Model ML hjælper finansielle virksomheder med at genopbygge fra bunden med AI

I vores nye Executive Function-serie deler ledere deres perspektiver fra frontlinjen af AI-udvikling.

Model ML bygger AI-infrastruktur, der forandrer måden, førende virksomheder i den finansielle sektor arbejder på. Platformen omfatter specialdesignede agenter og en applikation, der automatiserer komplette arbejdsgange samt skræddersyet analyse og research. 

Vi har talt med CEO og medstifter Chaz Englander om, hvordan finansielle virksomheder er i gang med at forandre sig – og hvordan nye AI-gennembrud automatiserer og strømliner deres processer.

Efter vi havde solgt vores forrige virksomhed, gik det op for min bror og jeg, at vi egentlig ikke brød os om at investere – men vi blev opslugt af idéen om at automatisere investeringsprocessen ved hjælp af GPT‑drevet processtyring.

Vi var et lille familieforetagende med seks ansatte, men med de her LLM’er drevet af GPT‑3.5 føltes det som om, vi var et team på 60 mand.

Vi byggede en prototype af Model ML til egen brug og havde egentlig ikke planer om at gøre den kommerciel. Men da vi så, hvor meget indsigt og effektivitet vi fik ud af at automatisere research-processen, vidste vi, at vi havde fat i noget.

Der er opgaver, som tidligere tog dage, uger eller endda måneder – som nu kan klares på få minutter eller timer. For eksempel tog det tidligere flere timer at forberede kvartalsvise regnskabssammendrag. Nu håndterer agenterne hele processen. De henter dataene, formaterer præsentationen og publicerer PowerPointen på SharePoint – helt uden menneskelig indgriben. Det bliver nok den største forandring, vi ser i år… At du møder ind om morgenen, og så ligger arbejdet allerede klar til dig.

Det tvinger virksomhederne til at gentænke, hvor mennesker skaber værdi, og hvordan teams skal omstruktureres – både nu og i fremtiden.

Vi ser, at virksomheder i stigende grad flytter medarbejdere over til opgaver, der har højere værdi og kræver mere dømmekraft. Lederne i de virksomheder, vi arbejder med, er efter vores vurdering de mest fremsynede, dem, der gentænker hele organisationens struktur på en AI-baseret måde. Det er en enormt vanskelig opgave, og derfor ender vi ofte med at fungere som rådgivere i starten, hvor vi hjælper dem med at identificere, hvor AI giver mest mening her og nu – og samtidig fremtidssikrer ved at pege på, hvor det vil få størst effekt om 12 måneder. 

Vi ser, at mennesker i finanssektoren faktisk skaber mere værdi end før – ikke mindre. Når automatiseringen tager sig af rutinearbejdet, får folk mere tid til at fokusere på relationer og strategisk tænkning. De virksomheder, der kommer til at klare sig bedst, er dem, der tør gentænke hele organisationsstrukturen i lyset af det skifte.

I finansverdenen er præcision, compliance og tilpassede arbejdsgange ikke noget, man kan vælge til eller fra – det er en forudsætning. Og det er netop denne specificitet, generelle værktøjer ikke kan levere. Model ML var fra starten udviklet specifikt til finanssektoren på to centrale niveauer.

Først og fremmest på agentlaget, hvor vi har udviklet og finjusteret systemer, der er målrettet de datatyper, finansielle fagfolk arbejder med hver dag – både strukturerede og ustrukturerede data – på tværs af platforme som SharePoint og datasæt som Capital IQ, FactSet og Crunchbase, der kan omfatte hundredvis af tabeller og op til 20 terabyte data. For bare 12 måneder siden var det næsten umuligt at udvikle en agent ovenpå så komplekse datasæt. Vores agenter er ikke blot modeller, der besvarer spørgsmål – de har kontekstforståelse, forstår skematisering, skriver kode og henter relevant information fra terabytes af avanceret data. 

Dernæst på applikationslaget – den brugerflade, hvorigennem brugerne interagerer med agenter, der er specielt designet til finans. Det giver virksomhederne værktøjer til at oprette agenter, der automatiserer arbejdsgangene og muliggør analyser, der tidligere var uopnåelige. Vi ser dagligt nye anvendelsesområder, og vi har nu tusindvis af brugerscenarier, hvoraf mange af dem er tilgængelige for kunderne fra dag ét.

Vi har set markante spring i funktionaliteten ved hver ny modeludgivelse, som vi omsætter direkte til konkrete fordele for vores kunder. Fremskridt inden for eksempelvis ræsonnering og kodning har kraftigt accelereret udviklingen af centrale dele af vores produkt. Senest har lanceringen af OpenAI’s o3‑pro, o3, o4-mini og GPT‑4.1-modeller ført til betydelige forbedringer i ræsonneringsevnen, multimodaliteten, evnen til at følge instruktioner og værktøjsintegrationen. Med større kontekstvinduer og mere avancerede ræsonneringsevner kan vi nu åbne op for komplette arbejdsgange fra start til slut. Brugerne kan i dag sammenkæde dataindsamling, analyser og præsentationsopbygning – og få leveret færdigformaterede output helt uden menneskelig indgriben. 

Den mest markante forandring bliver nok udbredelsen af fuldt automatiserede arbejdsgange, hvor systemerne fungerer som kontroltårne, der overvåger et helt digitalt team. Efterhånden som disse agenter påtager sig mere komplekse opgaver i flere trin på tværs af hele det digitale univers, vil selv brugerfladen og den måde, vi interagerer med hardware på, begynde at ændre sig. Det ligger nok lidt længere ude i fremtiden end 12 måneder, men det er den retning, vi bevæger os i.

Det næste skridt er fremkomsten af virkelig selvstændige agenter, som du kan integrere i vores produkt. Vores agenter er i stand til at udføre sofistikerede arbejdsgange, der indsamler, analyserer og præsenterer data fra dit CRM-system, e-mails, filer, eksterne dataleverandører, mødereferater og meget mere. De her agenter venter ikke bare på instrukser; de forudser, hvad der skal gøres, uanset om det er cyklisk (dagligt, ugentligt, månedligt, kvartalsvist, årligt) eller udløst af begivenheder i den virkelige verden – ligesom du ville spørge et teammedlem efter et møde eller som svar på en e-mail.

Den egentlige forandring er, at disse arbejdsgange vil køre fra start til slut, automatisk, med dybdegående ræsonnering og koordinering på tværs af alle ens systemer. Outputtet kan være så omfattende som en 100-siders PowerPoint-præsentation, der er udarbejdet udelukkende af en maskine – hurtigere, mere konsistent og tilgængeligt døgnet rundt.

Det er fremtiden – selvstyrende digitale teams, der styrer de arbejdsgange, der driver din virksomhed – bedre, hurtigere og altid tilgængeligt.

Vi tror grundlæggende, at AI-baserede virksomheder kommer til at se strukturelt anderledes ud. Færre lag, hurtigere cyklusser og strammere feedback-loops. Vi har taget den flade struktur til os. Arnie [min medstifter] og jeg har hver især et tocifret antal direkte referencer. Det lyder måske vildt, men AI gør det håndterbart. Alle en-til-en-møder er AI-assisterede. Noter, opgaver, kontekst – det hele er strømlinet. Det gør os i stand til at rykke hurtigere og forblive tæt på produktet. Vi tror, det er sådan moderne virksomheder kommer til at fungere – mere som kontroltårne end som hierarkier i en silostruktur.

En del af at være agil er at satse på, at økosystemet og de underliggende modeller hele tiden forbedres. Den egentlige nøgle – og måske er det her en del af tankegangen for grundlæggere og udviklere – er ikke at være følelsesmæssigt involveret i ens kode. En gang udviklede vi selv det hele – agentabstraktioner, tjenestetilslutninger, det hele. Leverer OpenAI eller open source-miljøet nu noget bedre – som f.eks. OpenAI's Agent SDK eller MCP-forbindelser – så tilslutter vi os bare og sletter vores kode. 

Vi er gået over til at bruge OpenAI's Agent SDK og MCP-værktøjer til at håndtere agentloops, værktøjskald, sikkerhedsforanstaltninger og integrationer – og det betyder mindre vedligeholdelse og hurtigere innovation.

Vi forsøger ikke at vinde på at opretholde infrastruktur; vi forsøger at vinde på at skabe værdi gennem konkrete resultater for vores kunder.

Model ML bruger OpenAI’s API-platform, herunder GPT‑4.1, OpenAI o3 og Agents SDK, til at drive sine agenter, automatiseringer og interne værktøjer.