Model ML agiliza el trabajo financiero con GPT‑5.6 Sol

Antes de presentar un análisis financiero ante clientes o altos responsables de decisiones, los equipos deben superar una última etapa exigente: conciliar la evidencia, crear y dar formato al archivo, verificar cada cifra y vincular cada afirmación con su fuente. La presentación de PowerPoint o el libro de Excel terminados deben ser editables y estar listos para una revisión minuciosa.

Los hermanos Arnie y Chaz Englander, cofundadores de Model ML, comprendieron cuánto trabajo exigía esto cuando, tras dos ventas exitosas de empresas, comenzaron a invertir mediante una oficina de gestión patrimonial familiar y, como buenos desarrolladores, crearon software para ayudarse.

Los agentes de Model ML, nacidos de ese software, ayudan a los profesionales de finanzas a llevar un flujo de trabajo desde la solicitud inicial hasta la investigación, el análisis y una presentación o un libro terminados. En el centro, un agente principal planifica el trabajo, selecciona las herramientas adecuadas, concilia la evidencia y realiza los cálculos; además, dirige cada paso al modelo más apropiado, que a menudo es GPT‑5.6 Sol. Entre esas herramientas se encuentran las herramientas documentales de Model ML, que crean archivos nativos de PowerPoint y Excel con fuentes rastreables.

Model ML ayuda a los equipos financieros mediante la automatización integral de los flujos de trabajo de finanzas. A partir de unas instrucciones y material de referencia, el agente puede llevar una tarea desde la investigación y el modelado hasta los materiales finales para clientes o equipos de operaciones. El profesional de finanzas verifica los supuestos, las fuentes y el mensaje antes de compartir el trabajo.

Model ML describe el producto como “independiente de la interfaz”. Un profesional de finanzas puede iniciar una tarea por correo electrónico o en la aplicación Model ML y continuarla en sus complementos de Microsoft Office sin tener que explicarla de nuevo.

Esa continuidad se extiende al trabajo terminado. Para una presentación destinada a un comité de inversión, Model ML puede convertir unas instrucciones y material de referencia en un PowerPoint editable. Para una tarea de Excel, el agente puede comenzar con una plantilla del cliente o un libro en blanco, recopilar los datos necesarios, crear fórmulas y lógica en varias pestañas y, después, aplicar un formato específico para finanzas a fin de producir una hoja de cálculo completa o un modelo financiero.

En Composite de Model ML, el benchmark de evaluación de la empresa para la IA en servicios financieros, GPT‑5.6 Sol utilizó un 36 % menos de tokens por libro que Opus 5 en un flujo de trabajo de Excel.

Al llevar el trabajo hasta esa última etapa, el agente también puede ahorrar tiempo en cada entrega y ayudar a los equipos a procesar grandes volúmenes de material de referencia. En una gestora de activos global, una ficha personalizada que un analista tardaba cerca de una hora en preparar ahora se completa en unos cinco minutos. En otro flujo de trabajo, los agentes de Model ML procesaron en una sola pasada salas de datos virtuales con más de 100 000 filas y cientos de archivos.

Model ML evaluó GPT‑5.6 Sol junto con otros modelos líderes en diversos flujos de trabajo de finanzas. Sus evaluaciones Composite siguen una tarea desde las instrucciones financieras iniciales, pasando por la investigación y los cálculos, hasta una presentación u hoja de cálculo editable. Luego verifican las cifras, las fuentes, las fórmulas y la estructura, además de la calidad visual de las presentaciones.

Para PowerPoint, la evaluación Composite de Model ML incorpora flujos de trabajo reales y abarca cientos de presentaciones generadas, con una rúbrica de puntuación detallada.

GPT‑5.6 Sol completó el flujo de trabajo de PowerPoint en el 100 % de los casos de prueba, frente al 76 % de Opus 5. Además, superó el umbral de preparación profesional de Model ML —que mide si el resultado estaba listo para una revisión sustantiva— en el 43,3 % de los casos, frente al 26,7 %. También superó a Opus 5 en calidad de las presentaciones, cumplimiento de las instrucciones, jerarquía y uniformidad.

En conjunto, los resultados de Composite mostrados arriba dieron a Model ML la evidencia necesaria para ampliar el uso de GPT‑5.6 Sol en producción, incluso en algunos flujos de trabajo que antes gestionaba Opus 4.8. En los flujos de trabajo de PowerPoint, GPT‑5.6 Sol combinó una calidad competitiva con una mayor proporción de presentaciones terminadas y listas para revisión que Opus 5 y Fable 5, usando cerca de un 21 % menos de tokens que Fable 5.

“Estar listo para el trabajo real significa que el usuario puede pasar directamente a una revisión de verdad”, afirma Englander. “Las cifras se pueden rastrear, el libro se recalcula y la diapositiva es editable”.

PowerPoint planteó a Model ML una prueba exigente para determinar si GPT‑5.6 Sol estaba listo para el trabajo real. Una presentación puede parecer pulida y aun así no superar la revisión si sus cifras son incorrectas o no se pueden rastrear, si sus gráficos están aplanados o si hay que rehacer las diapositivas antes de compartirlas.

Model ML ejecutó el modelo dentro de su arnés de ejecución del agente, junto con herramientas de creación y edición de documentos que permiten al agente crear diapositivas con gráficos y tablas editables. Mientras trabaja, mantiene las instrucciones originales en contexto y, antes de devolver el archivo, revisa visualmente cada diapositiva.

El siguiente ejemplo muestra cómo mejoraron los resultados de PowerPoint de Model ML al pasar de GPT‑5.5 a GPT‑5.6 Sol, con una jerarquía más clara y un diseño de diapositivas más uniforme.

Actualmente, el arnés de ejecución de Model ML proporciona al agente conjuntos de herramientas que puede cargar para acceder a integraciones de datos, herramientas y capacidades de edición de documentos, y entornos de ejecución de código. Esto mantiene al agente enfocado y le brinda exactamente las herramientas que necesita para trabajar con los documentos del usuario.

Model ML llegó a esta configuración mediante sesiones presenciales con OpenAI. Los equipos analizaron cómo el agente planificaba las presentaciones, seleccionaba herramientas y mantenía el contexto. Luego utilizaron sus hallazgos para perfeccionar las instrucciones del agente y decidir cuándo cargar cada conjunto de herramientas.

Los clientes de Model ML están avanzando hacia resultados basados en el navegador que permanecen conectados con los modelos y el material de referencia que los sustentan.

La plataforma de Model ML puede generar resultados seguros e interactivos que se actualizan continuamente o se fijan en un momento determinado. Un revisor podría abrir un resumen de inversión, acceder al modelo financiero que sustenta una cifra y trabajar con el agente desde la misma página.

“PowerPoint, Excel y Word se diseñaron para un mundo donde el trabajo intelectual se creaba manualmente”, afirma Englander. “La IA ha cambiado ese supuesto. El propio software está a punto de cambiar”.