Model ML optimitza la feina financera amb GPT‑5.6 Sol

Abans que una anàlisi financera es pugui presentar amb garanties davant de clients o alts responsables de la presa de decisions, els equips han de superar una última etapa exigent: contrastar les dades, crear i formatar el fitxer, comprovar totes les xifres i vincular cada afirmació amb la seva font. La presentació de PowerPoint o el llibre d'Excel finals han de ser editables i estar preparats per a una revisió minuciosa.

Els germans Arnie i Chaz Englander, cofundadors de Model ML, van veure la magnitud d'aquesta feina quan, després de dues vendes empresarials reeixides, van començar a invertir mitjançant una oficina familiar privada i, amb mentalitat de creadors, a desenvolupar programari per ajudar-se a si mateixos.

Nascuts d'aquell programari, els agents de Model ML ajuden els professionals de les finances a dur a terme tot el flux de treball, des de la sol·licitud inicial fins a la recerca, l'anàlisi i la presentació o el llibre final. Al centre, un agent principal planifica la feina, selecciona les eines adequades, contrasta les dades i executa els càlculs, tot assignant cada pas al model més adient, que sovint és GPT‑5.6 Sol. Entre aquestes eines hi ha les eines documentals pròpies de Model ML, que creen fitxers natius de PowerPoint i Excel amb fonts traçables.

Model ML ajuda els equips financers automatitzant de cap a cap els fluxos de treball de finances. A partir d'un resum de l'encàrrec i del material font, l'agent pot dur a terme una tasca completa, des de la recerca i la modelització fins als materials finals per als clients o els equips d'operacions. El professional de les finances comprova les hipòtesis, les fonts i el missatge abans de compartir la feina.

Model ML defineix el producte com a "independent de la interfície". Un professional de les finances pot iniciar una tasca al correu electrònic o a l'aplicació de Model ML i continuar-la als complements de Microsoft Office sense haver de tornar-la a explicar.

Aquesta continuïtat es manté fins al resultat final. Per a una presentació destinada a un comitè d'inversions, Model ML pot convertir un resum de l'encàrrec i el material font en un PowerPoint editable. Per a una tasca d'Excel, l'agent pot començar amb una plantilla del client o un llibre en blanc, recopilar les dades necessàries, crear fórmules i lògica en diverses pestanyes i, després, aplicar un format financer específic per generar un full de càlcul complet o un model financer.

A Composite de Model ML, el banc de proves de l'empresa per avaluar la IA en els serveis financers, GPT‑5.6 Sol va utilitzar un 36 % menys de tokens per llibre que Opus 5 en un flux de treball d'Excel.

En completar aquesta última etapa, l'agent també pot estalviar temps en cada lliurable i ajudar els equips a processar grans volums de material font. En una gestora d'actius internacional, una fitxa personalitzada que un analista trigava aproximadament una hora a preparar ara es completa en uns cinc minuts. En un altre flux de treball, els agents de Model ML van processar d'una sola passada sales de dades virtuals amb més de 100.000 files i centenars de fitxers.

Model ML va avaluar GPT‑5.6 Sol juntament amb altres models capdavanters en diversos fluxos de treball financers. Les seves avaluacions Composite segueixen una tasca des del resum financer inicial, passant per la recerca i els càlculs, fins a una presentació o un full de càlcul editables. Després comproven les xifres, les fonts, les fórmules i l'estructura, així com la qualitat visual de les presentacions.

En el cas de PowerPoint, l'avaluació Composite de Model ML incorpora fluxos de treball reals i inclou centenars de presentacions generades, amb una rúbrica de puntuació detallada.

GPT‑5.6 Sol va completar el flux de treball de PowerPoint en el 100 % dels casos de prova, davant del 76 % d'Opus 5, i va superar el llindar de preparació professional de Model ML —que mesura si el resultat estava preparat per a una revisió de contingut— en el 43,3 % dels casos, davant del 26,7 %. També va superar Opus 5 en qualitat de les presentacions, fidelitat a l'encàrrec, jerarquia i coherència.

En conjunt, els resultats de Composite que es mostren més amunt van aportar a Model ML les proves necessàries per ampliar l'ús de GPT‑5.6 Sol en producció, fins i tot en alguns fluxos de treball que abans gestionava Opus 4.8. En els fluxos de treball de PowerPoint, GPT‑5.6 Sol va combinar una qualitat competitiva de les presentacions amb una proporció més alta de presentacions completades i preparades per revisar que Opus 5 i Fable 5, alhora que utilitzava aproximadament un 21 % menys de tokens que Fable 5.

"Estar preparat per a la feina real vol dir que l'usuari pot passar directament a una revisió real", afirma Englander. "Les xifres són traçables, el llibre es recalcula i la diapositiva és editable."

PowerPoint va servir a Model ML com una prova exigent per determinar si GPT‑5.6 Sol estava preparat per a la feina real. Una presentació pot semblar impecable i, tanmateix, no superar la revisió si les xifres són errònies o no es poden rastrejar, si els gràfics estan aplanats o si cal refer les diapositives abans de compartir-les.

Model ML va executar el model dins del seu entorn d'execució de l'agent, juntament amb eines de creació i edició de documents que permeten a l'agent crear diapositives amb gràfics i taules editables. Mentre treballa, manté el resum original de l'encàrrec en context i, abans de retornar el fitxer, revisa visualment cada diapositiva.

L'exemple següent mostra com va millorar el resultat de PowerPoint de Model ML entre GPT‑5.5 i GPT‑5.6 Sol, amb una jerarquia més clara i un disseny de diapositives més coherent.

Actualment, l'entorn d'execució de Model ML proporciona a l'agent conjunts d'eines que pot carregar per accedir a integracions de dades, eines i capacitats d'edició de documents i entorns d'execució de codi. Això permet que l'agent es mantingui centrat i li dona exactament les eines que necessita per treballar amb els documents de l'usuari.

Model ML va arribar a aquesta configuració mitjançant sessions presencials amb OpenAI. Els equips van analitzar com l'agent planificava les presentacions, seleccionava les eines i mantenia el context. Després van fer servir aquestes conclusions per perfeccionar les instruccions de l'agent i decidir quan s'havia de carregar cada conjunt d'eines.

Els clients de Model ML avancen cap a resultats basats en el navegador que es mantenen connectats als models i al material font subjacents.

La plataforma de Model ML pot generar resultats segurs i interactius que s'actualitzen contínuament o es poden fixar en un moment concret. Un revisor podria obrir un resum d'inversió, accedir al model financer que sustenta una xifra i treballar amb l'agent des de la mateixa pàgina.

"PowerPoint, Excel i Word es van dissenyar per a un món en què el treball del coneixement es creava manualment", afirma Englander. "La IA ha canviat aquest supòsit. El programari mateix està a punt de canviar."