Model ML agiliza las finanzas con GPT‑5.6 Sol

Para que un análisis financiero pueda presentarse ante clientes o altos responsables de la toma de decisiones, los equipos deben completar una última etapa exigente: conciliar las pruebas, crear y dar formato al archivo, comprobar cada cifra y vincular cada afirmación con su fuente. La presentación de PowerPoint o el libro de Excel final debe ser editable y estar listo para su revisión.

Los hermanos Arnie y Chaz Englander, cofundadores de Model ML, comprobaron cuánto trabajo exigía todo esto cuando, tras dos ventas empresariales exitosas, empezaron a invertir mediante una oficina patrimonial familiar y, como buenos creadores, a desarrollar software para ayudarse a sí mismos.

Surgidos de ese software, los agentes de Model ML ayudan a los profesionales financieros a completar un flujo de trabajo desde la solicitud inicial hasta la investigación, el análisis y la presentación o el libro final. En el centro, un agente principal planifica el trabajo, selecciona las herramientas adecuadas, concilia las pruebas y realiza los cálculos, asignando cada paso al modelo más apropiado, que suele ser GPT‑5.6 Sol. Entre esas herramientas se encuentran las de documentación propias de Model ML, que crean archivos nativos de PowerPoint y Excel con fuentes verificables.

Model ML ayuda a los equipos financieros automatizando de principio a fin sus flujos de trabajo. A partir de unas instrucciones y material de referencia, el agente puede completar un encargo desde la investigación y la modelización hasta los materiales finales para clientes o equipos de operaciones. El profesional financiero revisa las hipótesis, las fuentes y el mensaje antes de compartir el trabajo.

Model ML denomina al producto «independiente de la interfaz». Un profesional financiero puede iniciar un encargo en el correo electrónico o en la aplicación de Model ML y continuarlo en sus complementos de Microsoft Office sin tener que explicarlo de nuevo.

Esa continuidad se extiende al trabajo final. 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 partir de una plantilla del cliente o de un libro en blanco, recopilar los datos necesarios, crear fórmulas y lógica en varias pestañas y aplicar después un formato financiero específico para 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 aplicada a los 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 completar 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 internacional, una ficha resumen personalizada que un analista tardaba alrededor de una hora en preparar ahora se completa en unos cinco minutos. En otro flujo de trabajo, los agentes de Model ML procesaron de una sola vez 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 financieros. Sus evaluaciones Composite siguen un encargo desde las instrucciones financieras iniciales, pasando por la investigación y los cálculos, hasta una presentación u hoja de cálculo editable; después comprueban 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, y 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 coherencia.

En conjunto, los resultados de Composite mostrados anteriormente aportaron a Model ML las pruebas necesarias para ampliar el uso de GPT‑5.6 Sol en producción, incluidos 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 un porcentaje de presentaciones completadas y listas para revisar superior al de Opus 5 y Fable 5, y utilizó alrededor 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 real», afirma Englander. «Las cifras se pueden rastrear, el libro se recalcula y la diapositiva es editable».

PowerPoint permitió a Model ML someter a GPT‑5.6 Sol a una prueba exigente para comprobar si estaba listo para el trabajo real. Una presentación puede parecer impecable y aun así fracasar en 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 del arnés de su agente, junto con herramientas de creación y edición de documentos que permiten al agente crear diapositivas con gráficos y tablas editables. Mientras trabaja, mantiene en contexto las instrucciones originales y después revisa visualmente cada diapositiva antes de devolver el archivo.

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

Actualmente, el arnés 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 centrado y le proporciona 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 planificaba el agente las presentaciones, seleccionaba herramientas y mantenía el contexto; después utilizaron sus conclusiones para perfeccionar las instrucciones del agente y decidir cuándo debía cargar cada conjunto de herramientas.

Los clientes de Model ML están adoptando resultados basados en navegador que permanecen conectados a los modelos y al material de referencia del que proceden.

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

«PowerPoint, Excel y Word se diseñaron para un mundo en el que generar trabajo intelectual era un proceso manual», afirma Englander. «La IA ha cambiado ese supuesto. El propio software está a punto de cambiar».