Model ML effektiviserer finansarbejde med GPT‑5.6 Sol

Før en finansiel analyse kan præsenteres for kunder eller ledende beslutningstagere, skal teamet gennem den krævende sidste etape: afstemme dokumentationen, opbygge og formatere filen, kontrollere hvert eneste tal og knytte hver påstand til sin kilde. Den færdige PowerPoint-præsentation eller Excel-projektmappe skal kunne redigeres og være klar til grundig gennemgang.

Model ML's medstiftere og brødre, Arnie og Chaz Englander, oplevede, hvor meget arbejde det krævede, da de efter to vellykkede exits begyndte at investere gennem deres private family office og – som iværksættere ofte gør – udviklede software til deres eget behov.

Model ML er vokset ud af denne software, og virksomhedens agenter hjælper finansfolk med at føre en arbejdsgang fra den første forespørgsel gennem research og analyse til en færdig præsentation eller projektmappe. I centrum planlægger en kerneagent arbejdet, vælger de rette værktøjer, afstemmer dokumentationen og udfører beregninger. Hvert trin sendes videre til den model, der egner sig bedst – ofte GPT‑5.6 Sol. Værktøjerne omfatter Model ML's egen dokumentløsning, som opretter originale PowerPoint- og Excel-filer med sporbare kilder.

Model ML hjælper finansteams ved at automatisere finansielle arbejdsgange fra start til slut. Ud fra en opgavebeskrivelse og kildemateriale kan agenten føre en opgave gennem research og modellering til færdigt materiale til kunder eller transaktionsteams. Finansmedarbejderen kontrollerer forudsætninger, kilder og budskab, før arbejdet deles.

Model ML kalder produktet »uafhængigt af brugerfladen«. En finansmedarbejder kan starte en opgave i en e-mail eller i Model ML-appen og fortsætte i virksomhedens Microsoft Office-tilføjelsesprogrammer uden at skulle forklare opgaven igen.

Denne sammenhæng fortsætter helt ind i det færdige arbejde. Til en præsentation for en investeringskomité kan Model ML omdanne en opgavebeskrivelse og kildemateriale til en redigerbar PowerPoint-præsentation. Ved en Excel-opgave kan agenten tage udgangspunkt i en kundeskabelon eller en tom projektmappe, indsamle de nødvendige data, opbygge formler og logik på tværs af flere faner og derefter anvende finansspecifik formatering for at skabe et komplet regneark eller en finansiel model.

I Model ML's Composite, virksomhedens evalueringsbenchmark for AI i finanssektoren, brugte GPT‑5.6 Sol 36 % færre tokens pr. projektmappe end Opus 5 i en Excel-arbejdsgang.

Ved at føre arbejdet gennem den sidste etape kan agenten også spare tid på de enkelte leverancer og hjælpe teams med at behandle store mængder kildemateriale. Hos en global kapitalforvalter tager det nu cirka fem minutter at udarbejde et skræddersyet faktaark, som en analytiker tidligere brugte omkring en time på. I en anden arbejdsgang behandlede Model ML-agenter virtuelle datarum med mere end 100.000 rækker og hundredvis af filer på én gang.

Model ML evaluerede GPT‑5.6 Sol sammen med andre førende modeller på tværs af en række finansielle arbejdsgange. Composite-evalueringerne følger en opgave fra den indledende finansielle opgavebeskrivelse gennem research og beregninger til en redigerbar præsentation eller et regneark. Derefter kontrolleres tal, kilder, formler og struktur samt præsentationernes visuelle kvalitet.

For PowerPoint omfatter Model ML's Composite-evaluering virkelige arbejdsgange og hundredvis af genererede præsentationer, som bedømmes efter detaljerede kriterier.

GPT‑5.6 Sol gennemførte PowerPoint-arbejdsgangen i 100 % af testene mod 76 % for Opus 5. Modellen bestod desuden Model ML's tærskel for professionel parathed – et mål for, om resultatet var klar til indholdsmæssig gennemgang – i 43,3 % af tilfældene mod 26,7 %. Den overgik også Opus 5 med hensyn til præsentationskvalitet, overholdelse af opgavebeskrivelsen, hierarki og ensartethed.

Samlet set gav de viste Composite-resultater Model ML dokumentation for at udvide brugen af GPT‑5.6 Sol i produktionen, herunder til visse arbejdsgange, som Opus 4.8 tidligere håndterede. I PowerPoint-arbejdsgange kombinerede GPT‑5.6 Sol konkurrencedygtig præsentationskvalitet med en højere andel af færdige præsentationer klar til gennemgang end Opus 5 og Fable 5, samtidig med at den brugte cirka 21 % færre tokens end Fable 5.

»Klar til rigtigt arbejde betyder, at brugeren kan gå direkte videre til en reel gennemgang,« siger Englander. »Tallene kan spores tilbage til kilderne, projektmappen genberegnes, og sliden kan redigeres.«

PowerPoint gav Model ML en krævende test af, om GPT‑5.6 Sol var klar til rigtigt arbejde. En præsentation kan se gennemarbejdet ud og alligevel dumpe ved gennemgangen, hvis tallene er forkerte eller ikke kan spores, diagrammerne er statiske, eller slides skal bygges op igen, før de kan deles.

Model ML kørte modellen i sit agent-harness sammen med værktøjer til oprettelse og redigering af dokumenter, så agenten kunne lave slides med redigerbare grafer og tabeller. Mens agenten arbejder, bevarer den den oprindelige opgavebeskrivelse i konteksten og gennemgår derefter hver slide visuelt, før filen returneres.

Eksemplet nedenfor viser, hvordan Model ML's PowerPoint-resultater blev forbedret fra GPT‑5.5 til GPT‑5.6 Sol, blandt andet med et tydeligere hierarki og et mere ensartet slidedesign.

I dag giver Model ML's harness agenten adgang til værktøjssæt, som den kan indlæse for at bruge dataintegrationer, værktøjer og kompetencer til dokumentredigering samt miljøer til kodekørsel. Det holder agenten fokuseret og giver den præcis de værktøjer, den skal bruge til at arbejde med brugerens dokumenter.

Model ML nåede frem til denne opsætning gennem møder på stedet med OpenAI. Teamene kortlagde, hvordan agenten planlagde præsentationer, valgte værktøjer og fastholdt konteksten. Derefter brugte de resultaterne til at finjustere agentens instruktioner og afgøre, hvornår hvert værktøjssæt skulle indlæses.

Model ML's kunder bevæger sig mod browserbaserede resultater, der forbliver forbundet med de bagvedliggende modeller og det tilhørende kildemateriale.

Model ML's platform kan generere sikre, interaktive resultater, som løbende kan opdateres eller fastlåses til et bestemt tidspunkt. En reviewer kan åbne et investeringsresumé, klikke videre til den finansielle model bag et tal og arbejde med agenten på samme side.

»PowerPoint, Excel og Word blev udviklet til en verden, hvor vidensarbejde blev udført manuelt,« siger Englander. »AI har ændret den forudsætning. Nu står selve softwaren foran en forandring.«