Model ML zefektivňuje finanční úkoly pomocí GPT‑5.6 Sol

Než lze finanční analýzu předložit klientům nebo vedoucím pracovníkům s rozhodovací pravomocí, musí týmy zvládnout náročnou závěrečnou fázi: ověřit soulad podkladů, sestavit a naformátovat soubor, zkontrolovat každé číslo a propojit každé tvrzení s jeho zdrojem. Hotová prezentace v PowerPointu nebo sešit Excelu musí být upravitelné a připravené na důkladnou kontrolu.

Spoluzakladatelé Model ML a bratři Arnie a Chaz Englanderovi poznali, kolik práce to vyžaduje, když po dvou úspěšných exitech začali investovat prostřednictvím soukromé rodinné investiční společnosti a jako správní tvůrci si začali vyvíjet software pro vlastní potřebu.

Z tohoto softwaru vyrostli agenti Model ML, kteří finančním odborníkům pomáhají provést celý pracovní postup od úvodního zadání přes rešerši a analýzu až po hotovou prezentaci nebo sešit. Ústřední agent plánuje práci, vybírá vhodné nástroje, porovnává podklady a provádí výpočty. Každý krok přitom směruje k modelu, který se pro něj hodí nejlépe, často ke GPT‑5.6 Sol. Mezi tyto nástroje patří vlastní sada Model ML pro práci s dokumenty, která vytváří nativní soubory PowerPointu a Excelu s dohledatelnými zdroji.

Model ML pomáhá finančním týmům komplexní automatizací jejich pracovních postupů. Agent dokáže ze zadání a zdrojových materiálů zpracovat celý úkol od rešerše a modelování až po hotové podklady pro klienty nebo transakční týmy. Před sdílením práce finanční odborník zkontroluje předpoklady, zdroje a hlavní sdělení.

Model ML svůj produkt označuje jako „nezávislý na rozhraní“. Finanční odborník může úkol zahájit v e-mailu nebo aplikaci Model ML a bez opětovného vysvětlování v něm pokračovat pomocí doplňků pro Microsoft Office.

Tato návaznost se promítá i do hotového výstupu. Model ML dokáže ze zadání a zdrojových materiálů vytvořit upravitelnou prezentaci v PowerPointu pro investiční výbor. Při úkolu v Excelu může agent začít klientskou šablonou nebo prázdným sešitem, shromáždit potřebná data, vytvořit vzorce a logiku napříč několika listy a poté použít formátování specifické pro finance, aby vznikla kompletní tabulka nebo finanční model.

V benchmarku Composite, kterým společnost Model ML hodnotí AI ve finančních službách, spotřeboval GPT‑5.6 Sol při pracovním postupu v Excelu o 36 % méně tokenů na sešit než Opus 5.

Tím, že agent zvládne i tuto závěrečnou fázi, šetří čas při tvorbě jednotlivých výstupů a pomáhá týmům zpracovávat velké objemy zdrojových materiálů. U jednoho globálního správce aktiv nyní trvá vytvoření přehledového listu na míru přibližně pět minut namísto zhruba hodiny práce analytika. V jiném pracovním postupu zpracovali agenti Model ML najednou virtuální datové místnosti s více než 100 000 řádky a stovkami souborů.

Model ML porovnal GPT‑5.6 Sol s dalšími předními modely v celé řadě finančních pracovních postupů. Hodnocení Composite sledují úkol od úvodního finančního zadání přes rešerši a výpočty až po upravitelnou prezentaci nebo tabulku. Poté kontrolují čísla, zdroje, vzorce a strukturu a u prezentací také vizuální kvalitu.

Hodnocení Composite pro PowerPoint vychází ze skutečných pracovních postupů, zahrnuje stovky vygenerovaných prezentací a používá podrobná hodnoticí kritéria.

GPT‑5.6 Sol dokončil pracovní postup v PowerPointu ve 100 % testů oproti 76 % u Opus 5. Prahem profesionální připravenosti Model ML, který určuje, zda je výstup připraven k věcné kontrole, prošel ve 43,3 % případů oproti 26,7 %. Opus 5 překonal také v kvalitě prezentací, dodržení zadání, hierarchii a konzistentnosti.

Souhrnné výsledky Composite uvedené výše poskytly Model ML podklady pro širší nasazení GPT‑5.6 Sol v produkci, včetně některých pracovních postupů, které dříve zajišťoval Opus 4.8. V pracovních postupech PowerPointu spojil GPT‑5.6 Sol konkurenceschopnou kvalitu prezentací s vyšším podílem dokončených prezentací připravených ke kontrole než Opus 5 a Fable 5. Současně spotřeboval přibližně o 21 % méně tokenů než Fable 5.

„Připravenost na skutečnou práci znamená, že uživatel může přejít rovnou ke skutečné kontrole,“ říká Englander. „Čísla lze dohledat, sešit se přepočítává a snímek je upravitelný.“

PowerPoint představoval pro Model ML náročnou zkoušku, zda je GPT‑5.6 Sol připraven na skutečné úkoly. Prezentace může vypadat profesionálně, ale přesto při kontrole neobstát, pokud obsahuje chybná nebo nedohledatelná čísla, její grafy nejsou upravitelné nebo je před sdílením nutné snímky vytvořit znovu.

Model ML provozoval model ve svém agentním harnessu společně s nástroji pro tvorbu a úpravu dokumentů, díky nimž mohl agent vytvářet snímky s upravitelnými grafy a tabulkami. Při práci zachovává původní zadání v kontextu a před odevzdáním souboru vizuálně zkontroluje každý snímek.

Následující příklad ukazuje, jak se výstup Model ML v PowerPointu zlepšil při přechodu z GPT‑5.5 na GPT‑5.6 Sol, včetně přehlednější hierarchie a konzistentnějšího vzhledu snímků.

Harness Model ML dnes agentovi poskytuje sady nástrojů, které může načíst pro přístup k datovým integracím, nástrojům a dovednostem pro úpravu dokumentů a prostředím pro spouštění kódu. Agent se tak může soustředit na úkol a získá přesně ty nástroje, které potřebuje k práci s dokumenty uživatele.

Model ML dospěl k tomuto řešení během osobních pracovních setkání s OpenAI. Týmy sledovaly, jak agent plánuje prezentace, vybírá nástroje a udržuje kontext. Získané poznatky poté využily k vyladění pokynů pro agenta a k určení, kdy se má která sada nástrojů načíst.

Zákazníci Model ML přecházejí k výstupům v prohlížeči, které zůstávají propojené s modely a zdrojovými materiály, z nichž vycházejí.

Platforma Model ML dokáže vytvářet zabezpečené interaktivní výstupy, které lze průběžně aktualizovat nebo uzamknout ve stavu k určitému okamžiku. Kontrolující může otevřít investiční souhrn, prokliknout se k finančnímu modelu, z něhož údaj vychází, a na stejné stránce spolupracovat s agentem.

„PowerPoint, Excel a Word byly navrženy pro svět, v němž se znalostní práce vytvářela ručně,“ říká Englander. „AI tento předpoklad změnila. Teď se zásadně změní i samotný software.“