Maikling sagot: Hindi lubusang mapapalitan ng AI ang mga investment banker, ngunit sasakupin nito ang malaking bahagi ng mga nakababatang trabaho sa "produksyon" at babawasan ang ilang mga koponan habang inaayos ang mga daloy ng trabaho. Kung kayang isama ng mga kumpanya ang mga kagamitan sa loob ng mga compliance rail at airtight audit trail, mabilis na hihina ang trabaho ng mga analyst; kung masira ang tiwala dahil sa pressure, ang mga tao pa rin ang may hawak ng desisyon.
Mga pangunahing punto:
Awtomasyon ng gawain : Gumamit ng AI para sa mga unang draft, comp, buod, at pag-format ng slide.
Kalamangan ng tao : Pagtuon sa tiwala, negosasyon, politika, at pananagutan sa mga totoong transaksyon.
Pagbabago ng Seniority : Nagiging mas maimpluwensyahan ang mga analyst; nakakakuha ng bentahe ang mga associate/VP sa pamamagitan ng pagsusuri at paghatol.
Mga Kontrol muna : Igiit ang mga audit trail, mga uncertainty flag, at mahigpit na mga limitasyon sa pagsunod.
Panganib sa pagsasanay : Kung mawala ang paulit-ulit na gawain, muling buuin ang apprenticeship gamit ang mga sinadyang pag-uulit ng pagsasanay.
Mga artikulong maaaring gusto mong basahin pagkatapos nito:
🔗 Papalitan ba ng AI ang mga radiologist sa malapit na hinaharap
Paano maaaring magbago ang gawain sa imaging gamit ang mga diagnostic na tinutulungan ng AI.
🔗 Papalitan ba ng AI ang mga accountant o babaguhin ang kanilang tungkulin?
Ano ang kayang gawin ng automation, at kung saan mahalaga pa rin ang mga tao.
🔗 Papalitan ba ng AI ang mga data analyst: ang totoong usapan
Praktikal na pananaw sa mga gawaing kayang palitan at hindi kayang palitan ng AI.
🔗 Papalitan ba ng AI ang mga abogado? Isang mas mahirap na tanong kaysa sa tila
Bakit tinututulan ng legal na gawain ang ganap na automation, sa kabila ng mabilis na pagsulong ng AI.
Ang maikling sagot sa "Papalitan ba ng AI ang mga Investment Banker" 📌
Malamang na hindi lubos na mapapalitan ng AI ang mga investment banker mula simula hanggang katapusan dahil ang pagbabangko ay hindi lamang gumagawa ng mga output -- nakukuha nito ang tiwala, nilalampasan ang kalabuan, at tinatanggap ang mga deal kahit na ang bawat isa ay may iba't ibang insentibo at piling mga alaala.
Ngunit ang AI ay tiyak na:
-
I-automate ang malalaking bahagi ng pagsusuri, pagbalangkas, at gawaing proseso
-
I-compress ang mga timeline para sa mga pitch at pagpapatupad
-
Bawasan ang bilang ng mga taong kailangan para sa ilang partikular na antas ng trabaho
-
Paglipat ng halaga patungo sa relasyong horsepower + judgment + distribution
-
Pilitin ang mga bangko na pag-isipang muli ang modelo ng "apprenticeship" ng analyst-to-associate
Kaya kung ang tanong mo ay "Papalitan ba ng AI ang mga Investment Banker" na parang isang oo/hindi lang, ang diretsong sagot ay: Pinapalitan ng AI ang mga gawain, hindi ang buong uri 🧠🤖
Mabilisang pagsusuri sa realidad: hindi ito "balang araw" - nasa matematika na ito ng mga manggagawa 🔢
Isang malinis na paraan para ibalangkas ito: hindi pinagtatalunan ng mga ehekutibo kung mahalaga ang AI - nagbabadyet sila batay dito.
-
Sa survey ng mga employer ng World Economic Forum, 86% ang umaasang babaguhin ng AI + information processing tech ang kanilang negosyo pagsapit ng 2030, at itinatampok din ng parehong pag-aaral ang malawakang pagbabago sa trabaho (paglikha + pag-alis) na dulot ng estruktural na pagbabago. [1]
-
Samantala, ang pangunahing pananaliksik sa produktibidad ay nangangatwiran na ang generative AI ay maaaring makabuluhang magbago ng output kada oras kung matagumpay na muling i-deploy ng mga organisasyon ang oras at muling i-rewire ang mga daloy ng trabaho (malaking "kung," ngunit iyon ang punto). [2]
Pagsasalin: kahit hindi mawala ang mga "bangkero," hindi mananatiling pareho ang modelo ng pagpapatakbo
Ang ginagawa ng mga investment banker (ang bahaging nakakalimutan ng mga tao) 🧾📈
Kung ang investment banking ay mga spreadsheet at slide deck lang, tapos na sana ang usapang ito. Pero ang trabaho ay parang limang trabahong nakapatong sa isang trench coat:
-
Pinagmulan (paghahanap at pagkamit ng trabaho)
Pagbuo ng relasyon, pagpoposisyon, tiyempo, politika. Kaunting therapy, kaunting estratehiya, kaunting chess ♟️ -
Pagpapatupad (pagpapatupad ng kasunduan)
Koordinasyon sa mga abogado, accountant, internal na komite, pamunuan ng kliyente, mga katapat... kasama ang patuloy na "maliliit" na krisis. -
Pagpapahalaga at salaysay
Hindi lamang mga numero - isang kuwentong nakaligtas sa masusing pagsusuri. Bakit ang kasunduang ito, bakit ngayon, bakit ang presyong ito. -
Pamamahala ng proseso,
mga takdang panahon, mga silid ng datos, mga kahilingan sa kasipagan, paggabay sa mga stakeholder. Ito ay karaniwang propesyonal na pamamahala ng pusa 🐈 -
Pamamahala ng peligro at paghatol sa reputasyon.
Ang hindi dapat gawin ay kasinghalaga ng kung ano ang dapat gawin. Minsan, higit pa rito.
Makakatulong ang AI sa lahat ng lima. Mas mahirap palitan ang lahat ng lima.
Ano ang bumubuo sa isang magandang bersyon ng AI sa investment banking 🤝🤖
Ang isang "mabuting bersyon" ng AI sa pagbabangko ay hindi iyong bumubuo ng pinakamagandang talata. Ito ay iyong kumikilos na parang isang maaasahang junior teammate na:
-
Hindi nagha-hallucinate (o kahit papaano ay malinaw na nagpapakita ng kawalan ng katiyakan)
-
Ipinapaliwanag ang mga palagay nito nang hindi nagiging isang lektura sa pilosopiya
-
Gumagana sa loob ng mga limitasyon sa pagsunod nang hindi nagrereklamo tungkol dito
-
Gumagamit ng pare-parehong mga template at kontrol sa bersyon (ang pagbabangko ay allergic sa randomness)
-
Nauunawaan ang konteksto - dinamika ng sektor, mga pamantayan sa istruktura ng kasunduan, at sensitibidad ng kliyente
-
Nagpapanatili ng audit trail para may makapagdepensa ng output mamaya 😬
Gayundin: ang pananalapi ay gumagamit na ng AI (kabilang ang GenAI) sa mga lugar tulad ng back-end processing at compliance, habang tahasang binabanggit ang mga panganib tulad ng opacity, privacy, cybersecurity at bias. Ang tensyong iyon ang buong problema. [3]
Ang nakatagong kinakailangan ay tiwala. Ang isang modelo ay maaaring maging matalino, ngunit kung hindi ito mapagkakatiwalaan sa ilalim ng presyur, ito ay nagiging isang pananagutan. Tulad ng isang sports car na may hindi maaasahang preno - masaya hanggang sa hindi na ito mapagkakatiwalaan.
Kung saan unang tumatama ang AI: ang mga "industriyal" na bahagi ng pagbabangko 🏭🧠
Ang pinakamaagang paglipat ay sa trabaho na:
-
Mataas na volume
-
Nakabatay sa template
-
Madaling magkamali ang mga tao
-
Madaling suriin nang mekanikal
Kaya oo, maraming klasikong sakit ng analyst ang nasa blast zone.
Mga gawaing malamang na mag-automate (o mag-compress nang husto)
-
Pagbalangkas ng first-pass pitch text at mga pangkalahatang-ideya ng merkado ✍️
-
Pagbuo ng mga comp table mula sa mga nakabalangkas na input
-
Pagbubuod ng mga isinumiteng dokumento, transkrip, at tala ng pananaliksik
-
Pag-format ng mga slide at pagpapatupad ng mga patakaran ng brand (paalam, 2 am alignment wars) 🎯
-
Paggawa ng mga draft na seksyon ng CIM mula sa mga ibinigay na tala ng kasipagan
-
Mabilis na pagbuo ng maraming senaryo ng pagpapahalaga
-
Paggawa ng mga email, pag-update ng status, mga agenda ng meeting (mga magagandang bagay...)
Ang twist
Kahit na "ginagawa" ng AI ang gawain, ang mga tao pa rin ay:
-
Tingnan mo
-
Itama ito
-
Ipagtanggol ito sa loob
-
Iharap ito sa labas
Kaya ang paggawa ay lumilipat mula sa paglikha patungo sa pagsusuri, pangangasiwa, at paghatol . Na tila mas madali... hanggang sa ikaw na ang pumirma dito 😵💫
Isang tipikal na maikling kwento: alas-11:17 ng gabi, gusto ng kliyente ng "mas mahigpit na kwento ng equity" pagsapit ng umaga, at may nangangailangan ng tatlong bersyon para sa tatlong internal na nasasakupan. Ang isang matibay na AI setup ay maaaring magbalangkas ng first-pass language at bumuo ng slide skeleton sa loob ng ilang minuto - at pagkatapos ay gagawin ng associate/VP ang totoong trabaho: pag-aayos ng kung ano ang teknikal na tama ngunit komersyal na mali .
Kung saan nahihirapan ang AI: ang pandikit ng tao na nagsasara ng mga kasunduan 🧩💬
Narito ang mahirap na katotohanan: maraming halaga ng investment banking ang panlipunan at sitwasyonal. Hindi pekeng panlipunan - kundi konteksto-panlipunan.
Mas nahihirapan ang AI sa:
-
Sikolohiya ng kliyente: takot, ego, panloob na politika, dinamika ng lupon
-
Nuance ng negosasyon: kung ano ang sinabi vs kung ano ang ibig sabihin
-
Mga likas na ugali sa tiyempo: kailan dapat itulak, kailan dapat ihinto
-
Tiwala batay sa reputasyon: “Napanood ko na ang pelikulang ito dati, huwag mong gawin iyan”
-
Malikhaing pagbubuo sa ilalim ng mga limitasyon (buwis, pamamahala, alitan sa regulasyon)
-
Pananagutan: gusto ng mga kliyente ng isang taong may-ari ng payo
Ang isang modelo ay maaaring magmungkahi ng isang istruktura. Hindi ito maaaring umupo sa harap ng isang CEO na kalahating galit at kalahating takot at mahinahong ibalik ang usapan sa mga makatuwirang pagpili. Iyan ay isang napaka-taong kasanayan. Hindi mahiwaga - pantao.
Talahanayan ng Paghahambing: mga nangungunang setup ng "AI + banking" (at kung sino ang tinutulungan nila) 📊✨
Narito ang isang praktikal na pananaw - hindi isang kopya ng benta na "pinakamahusay na tool ng AI", mas katulad ng "pinakamahusay na pattern ng paggamit".
| Kagamitan / Pag-setup | Madla | Presyo | Bakit ito gumagana |
|---|---|---|---|
| Co-pilot ng analyst para sa mga comp + draft | Mga Analyst, Mga Kasama | $-$$ | Pinapabilis ang mga unang draft + binabawasan ang mga walang kwentang error. Kailangan pa ring suriin (lagi). |
| Generator ng pitch-deck na may mga branded guardrail | Mga pangkat ng saklaw | $$ | Mabilis na ginagawang magagamit na mga pahina ang mga balangkas... pero minsan nagiging kakaiba ang pag-format |
| Tagabuod ng kasipagan + bot ng Tanong at Sagot | Mga koponan ng deal | $$-$$$ | Malaki ang nababawasan sa oras ng pagbabasa, ngunit kung malinis at may pahintulot ang pag-access sa data |
| Panloob na paghahanap ng kaalaman (mga patakaran, mga nauna) | Lahat | $$ | Nahahanap ang sagot na “paano natin ito ginawa noong nakaraan?” - malaking tipid sa oras 📚 |
| Katalinuhan sa relasyon (mga senyales, pagmamapa ng account) | Mga Nakatatanda, pinagmulan | $$-$$$ | Nakakatulong sa pagtukoy ng tiyempo at mga anggulo; hindi pinapalitan ang aktwal na kaugnayan |
| Daloy ng trabaho sa pag-apruba + tagasuri ng pagsunod | Panganib, legal, mga bangkero | $$$ | Pinipigilan ang mga pagkakamaling nagiging headline. Pinapabagal din ang mga bagay-bagay… ironiko 😬 |
Oo, malabo ang presyo. Sinasadya iyon. Ang pagkuha ng bangko ay may sarili nitong parallel universe.
Papalitan ba ng AI ang mga Investment Banker: depende ito sa seniority 👔🧑💻
Dito nagiging maanghang ang usapan.
Mga analyst at junior 😵💫
Maraming gawain para sa mga nakababatang miyembro ay:
-
Pagbalangkas
-
Pag-format
-
Ina-update
-
Muling pagbubuo ng parehong modelo na may kaunting mga pagbabago
Mahigpit itong pinipiga ng AI. Ang ibig sabihin ay:
-
Mas kaunting mga junior ang maaaring kailanganin para sa parehong output
-
Ang mga junior na mananatili ay inaasahang mas maaga pang makakapagtrabaho sa mas mataas na antas
-
Ang modelong "pagkatuto sa pamamagitan ng sakit" ay nasisira
Mayroong tunay na panganib: kung aalisin ng AI ang pag-uutal, maaaring mawala rin sa mga junior ang pag-uulit na siyang bumubuo ng intuwisyon. Parang pag-aaral magluto sa pamamagitan lamang ng pag-order ng pagkain - mabubuhay ka, pero hindi ka magiging chef.
Mga Kasamahan at mga VP 🧠
Ang mga tungkuling ito ay maaaring maging mas mahalaga, dahil ang mga ito ay:
-
Isalin ang mga pangangailangan ng kliyente sa mga dapat ihatid
-
Alamin kung ano ang mali bago ito ipadala
-
Pamahalaan ang mga stakeholder at mga timeline
-
Bigyang-kahulugan ang kalabuan at tumawag
Ginagawa silang mas mabilis ng AI, hindi lipas na.
Mga MD at mga tagalikha ng ulan ☔
Kung tunay kang kumikita sa pamamagitan ng mga relasyon at tiwala, hindi ka mapapalitan ng AI. Maaari pa nitong palawakin ang agwat sa pagitan ng:
-
Mga bangkero na maaaring magpasimula at magpayo
-
Mga bangkero na kadalasang nangangasiwa sa proseso
Masungit, pero... oo.
Ang bagong hanay ng kasanayan sa bangkero (o kung paano hindi ma-sideline) 🧰🚀
Kung aalisin na ng AI ang paulit-ulit na produksyon sa iyong plano, ang matitira ay ang babayaran ng mga tao.
Mga kasanayang nagiging mas mahalaga
-
Pagbuo ng naratibo ng kliyente: ginagawang paniniwala ang pagiging kumplikado 🎤
-
Paghatol sa komersyo: ano ang mahalaga, ano ang hindi, ano ang mapanganib
-
Pagkilala sa padron ng sektor: pag-alam sa "bakit" sa likod ng mga numero
-
Negosasyon at impluwensya: panloob at panlabas
-
Pamumuno sa proseso: pagpapanatili ng mga kasunduan sa kabila ng pagiging kumplikado
-
Pagsubaybay sa AI: mga output ng pag-udyok, pagpapatunay, at pagsubok sa stress
At oo, ang pagiging "magaling sa AI" ay nagiging isang tunay na bagay - hindi sa paraang nakakahiya. Parang: magagamit mo ba ito nang responsable, mabilis, at nang hindi nakakahiya sa team.
Ang mga bagay na hindi komportable: panganib, pagsunod, at pananagutan ⚠️🏛️
Ang pagbabangko ay hindi isang sandbox. Isa itong accountability machine.
Dalawang hindi kaakit-akit na realidad ang nagpapabilis sa pag-aampon:
-
Ang pamamahala sa panganib ng modelo ay hindi opsyonal.
Ang mga regulator ng bangko ay may matagal nang inaasahan tungkol sa pamamahala ng panganib ng modelo: pagpapatunay, dokumentasyon, at pamamahala. (Ang Generative AI ay hindi mahiwagang nakakapasa - kung mayroon man, pinapataas nito ang pamantayan para sa mga kontrol.) [4] -
Mabilis na nagiging mahirap ang komunikasyon + pagpapanatili ng mga rekord.
Ang mga broker-dealer ay may tahasang obligasyon na panatilihin ang mga komunikasyon na may kaugnayan sa negosyo (kabilang ang mga elektronikong komunikasyon) sa ilalim ng mga rehimen ng pagpapanatili ng rekord ng SEC/FINRA. Mahalaga ito kapag sinimulan ng mga tao na i-paste ang konteksto ng kasunduan sa mga tool, bumuo ng mga draft, o "makipag-chat" sa mga internal na bot. [5]
Kaya ang pag-aampon ay kadalasang ganito ang hitsura: "AI sa lahat ng dako... ngunit pagkatapos lamang itong mabakuran."
Ano ang hitsura ng hinaharap: mas kaunting mga layer, mas mabilis na mga cycle, mas maraming espesyalisasyon 🔄💼
Ang makatotohanang resulta ay hindi ang pagkalipol ng mga bangkero. Ito ay ang muling pagsasaayos ng mga bangkero:
-
Mga Lean deal team na sinusuportahan ng mga AI system
-
Mas maraming "pods" ng sektor + produkto + talento sa pagpapatupad
-
Mas mabilis na pag-ulit ng mga pitch at modelo
-
Mas maraming diin sa distribusyon (sino ang maaaring maglagay, sino ang maaaring magdala ng mga mamimili, sino ang maaaring maglipat ng kapital)
-
Isang paghahati sa pagitan ng:
-
Gawaing pagpapayo na may mataas na tiwala (mabigat sa tao)
-
Malaking dami ng trabaho sa produksyon (mabigat sa AI)
-
Gayundin, asahan na mas maraming boutique ang mas magaling kaysa sa kanilang kakayahan. Kung ang AI ay magbibigay sa mas maliliit na team ng malalaking kumpanya ng kapasidad sa produksyon, ang magiging kaibahan ay ang mga relasyon, paghuhusga, at niche expertise 🥊
Papalitan ba ng AI ang mga Investment Banker: ang compact na bersyon 🧾✅
Papalitan ba ng AI ang mga Investment Banker? Hindi man lubusan. Pero papalitan nito ang malaking bahagi ng ginagawa ng mga bangkero, lalo na ang mga gawaing pang-produksyon sa mga junior level.
Ano ang dumidikit:
-
Mga Relasyon
-
Paghuhukom
-
Negosasyon
-
Pananagutan
-
Pag-navigate sa mga sistema ng tao (mga lupon, ego, politika… oo)
Ano ang mga pagbabago:
-
Mga laki ng koponan
-
Mga landas sa pagsasanay
-
Mga inaasahan sa bilis
-
Ang kahulugan ng "pagdaragdag ng halaga"
Ang bangkerong mananalo ay ang magiging mahusay na editor ng realidad - ginagamit ang AI para sa horsepower habang nananatiling responsable sa desisyon. Medyo patula, ngunit totoo rin. Parang paggamit ng power tool: ginagawa ka nitong mas mabilis, hindi mas matalino.
Mga Madalas Itanong
Papalitan ba nang tuluyan ng AI ang mga investment banker?
Hindi sa isang maayos at komprehensibong proseso. Ang investment banking ay hindi lamang basta output - ito ay tiwala, paghatol, politika, at pagpapasabi ng "oo" sa mga totoong tao sa ilalim ng pressure. Papalitan ng AI ang mga bahagi ng trabaho, pipigilan ang mga timeline, at paliitin ang ilang layer, lalo na sa mga junior production. Ngunit gusto pa rin ng mga kliyente ang isang taong may hawak ng payo (at ng mga kahihinatnan). 🤝
Aling mga gawain sa investment banking ang malamang na unang awtomatiko?
Ang gawaing "industriyal" ang unang natatamaan: maramihang gawain, nakabatay sa template, at madaling suriin nang mekanikal. Isipin ang first-pass pitch text, mga pangkalahatang-ideya ng merkado, mga comps table, mga buod ng filing/transcript, pag-format ng slide, mga draft na seksyon ng CIM, mga scenario run, at walang katapusang mga update sa status. Ang kakaiba rito ay hindi ka tumitigil sa pagtatrabaho - lumilipat ka mula sa paglikha patungo sa pagrerepaso, pagwawasto, at pagtatanggol sa output kapag ito ay mali sa komersyo.
Papalitan ba ng AI ang mga investment banker sa antas ng analyst?
Pinapahirapan ng AI ang mga klasikong analyst: pagbalangkas, pag-format, pag-update, at muling pagbuo ng parehong modelo gamit ang maliliit na pagbabago. Maaaring mangahulugan ito ng mas kaunting mga junior na kailangan para sa parehong output, at mas mataas na inaasahan para sa mga mananatili. Ang panganib ay ang pagsasanay: kung mawawala ang magaspang na trabaho, mawawala rin ang pag-uulit na bumubuo ng mga likas na ugali. Hindi ka maaaring maging matalas sa pamamagitan lamang ng "pag-uutos" ng trabaho. 😅
Ano ang nangyayari sa mga associate, VP, at MD habang kumakalat ang AI?
Maaaring maging mas mahalaga ang mga Associate at VP dahil isinasalin nila ang mga kumplikadong pangangailangan ng kliyente sa mga deliverable at natutuklasan ang mga problema bago pa man ipadala ang anumang bagay. Pinamamahalaan din nila ang mga timeline, stakeholder, at kalabuan - mga lugar kung saan nahihirapan pa rin ang AI. Para sa mga MD, ang relasyon at ang pinagmulan ng tiwala ay hindi nawawala. Lumalawak ang agwat sa pagitan ng mga rainmaker at mga taong kadalasang nangangasiwa sa proseso. ☔
Bakit nahihirapan ang AI sa mga bahagi ng pagbabangko na nagsasara ng mga deal?
Dahil ang pinakamahirap na bahagi ay sitwasyonal at pantao. Maaaring magmungkahi ang AI ng mga istruktura, ngunit ang sikolohiya ng kliyente, politika sa lupon, nuance ng negosasyon, at mga instinct sa tiyempo ay hindi malinis na mga dataset. Mahirap din ang tiwala batay sa reputasyon: Ang "Napanood ko na ang pelikulang ito dati" ay bahagi ng karanasan, bahagi ng pananagutan. Kapag ang isang CEO ay kalahating galit at kalahating takot, kailangang may mag-utos sa sitwasyon - hindi lang basta makabuo ng teksto.
Paano magagamit ng mga bangko ang AI sa investment banking nang hindi nasusunog?
Ang isang "mabuting" setup ay kumikilos na parang isang maaasahang junior teammate: minamarkahan nito ang kawalan ng katiyakan, ipinapaliwanag ang mga pagpapalagay, gumagana sa loob ng mga limitasyon sa pagsunod, at pinapanatiling pare-pareho ang mga template. Mahalaga rin, kailangan nito ng audit trail upang may makapagdepensa ng mga output sa ibang pagkakataon. Ang pag-aampon ay kadalasang mukhang "AI kahit saan... ngunit nababakuran," dahil ang mga panganib sa privacy, cybersecurity, opacity, at bias ay hindi nawawala sa araw ng deal. ⚠️
Ano ang mga pinakamalaking panganib sa pagsunod at pagpapanatili ng rekord sa GenAI sa pagbabangko?
Dalawang realidad ang nagpapabagal sa lahat. Una, ang pamamahala sa panganib gamit ang modelo ay hindi opsyonal - inaasahan ng mga regulator ang pagpapatunay, dokumentasyon, at mga kontrol, at maaaring itaas ng GenAI ang pamantayan sa halip na ibaba ito. Pangalawa, mahalaga ang komunikasyon at pagpapanatili ng mga rekord: kapag ang mga tao ay naglalagay ng konteksto ng deal sa mga tool o bumuo ng mga draft sa chat, maaari kang lumikha ng mga sakit sa ulo tungkol sa pagpapanatili at pangangasiwa sa ilalim ng mga rehimen ng broker-dealer.
Paano ka mananatiling mahalaga kung binabago ng AI ang investment banking?
Isipin ang "lakas ng kabayo, hindi ang karunungan." Gamitin ang AI para mag-draft, mag-istruktura, at mag-ulit nang mas mabilis - pagkatapos ay gugulin ang iyong oras bilang tao sa pagsasalaysay, paghatol sa komersyo, pagkilala sa pattern ng sektor, negosasyon, at pamumuno sa proseso. Ang pagiging "mahusay sa AI" ay nangangahulugan ng responsableng pangangasiwa nito: mahusay na pag-udyok, pagsubok sa mga output, at paghuli sa kung ano ang teknikal na tama ngunit komersyal na mali. Ang mga nanalo ay nagiging mahusay na editor ng realidad. 🧠🤖
Mga Madalas Itanong
Papalitan ba nang tuluyan ng AI ang mga investment banker?
Hindi sa isang maayos at komprehensibong proseso. Ang investment banking ay hindi lamang basta output - ito ay tiwala, paghatol, politika, at pagpapasabi ng "oo" sa mga totoong tao sa ilalim ng pressure. Papalitan ng AI ang mga bahagi ng trabaho, pipigilan ang mga timeline, at paliitin ang ilang layer, lalo na sa mga junior production. Ngunit gusto pa rin ng mga kliyente ang isang taong may hawak ng payo (at ng mga kahihinatnan). 🤝
Aling mga gawain sa investment banking ang malamang na unang awtomatiko?
Ang gawaing "industriyal" ang unang natatamaan: maramihang gawain, nakabatay sa template, at madaling suriin nang mekanikal. Isipin ang first-pass pitch text, mga pangkalahatang-ideya ng merkado, mga comps table, mga buod ng filing/transcript, pag-format ng slide, mga draft na seksyon ng CIM, mga scenario run, at walang katapusang mga update sa status. Ang kakaiba rito ay hindi ka tumitigil sa pagtatrabaho - lumilipat ka mula sa paglikha patungo sa pagrerepaso, pagwawasto, at pagtatanggol sa output kapag ito ay mali sa komersyo.
Papalitan ba ng AI ang mga investment banker sa antas ng analyst?
Pinapahirapan ng AI ang mga klasikong analyst: pagbalangkas, pag-format, pag-update, at muling pagbuo ng parehong modelo gamit ang maliliit na pagbabago. Maaaring mangahulugan ito ng mas kaunting mga junior na kailangan para sa parehong output, at mas mataas na inaasahan para sa mga mananatili. Ang panganib ay ang pagsasanay: kung mawawala ang magaspang na trabaho, mawawala rin ang pag-uulit na bumubuo ng mga likas na ugali. Hindi ka maaaring maging matalas sa pamamagitan lamang ng "pag-uutos" ng trabaho. 😅
Ano ang nangyayari sa mga associate, VP, at MD habang kumakalat ang AI?
Maaaring maging mas mahalaga ang mga Associate at VP dahil isinasalin nila ang mga kumplikadong pangangailangan ng kliyente sa mga deliverable at natutuklasan ang mga problema bago pa man ipadala ang anumang bagay. Pinamamahalaan din nila ang mga timeline, stakeholder, at kalabuan - mga lugar kung saan nahihirapan pa rin ang AI. Para sa mga MD, ang relasyon at ang pinagmulan ng tiwala ay hindi nawawala. Lumalawak ang agwat sa pagitan ng mga rainmaker at mga taong kadalasang nangangasiwa sa proseso. ☔
Bakit nahihirapan ang AI sa mga bahagi ng pagbabangko na nagsasara ng mga deal?
Dahil ang pinakamahirap na bahagi ay sitwasyonal at pantao. Maaaring magmungkahi ang AI ng mga istruktura, ngunit ang sikolohiya ng kliyente, politika sa lupon, nuance ng negosasyon, at mga instinct sa tiyempo ay hindi malinis na mga dataset. Mahirap din ang tiwala batay sa reputasyon: Ang "Napanood ko na ang pelikulang ito dati" ay bahagi ng karanasan, bahagi ng pananagutan. Kapag ang isang CEO ay kalahating galit at kalahating takot, kailangang may mag-utos sa sitwasyon - hindi lang basta makabuo ng teksto.
Paano magagamit ng mga bangko ang AI sa investment banking nang hindi nasusunog?
Ang isang "mabuting" setup ay kumikilos na parang isang maaasahang junior teammate: minamarkahan nito ang kawalan ng katiyakan, ipinapaliwanag ang mga pagpapalagay, gumagana sa loob ng mga limitasyon sa pagsunod, at pinapanatiling pare-pareho ang mga template. Mahalaga rin, kailangan nito ng audit trail upang may makapagdepensa ng mga output sa ibang pagkakataon. Ang pag-aampon ay kadalasang mukhang "AI kahit saan... ngunit nababakuran," dahil ang mga panganib sa privacy, cybersecurity, opacity, at bias ay hindi nawawala sa araw ng deal. ⚠️
Ano ang mga pinakamalaking panganib sa pagsunod at pagpapanatili ng rekord sa GenAI sa pagbabangko?
Dalawang realidad ang nagpapabagal sa lahat. Una, ang pamamahala sa panganib gamit ang modelo ay hindi opsyonal - inaasahan ng mga regulator ang pagpapatunay, dokumentasyon, at mga kontrol, at maaaring itaas ng GenAI ang pamantayan sa halip na ibaba ito. Pangalawa, mahalaga ang komunikasyon at pagpapanatili ng mga rekord: kapag ang mga tao ay naglalagay ng konteksto ng deal sa mga tool o bumuo ng mga draft sa chat, maaari kang lumikha ng mga sakit sa ulo tungkol sa pagpapanatili at pangangasiwa sa ilalim ng mga rehimen ng broker-dealer.
Paano ka mananatiling mahalaga kung binabago ng AI ang investment banking?
Isipin ang "lakas ng kabayo, hindi ang karunungan." Gamitin ang AI para mag-draft, mag-istruktura, at mag-ulit nang mas mabilis - pagkatapos ay gugulin ang iyong oras bilang tao sa pagsasalaysay, paghatol sa komersyo, pagkilala sa pattern ng sektor, negosasyon, at pamumuno sa proseso. Ang pagiging "mahusay sa AI" ay nangangahulugan ng responsableng pangangasiwa nito: mahusay na pag-udyok, pagsubok sa mga output, at paghuli sa kung ano ang teknikal na tama ngunit komersyal na mali. Ang mga nanalo ay nagiging mahusay na editor ng realidad. 🧠🤖
Mga Madalas Itanong
Papalitan ba nang tuluyan ng AI ang mga investment banker?
Hindi sa isang maayos at komprehensibong proseso. Ang investment banking ay hindi lamang basta output - ito ay tiwala, paghatol, politika, at pagpapasabi ng "oo" sa mga totoong tao sa ilalim ng pressure. Papalitan ng AI ang mga bahagi ng trabaho, pipigilan ang mga timeline, at paliitin ang ilang layer, lalo na sa mga junior production. Ngunit gusto pa rin ng mga kliyente ang isang taong may hawak ng payo (at ng mga kahihinatnan). 🤝
Aling mga gawain sa investment banking ang malamang na unang awtomatiko?
Ang gawaing "industriyal" ang unang natatamaan: maramihang gawain, nakabatay sa template, at madaling suriin nang mekanikal. Isipin ang first-pass pitch text, mga pangkalahatang-ideya ng merkado, mga comps table, mga buod ng filing/transcript, pag-format ng slide, mga draft na seksyon ng CIM, mga scenario run, at walang katapusang mga update sa status. Ang kakaiba rito ay hindi ka tumitigil sa pagtatrabaho - lumilipat ka mula sa paglikha patungo sa pagrerepaso, pagwawasto, at pagtatanggol sa output kapag ito ay mali sa komersyo.
Papalitan ba ng AI ang mga investment banker sa antas ng analyst?
Pinapahirapan ng AI ang mga klasikong analyst: pagbalangkas, pag-format, pag-update, at muling pagbuo ng parehong modelo gamit ang maliliit na pagbabago. Maaaring mangahulugan ito ng mas kaunting mga junior na kailangan para sa parehong output, at mas mataas na inaasahan para sa mga mananatili. Ang panganib ay ang pagsasanay: kung mawawala ang magaspang na trabaho, mawawala rin ang pag-uulit na bumubuo ng mga likas na ugali. Hindi ka maaaring maging matalas sa pamamagitan lamang ng "pag-uutos" ng trabaho. 😅
Ano ang nangyayari sa mga associate, VP, at MD habang kumakalat ang AI?
Maaaring maging mas mahalaga ang mga Associate at VP dahil isinasalin nila ang mga kumplikadong pangangailangan ng kliyente sa mga deliverable at natutuklasan ang mga problema bago pa man ipadala ang anumang bagay. Pinamamahalaan din nila ang mga timeline, stakeholder, at kalabuan - mga lugar kung saan nahihirapan pa rin ang AI. Para sa mga MD, ang relasyon at ang pinagmulan ng tiwala ay hindi nawawala. Lumalawak ang agwat sa pagitan ng mga rainmaker at mga taong kadalasang nangangasiwa sa proseso. ☔
Bakit nahihirapan ang AI sa mga bahagi ng pagbabangko na nagsasara ng mga deal?
Dahil ang pinakamahirap na bahagi ay sitwasyonal at pantao. Maaaring magmungkahi ang AI ng mga istruktura, ngunit ang sikolohiya ng kliyente, politika sa lupon, nuance ng negosasyon, at mga instinct sa tiyempo ay hindi malinis na mga dataset. Mahirap din ang tiwala batay sa reputasyon: Ang "Napanood ko na ang pelikulang ito dati" ay bahagi ng karanasan, bahagi ng pananagutan. Kapag ang isang CEO ay kalahating galit at kalahating takot, kailangang may mag-utos sa sitwasyon - hindi lang basta makabuo ng teksto.
Paano magagamit ng mga bangko ang AI sa investment banking nang hindi nasusunog?
Ang isang "mabuting" setup ay kumikilos na parang isang maaasahang junior teammate: minamarkahan nito ang kawalan ng katiyakan, ipinapaliwanag ang mga pagpapalagay, gumagana sa loob ng mga limitasyon sa pagsunod, at pinapanatiling pare-pareho ang mga template. Mahalaga rin, kailangan nito ng audit trail upang may makapagdepensa ng mga output sa ibang pagkakataon. Ang pag-aampon ay kadalasang mukhang "AI kahit saan... ngunit nababakuran," dahil ang mga panganib sa privacy, cybersecurity, opacity, at bias ay hindi nawawala sa araw ng deal. ⚠️
Ano ang mga pinakamalaking panganib sa pagsunod at pagpapanatili ng rekord sa GenAI sa pagbabangko?
Dalawang realidad ang nagpapabagal sa lahat. Una, ang pamamahala sa panganib gamit ang modelo ay hindi opsyonal - inaasahan ng mga regulator ang pagpapatunay, dokumentasyon, at mga kontrol, at maaaring itaas ng GenAI ang pamantayan sa halip na ibaba ito. Pangalawa, mahalaga ang komunikasyon at pagpapanatili ng mga rekord: kapag ang mga tao ay naglalagay ng konteksto ng deal sa mga tool o bumuo ng mga draft sa chat, maaari kang lumikha ng mga sakit sa ulo tungkol sa pagpapanatili at pangangasiwa sa ilalim ng mga rehimen ng broker-dealer.
Paano ka mananatiling mahalaga kung binabago ng AI ang investment banking?
Isipin ang "lakas ng kabayo, hindi ang karunungan." Gamitin ang AI para mag-draft, mag-istruktura, at mag-ulit nang mas mabilis - pagkatapos ay gugulin ang iyong oras bilang tao sa pagsasalaysay, paghatol sa komersyo, pagkilala sa pattern ng sektor, negosasyon, at pamumuno sa proseso. Ang pagiging "mahusay sa AI" ay nangangahulugan ng responsableng pangangasiwa nito: mahusay na pag-udyok, pagsubok sa mga output, at paghuli sa kung ano ang teknikal na tama ngunit komersyal na mali. Ang mga nanalo ay nagiging mahusay na editor ng realidad.
Mga Sanggunian
[1] World Economic Forum -
Ang Ulat sa Kinabukasan ng mga Trabaho 2025 (Digest) [2] McKinsey Global Institute -
Ang potensyal na pang-ekonomiya ng generative AI: Ang susunod na hangganan ng produktibidad [3] Bank for International Settlements -
Matalinong sistemang pinansyal: kung paano binabago ng AI ang pananalapi (BIS Working Papers No. 1194, PDF) [4] Federal Reserve -
Supervisory Guidance on Model Risk Management (SR 11-7), PDF [5] FINRA - Mga Libro at Rekord (kabilang ang SEC Exchange Act Rule 17a-4 electronic communications retention)