高盛高管 Kevin Sneader 将初级银行家描述为 AI 智能体的管理者，显示银行职业起点正在变化。10 月 12 日报道的发言强调，新人不再只是制作首份表格或演示材料，也要指挥虚拟劳动力。这是对工作组织方式的描述，并非公布全行岗位替代计划。
Sneader 负责日本以外的亚太业务，也是管理委员会成员，曾任麦肯锡全球负责人。其职位使发言具有分量，但公开信息没有说明使用智能体的员工人数、具体自动化任务或高盛取消传统培训。不能据此推断每个分析师岗位的未来。
Sneader 明确表示，如果新人一入职便监督智能体，中层管理将如何变化仍不确定。高盛首席执行官 David Solomon 则认为，关于 AI 导致就业崩塌的预测被夸大了。这些话不代表人员结构会保持不变，也没有排除就业风险。
Citi 的 Arc 是供开发者组合模型与智能体的受控环境，计划随后逐步向更广员工开放；18 万人的数字指企业 AI 工具使用者，不是智能体已部署人数。UBS 强调负责任的实践及业务成果，并计划围绕真实银行场景培训。JPMorgan 所描述的跨系统协调 AI 原生工作空间是一种愿景，而非已获证明的全面上线。
监督难题背后的基准
BankerToolBench 研究与 502 名银行家合作设计端到端投行业务流程，并用超过 100 项标准评估九个前沿模型，涵盖财务模型、演示、报告、数据室、市场平台及监管文件。
表现最好的模型仍未满足近半数标准，银行家认为没有一份完整产出可直接交给客户。这是该基准的结果，不是高盛内部系统实测；它说明任命一名智能体主管，不等于获得能可靠交付成品的分析师。
文件期间不匹配可能进入模型，再传到图表和客户解释。漂亮结果与连贯叙事会掩盖最初错误，审核者需要来源和足以质疑假设的专业知识。
对手同时改变平台与入职要求
Citi平台集中模型访问、代理创建、监测和紧急停止。发布时称18万员工已用企业AI工具。这是广泛工具数字，不证明18万人已操作自主代理，也不代表权限相同。
软件可多步行动时，监测和停止尤其重要。初稿能等待审查，发信息或改下游系统需要不同授权。平台治理与专业培训相关，但各解决不同风险。
UBS把AI熟练度纳入招聘：2027届毕业生及实习申请者须展示实用AI技能。这改变入职知识预期，不证明财务判断、知识或常规复核过时。
就业预测不能决定职业模式
S&P Global行业分析认为，近期更可能替代特定活动而非整份工作；同时引Morgan Stanley估计欧洲银行五年或减员10%，很多可能靠退休和自然流失。
这是地区条件预测，不是Goldman实测或普遍裁员计划。工作可能转向专业复核和治理，协调层与初级招聘也可能改变。关键是减少重复生产时，能否保留培养资深审核者的实践。
减少低价值劳动时，不能丢掉判断力训练
传统初级工作同时包含不必要的重复和有价值的实践。反复重排幻灯片可能学不到多少，但核对不同公示文件的报告期间、重新建立财务模型，以及解释某项假设，都能培养以后审查他人工作的判断力。
智能体可以直接生成貌似完工的表格和演示材料，却不展示中间决策。这样，新人可能被要求批准自己尚不能解释的内容。银行需要保留理解过程的训练，而非把生成速度上升视为专业能力成长。
可行的训练安排，是将智能体辅助初稿与选定计算、来源链接的人工核查结合。新人应能解释每个重要结论涉及的主体、报告期间、假设与不确定性，资深审查者再将解释和交付物对照，指出差距。
监督必须有真实权限
如果初级员工不能查看证据、拒绝不合适的初稿，或者升级报告无法完成的期限，就难以真正对结果负责。把岗位称为智能体管理者，不能解决责任与权力的不匹配。访问权限、审查门槛、资深人员的最终批准责任都要明确。
信息辅助、建议和执行应当分开。搜集公开文件不同于选择估值假设，这两者又不同于发送客户材料。不同层级需要不同的审查和授权边界；机密资料应留在获批准的系统内。
成果指标必须包括纠错与学习
单纯的生成速度隐藏了追溯主张、核对文件和修复似是而非错误的工作。团队应衡量审查时间、错误严重度、重大修订、升级处理和最终批准，还要测试新人是否逐渐能在没有辅助时识别缺乏支持的假设。
跨文件检查尤为重要：同一组表格、幻灯片和叙述可能引用某个假设的不同版本。来源和计算记录帮助审核者重建过程，但检索到资料，并不自动决定金融判断是否恰当。
Citi 的平台建设与 UBS 据报提出的 AI 技能招聘要求，说明问题并不限于一家银行；它们不代表全行业已经形成统一的人员安排。任务自动化可能把工作转向专业审查与治理，同时改变分析师招聘和管理层级。
真正有信息量的后续证据，是具体任务的部署披露、主动展示失败的培训，以及显示责任流向的职业发展数据。银行可以让入门工作更具分析性，但培训必须培养质疑机器产出的专业知识。关键在于提速是否变成有充分依据的成果，以及未来审核者是否仍在学习如何判断。