô ít quan trọng hơn khi một công cụ có thể dựng khung sẵn; khả năng nhận ra khi khung đó bị sai lại quan trọng hơn.

Khả năng đánh giá nên hỏi câu nào đang trở thành yếu tố khác biệt lớn hơn khả năng trả lời nhanh một câu hỏi đã biết. Một analyst có thể nói cho Managing Director biết ba con số nào trong một model đáng kiểm tra lại hai lần trước cuộc gọi với khách hàng đang làm một việc mà AI cho nhân viên ngân hàng mới chưa tự động hóa được.

Giao tiếp và bối cảnh vẫn hoàn toàn thuộc về con người. Biết một khách hàng cụ thể quan tâm điều gì, nhà đầu tư trong một ngành cụ thể đang lo lắng điều gì quý này, và cách diễn đạt một ý kiến bất đồng với một banker cấp cao sao cho khéo léo: không điều nào trong số đó đến từ một bản tóm tắt bản ghi.

Trực giác về model, cảm nhận được một con số có nằm trong khoảng hợp lý hay không trước khi bạn kịp kiểm tra công thức, vẫn được xây dựng theo cách chậm: bằng cách tự tay làm việc đủ nhiều lần để phát triển cảm nhận đó. Công cụ AI soạn phiên bản đầu của một model không thay thế được điều đó; nếu có khác biệt, những analyst bỏ qua quá sớm các lần tự tay thực hành sẽ đến giai đoạn rà soát với ít trực giác hơn để áp dụng.

Với ai đang cân nhắc bắt đầu sự nghiệp trong ngân hàng đầu tư khi AI đã là một phần của bộ công cụ, câu trả lời trung thực là công việc đang đổi hình dạng chứ không biến mất. Số giờ làm vẫn dài, đường học vẫn dốc, và con đường vẫn đi qua cùng mô hình học nghề như trước, chỉ khác ở những việc làm đầu tiên.

Điều đang thay đổi là hai năm đầu dạy cái gì. Một nhân viên ngân hàng mới học cách điều khiển công cụ AI tốt, biết nên yêu cầu gì, cách kiểm tra nó, và khi nào không nên tin nó, đang xây một kỹ năng theo bạn lên các bậc sự nghiệp cao hơn, vì các banker cấp cao cũng dành thời gian rà soát công việc của người khác. Những analyst gặp rủi ro nhất không phải những người đang dùng công cụ AI; mà là những người coi kết quả AI là việc đã hoàn thiện thay vì một bản thảo đầu tiên.

Nếu bạn đang chọn một ngân hàng hay một nhóm, hỏi họ mong đợi analyst dùng công cụ AI như thế nào và chuẩn rà soát của họ ra sao là điều hợp lý. Một desk có câu trả lời rõ ràng cho câu hỏi đó nhiều khả năng đang đầu tư đào tạo analyst cho công việc như nó đang là hiện nay, thay vì cho công việc như nó đã từng là năm năm trước.