Model ML hilft Finanzunternehmen bei einem grundlegenden Neuaufbau mit KI

In unserer Serie „Executive Function“ beleuchten wir die Einführung von KI aus der Perspektive von Führungskräften an der Front.

Model ML baut eine KI-Infrastruktur auf, die die Arbeitsweise führender Finanzdienstleistungsunternehmen grundlegend verändert. Die Plattform von Model ML umfasst speziell entwickelte Agenten und eine Anwendung, die End-to-End-Arbeitsabläufe sowie individualisierte Recherche und Analyse automatisiert. 

Wir sprachen mit CEO und Mitbegründer Chaz Englander über die Entwicklung von Finanzunternehmen und wie die jüngsten Fortschritte im Bereich KI ihre Abläufe automatisieren und vereinfachen.

Nach dem Verkauf unseres letzten Unternehmens stellten mein Bruder und ich fest, dass wir nicht investieren, sondern vielmehr den Investitionsprozess durch GPT‑gestützte Funktionsaufrufe automatisieren wollten.

Wir waren ein Familienbetrieb mit sechs Mitarbeitern, aber mit diesen auf GPT‑3.5 gestützten LLMs hatten wir das Gefühl, die Arbeit eines 60-köpfigen Teams zu schaffen.

Wir haben einen Prototyp von Model ML für uns selbst entwickelt und hatten nicht vor, diesen zu kommerzialisieren. Doch als wir erkannten, welche Erkenntnisse und Effizienz die Automatisierung der Research-Abläufe brachte, wussten wir, dass wir die Sache weiterverfolgen müssen.

Es gibt Aufgaben, die früher Tage, Wochen oder gar Monate dauerten – einige davon können heute innerhalb von Minuten oder Stunden erledigt werden. Die Erstellung von Quartalsgewinnübersichten dauerte beispielsweise früher Stunden. Heute übernehmen Agenten den gesamten Prozess: Sie rufen die Daten ab, formatieren die Folien und veröffentlichen die Powerpoint-Präsentation in SharePoint – und das alles ohne menschliches Zutun. Ich glaube, das wird die größte Veränderung dieses Jahr: dass wir morgens zur Arbeit kommen und unsere Arbeit bereits erledigt ist.

Daher müssen wir neu bewerten, wo Menschen einen Mehrwert schaffen und wie Unternehmen neu planen müssen, wo Teams heute und in Zukunft einen wichtigen Beitrag leisten können.

Wir sehen, dass Unternehmen ihre Mitarbeiter in höhergestellte, urteilsbasierte Rollen versetzen. Die Führungskräfte der Unternehmen, mit denen wir zusammenarbeiten, sind – zumindest unserer Ansicht nach – diejenigen, die die gesamte Unternehmensarchitektur auf KI-native Weise neu gestalten. Das ist unheimlich schwierig, weshalb wir schon früh in eine Beraterrolle schlüpfen. Wir helfen ihnen dabei, zu bestimmen, wo der Einsatz von KI heute am sinnvollsten ist und wo sie unserer Meinung nach in 12 Monaten die größte Wirkung haben wird. 

Wir sehen, dass die Menschen in Finanzunternehmen heute nicht weniger, sondern mehr Einfluss haben. Da Routineaufgaben automatisiert werden, können sich die Mitarbeiter auf Beziehungen und strategisches Denken konzentrieren. Diejenigen Unternehmen, die ihre gesamte Betriebsstruktur überdenken, werden am Ende von diesem Wandel profitieren.

Im Finanzwesen sind Genauigkeit, Konformität und bedarfsgerechte Arbeitsabläufe keine Option, sondern eine Grundvoraussetzung. Diese Spezifität ist der Punkt, an dem allgemeine Tools versagen. Model ML wurde von Anfang an auf zwei kritischen Stufen speziell für Finanzdienstleistungen entwickelt.

Erstens haben wir auf der Agentenebene Systeme entwickelt und optimiert, die speziell die Arten von Daten (strukturiert und unstrukturiert) analysieren und mit ihnen interagieren sollen, die Finanzexperten täglich verwenden – und zwar über Tools wie Sharepoint und gängige Datensätze wie Capital IQ, FactSet und Crunchbase. Diese können in Form von Hunderten von Tabellen und 20 Terabyte vorliegen. Noch vor einem Jahr war es nahezu unmöglich, auf der Grundlage dieser Datensätze einen Agenten zu erstellen. Es sind nicht nur um Modelle, die Fragen beantworten; sie sind kontextfähig, verstehen Schemata, schreiben Code und rufen Informationen aus Terabytes komplexer Daten ab. 

Dann haben wir die Anwendungsebene: die Schnittstelle, über die Benutzer mit Agenten interagieren, speziell für den Finanzbereich entwickelt. Sie bietet Unternehmen die Tools zum Erstellen von Agenten, die End-to-End-Workflows automatisieren und bislang unerreichbare Analysen ermöglichen. Was die Anwendungsfälle angeht, sehen wir täglich Dutzende neue. Wir haben Tausende von Anwendungsfällen, von denen viele sofort einsatzbereit sind, sobald die Kunden sich anmelden.

Mit jeder neuen Modellversion konnten wir große schrittweise Änderungen feststellen, die wir in unmittelbare Vorteile für unsere Kunden umgewandelt haben. Die Fortschritte in Bereichen wie Reasoning und Codierung haben einige Bereiche unserer Produkte in neue Höhen getrieben. Mit der neuesten Version der OpenAI-Modelle o3‑pro, o3, o4-mini und GPT‑4.1 konnten dramatische Verbesserungen in den Bereichen Reasoning, multimodale Fähigkeiten, Befolgung von Anweisungen und Tool-Integration erzielt. Mit größeren Kontextfenstern und erweiterten Reasoning-Funktionen sind wir jetzt in der Lage, komplette Arbeitsabläufe zu erschließen. Benutzer können jetzt Aufgaben zur Datenerfassung, Analyse und Präsentationserstellung miteinander verbinden und so vollständig autonom komplett formatierten Output erstellen. 

Ich denke, der tiefgreifendste Wandel, der vor uns liegt, ist die zunehmende Automatisierung von kompletten Arbeitsabläufen, bei der Systeme als Kontrolltürme agieren, die eine Armee digitaler Mitarbeiter überwachen. Angesichts der Tatsache, dass diese Agenten in unserem gesamten digitalen Umfeld komplexere, mehrstufige Aufgaben übernehmen, werden sich sogar die Benutzeroberfläche und die Art und Weise, wie wir mit der Hardware interagieren, ändern. Dieser Schritt geht vermutlich über die kommenden 12 Monate hinaus, aber das ist die Richtung, in die wir uns bewegen.

Als Nächstes werden wir wirklich autonome Agenten entwickeln, die in unser Produkt integriert werden können. Unsere Agenten können anspruchsvolle Arbeitsabläufe ausführen, die Daten aus CRM-Systemen, E-Mails, Dateien, externen Datenanbietern, Besprechungsprotokollen und mehr sammeln, analysieren und präsentieren. Diese Agenten warten nicht bloß auf Anweisungen, sondern sehen voraus, was getan werden muss, egal ob es zyklisch (täglich, wöchentlich, monatlich, vierteljährlich, jährlich) erfolgt oder durch reale Ereignisse ausgelöst wird – so als würde man einem Teammitglied nach einem Meeting oder per E-Mail eine Frage stellen.

Der echte Wandel besteht darin, dass diese Arbeitsabläufe durchgängig und automatisch mit Deep Reasoning und Orchestrierung innerhalb unserer gesamten Systeme ausgeführt werden. Die Ergebnisse könnten so umfangreich sein wie eine 100-seitige PowerPoint-Präsentation, die vollständig maschinell erstellt wurde – schneller, konsistenter und immer verfügbar.

So sieht die Zukunft aus: Autonome digitale Teams führen die Arbeit aus, die dein Unternehmen voranbringt – besser, schneller und immer einsatzbereit.

Wir glauben, dass sich die Struktur von KI-nativen Unternehmen verändern wird. Weniger Ebenen, schnellere Zyklen, engere Feedback-Schleifen. Wir haben uns für eine flache Struktur entschieden. Arnie [mein Mitgründer] und ich haben jeweils eine zweistellige Zahl direkt unterstellter Mitarbeiter. Das mag verrückt klingen, aber mit KI ist es möglich. Alle Einzelgespräche werden von KI unterstützt. Notizen, To-do-Listen, Kontext, alles ist optimiert. So sind wir schneller und bleiben nah am Produkt. Wir glauben, dass moderne Unternehmen eher wie Kontrolltürme als wie isolierte Hierarchien funktionieren werden.

Um agil zu sein, müssen wir darauf vertrauen, dass das Ökosystem und die Basismodelle besser werden. Der wahre Schlüssel ist – und vielleicht ist dies Teil der Gründermentalität und der Denkweise von Engineering-Unternehmen –, Code ohne Emotionen zu betrachten. Früher haben wir alles selbst gebaut: Agentenabstraktionen, Service-Konnektoren, einfach alles. Wenn OpenAI oder die Open-Source-Community jetzt bessere Möglichkeiten bietet – wie etwa das Agent SDK oder die MCP-Konnektoren von OpenAI –, verbinden wir das einfach an und löschen unseren Code. 

Wir sind zum Agent SDK und den MCP-Tools von OpenAI übergewechselt, um Agentenschleifen, Tool-Aufrufe, Leitschienen und Integrationen zu bewältigen. So konnten wir zu weniger Wartungsarbeit und schnellerer Innovation übergehen.

Wir wollen nicht durch die Beibehaltung der Infrastruktur erfolgreich sein; wir wollen erfolgreich sein, indem wir anhand von Kundenergebnissen Mehrwert schaffen.

Model ML verwendet die API-Plattform von OpenAI, einschließlich GPT‑4.1, OpenAI o3 und dem Agents SDK, um seine Agenten, Automatisierungen und internen Tools zu betreiben.