Model ML erledigt Finanzarbeit effizienter mit GPT‑5.6 Sol

Bevor eine Finanzanalyse vor Kundenunternehmen oder leitenden Entscheidungstragenden bestehen kann, müssen Teams die anspruchsvolle letzte Etappe bewältigen: Belege abgleichen, die Datei erstellen und formatieren, jede Zahl prüfen und jede Aussage mit ihrer Quelle verknüpfen. Die fertige PowerPoint-Präsentation oder Excel-Arbeitsmappe muss bearbeitbar und prüfungsbereit sein.

Die Brüder und Mitgründer von Model ML, Arnie und Chaz Englander, erkannten den damit verbundenen Aufwand, als sie nach zwei erfolgreichen Exits über ein privates Family Office zu investieren begannen und, wie Entwickler:innen es eben tun, Software für den eigenen Bedarf entwickelten.

Aus dieser Software gingen die Agenten von Model ML hervor. Sie unterstützen Fachkräfte im Finanzbereich dabei, einen Workflow von der ersten Anfrage über Recherche und Analyse bis zur fertigen Präsentation oder Arbeitsmappe durchzuführen. Im Zentrum plant ein Kern-Agent die Arbeit, wählt die passenden Werkzeuge aus, gleicht Belege ab und führt Berechnungen durch. Dabei leitet er jeden Schritt an das jeweils am besten geeignete Modell weiter, häufig GPT‑5.6 Sol. Zu diesen Werkzeugen gehören die eigenen Dokumentfunktionen von Model ML, die native PowerPoint- und Excel-Dateien mit nachvollziehbaren Quellen erstellen.

Model ML unterstützt Finanzteams, indem es Finanzworkflows durchgängig automatisiert. Ausgehend von einem Briefing und Quellenmaterial kann der Agent einen Auftrag von der Recherche und Modellierung bis zu fertigen Unterlagen für Kundenunternehmen oder Transaktionsteams bearbeiten. Vor der Weitergabe prüft eine Fachkraft im Finanzbereich die Annahmen, Quellen und Kernaussage.

Model ML bezeichnet das Produkt als „oberflächenunabhängig“. Eine Fachkraft im Finanzbereich kann einen Auftrag per E-Mail oder in der Model ML-App beginnen und ihn in den Microsoft Office-Plugins fortsetzen, ohne ihn erneut erklären zu müssen.

Diese Kontinuität reicht bis in das fertige Arbeitsergebnis. Für eine Präsentation vor einem Investitionsausschuss kann Model ML ein Briefing und Quellenmaterial in eine bearbeitbare PowerPoint-Datei umwandeln. Bei einer Excel-Aufgabe kann der Agent mit einer Kundenvorlage oder einer leeren Arbeitsmappe beginnen, die erforderlichen Daten erfassen, Formeln und Logik über mehrere Registerkarten hinweg erstellen und anschließend eine finanzspezifische Formatierung anwenden. So entsteht eine vollständige Tabelle oder ein vollständiges Finanzmodell.

In Composite, dem Evaluierungsbenchmark von Model ML für KI in Finanzdienstleistungen, benötigte GPT‑5.6 Sol in einem Excel-Workflow 36 % weniger Tokens pro Arbeitsmappe als Opus 5.

Indem der Agent die Arbeit durch diese letzte Etappe führt, kann er zudem bei einzelnen Ergebnissen Zeit sparen und Teams bei der Verarbeitung großer Mengen an Quellenmaterial unterstützen. Bei einem globalen Vermögensverwalter dauert die Erstellung eines individuellen Übersichtsblatts statt rund einer Stunde nur noch etwa fünf Minuten. In einem anderen Workflow verarbeiteten Agenten von Model ML virtuelle Datenräume mit mehr als 100.000 Zeilen und Hunderten Dateien in einem Durchlauf.

Model ML evaluierte GPT‑5.6 Sol zusammen mit anderen führenden Modellen in verschiedenen Finanzworkflows. Die Composite-Evaluierungen verfolgen einen Auftrag vom ersten Finanzbriefing über Recherche und Berechnungen bis zu einer bearbeitbaren Präsentation oder Tabelle. Anschließend prüfen sie Zahlen, Quellen, Formeln und Struktur sowie bei Präsentationen die visuelle Qualität.

Die Composite-Evaluierung von Model ML für PowerPoint umfasst reale Workflows und Hunderte generierte Präsentationen, die anhand eines detaillierten Bewertungsschemas beurteilt werden.

GPT‑5.6 Sol schloss den PowerPoint-Workflow in 100 % der Testfälle ab, gegenüber 76 % bei Opus 5. Den Schwellenwert von Model ML für professionelle Einsatzreife, der misst, ob ein Ergebnis für eine inhaltliche Prüfung bereit war, erreichte das Modell in 43,3 % der Fälle, gegenüber 26,7 %. Auch bei Präsentationsqualität, Einhaltung des Briefings, Hierarchie und Konsistenz lag es vor Opus 5.

Insgesamt lieferten die oben gezeigten Composite-Ergebnisse Model ML die nötigen Belege, um GPT‑5.6 Sol im Produktivbetrieb breiter einzusetzen. Dazu gehörten auch Workflows, die zuvor Opus 4.8 übernommen hatte. In PowerPoint-Workflows verband GPT‑5.6 Sol eine wettbewerbsfähige Präsentationsqualität mit einem höheren Anteil abgeschlossener, prüfungsbereiter Präsentationen als Opus 5 und Fable 5. Dabei benötigte es etwa 21 % weniger Tokens als Fable 5.

„Für echte Arbeit bereit bedeutet, dass direkt mit der eigentlichen Prüfung begonnen werden kann“, sagt Englander. „Die Zahlen sind nachvollziehbar, die Arbeitsmappe wird neu berechnet und die Folie ist bearbeitbar.“

PowerPoint stellte Model ML vor eine anspruchsvolle Prüfung, ob GPT‑5.6 Sol für echte Arbeit bereit war. Eine Präsentation kann professionell aussehen und dennoch bei der Prüfung durchfallen, wenn ihre Zahlen falsch oder nicht nachvollziehbar sind, ihre Diagramme nicht bearbeitbar sind oder ihre Folien vor der Weitergabe neu erstellt werden müssen.

Model ML führte das Modell in seinem Agenten-Harness aus und kombinierte es mit Werkzeugen zum Erstellen und Bearbeiten von Dokumenten. Damit kann der Agent Folien mit bearbeitbaren Diagrammen und Tabellen erstellen. Während der Arbeit behält der Agent das ursprüngliche Briefing im Kontext und prüft anschließend jede Folie visuell, bevor er die Datei zurückgibt.

Das folgende Beispiel zeigt, wie sich die PowerPoint-Ergebnisse von Model ML von GPT‑5.5 zu GPT‑5.6 Sol verbessert haben, unter anderem durch eine klarere Hierarchie und ein einheitlicheres Foliendesign.

Heute stellt der Harness von Model ML dem Agenten Toolkits bereit, die er bei Bedarf laden kann. So erhält er Zugriff auf Datenintegrationen, Werkzeuge und Funktionen zur Dokumentbearbeitung sowie Umgebungen zur Codeausführung. Dadurch bleibt der Agent fokussiert und erhält genau die Werkzeuge, die er für die Arbeit mit den Dokumenten der Nutzer:innen benötigt.

Model ML entwickelte diese Konfiguration in gemeinsamen Vor-Ort-Sitzungen mit OpenAI. Die Teams untersuchten, wie der Agent Präsentationen plante, Werkzeuge auswählte und den Kontext beibehielt. Anschließend nutzten sie die Erkenntnisse, um die Anweisungen für den Agenten zu optimieren und festzulegen, wann welches Toolkit geladen werden sollte.

Die Kundenunternehmen von Model ML setzen zunehmend auf browserbasierte Ergebnisse, die mit den zugrunde liegenden Modellen und Quellen verbunden bleiben.

Die Plattform von Model ML kann sichere, interaktive Ergebnisse erzeugen, die sich fortlaufend aktualisieren oder auf einen bestimmten Zeitpunkt festschreiben lassen. Bei der Prüfung ließe sich eine Investitionsübersicht öffnen, zu dem Finanzmodell hinter einer Zahl wechseln und auf derselben Seite mit dem Agenten arbeiten.

„PowerPoint, Excel und Word wurden für eine Welt entwickelt, in der Wissensarbeit manuell erstellt wurde“, sagt Englander. „KI hat diese Annahme verändert. Nun wird sich auch die Software verändern.“