Model ML optimise les travaux financiers avec GPT‑5.6 Sol

Avant qu’une analyse financière puisse être présentée à des clients ou à de hauts décisionnaires, les équipes doivent franchir une dernière étape exigeante : rapprocher les données probantes, créer et mettre en forme le fichier, vérifier chaque chiffre et relier chaque affirmation à sa source. La présentation PowerPoint ou le classeur Excel achevé doit être modifiable et prêt à être examiné.

Les frères et cofondateurs de Model ML, Arnie et Chaz Englander, ont constaté l’ampleur de ce travail lorsque, après avoir vendu avec succès deux entreprises, ils ont commencé à investir par l’intermédiaire d’un bureau de gestion de patrimoine familial privé et, comme le font les créateurs, à développer des logiciels pour répondre à leurs propres besoins.

Issus de ces logiciels, les agents de Model ML aident les professionnels de la finance à mener un flux de travail de la demande initiale jusqu’à la recherche, à l’analyse et à une présentation ou un classeur achevé. Au cœur du système, un agent principal planifie le travail, choisit les bons outils, rapproche les données probantes et effectue les calculs, en confiant chaque étape au modèle le mieux adapté, souvent GPT‑5.6 Sol. Parmi ces outils figurent ceux de Model ML pour les documents, qui créent des fichiers PowerPoint et Excel natifs dont les sources sont traçables.

Model ML aide les équipes financières en automatisant leurs flux de travail de bout en bout. À partir d’un mandat et de documents sources, l’agent peut mener une tâche de la recherche et de la modélisation jusqu’aux livrables destinés aux clients ou aux équipes responsables des transactions. Le professionnel de la finance vérifie les hypothèses, les sources et le message avant de transmettre le travail.

Model ML décrit son produit comme étant « indépendant de l’interface ». Un professionnel de la finance peut commencer une tâche par courriel ou dans l’application Model ML, puis la poursuivre dans ses plugiciels Microsoft Office sans avoir à la réexpliquer.

Cette continuité s’étend jusqu’au travail achevé. Pour une présentation destinée à un comité d’investissement, Model ML peut transformer un mandat et des documents sources en une présentation PowerPoint modifiable. Pour une tâche dans Excel, l’agent peut partir du modèle d’un client ou d’un classeur vide, recueillir les données requises, créer des formules et une logique dans plusieurs onglets, puis appliquer une mise en forme propre à la finance afin de produire une feuille de calcul ou un modèle financier complet.

Dans Composite, le référentiel d’évaluation de Model ML pour l’IA dans les services financiers, GPT‑5.6 Sol a utilisé 36 % moins de jetons par classeur qu’Opus 5 dans un flux de travail Excel.

En menant le travail jusqu’à cette dernière étape, l’agent peut aussi faire gagner du temps sur chaque livrable et aider les équipes à traiter de grands volumes de documents sources. Chez un gestionnaire d’actifs mondial, une fiche synthèse personnalisée qui demandait environ une heure de travail à un analyste ne prend maintenant qu’environ cinq minutes. Dans un autre flux de travail, les agents de Model ML ont traité en une seule fois des salles de données virtuelles contenant plus de 100 000 lignes et des centaines de fichiers.

Model ML a évalué GPT‑5.6 Sol aux côtés d’autres modèles de premier plan dans divers flux de travail financiers. Ses évaluations Composite suivent une tâche depuis le mandat financier initial, en passant par la recherche et les calculs, jusqu’à une présentation ou une feuille de calcul modifiable, puis vérifient les chiffres, les sources, les formules et la structure, ainsi que la qualité visuelle des présentations.

Pour PowerPoint, l’évaluation Composite de Model ML intègre de véritables flux de travail et porte sur des centaines de présentations générées, évaluées selon une grille de notation détaillée.

GPT‑5.6 Sol a terminé le flux de travail PowerPoint dans 100 % des cas de test, contre 76 % pour Opus 5, et a franchi le seuil de préparation professionnelle de Model ML — qui indique si le résultat était prêt pour un examen approfondi — dans 43,3 % des cas, contre 26,7 %. Il a également devancé Opus 5 pour la qualité des présentations, le respect du mandat, la hiérarchie et la cohérence.

Pris ensemble, les résultats Composite ci-dessus ont fourni à Model ML les données probantes nécessaires pour déployer plus largement GPT‑5.6 Sol en production, notamment dans certains flux de travail auparavant pris en charge par Opus 4.8. Pour les flux de travail PowerPoint, GPT‑5.6 Sol a allié une qualité de présentation concurrentielle à un taux supérieur de présentations achevées et prêtes à être examinées par rapport à Opus 5 et Fable 5, tout en utilisant environ 21 % moins de jetons que Fable 5.

« Être prêt pour un travail réel signifie que l’utilisateur peut passer directement à un véritable examen », explique Englander. « Les chiffres remontent à leur source, le classeur se recalcule et la diapositive est modifiable. »

PowerPoint a permis à Model ML de soumettre GPT‑5.6 Sol à un test exigeant pour déterminer s’il était prêt pour un travail réel. Une présentation peut sembler soignée et pourtant échouer à l’examen si ses chiffres sont erronés ou impossibles à retracer, si ses graphiques sont aplatis ou si ses diapositives doivent être recréées avant de pouvoir être transmises.

Model ML a exécuté le modèle dans son harnais d’agent, avec des outils de création et de modification de documents permettant à l’agent de créer des diapositives dotées de graphiques et de tableaux modifiables. Il conserve le mandat initial dans le contexte pendant son travail, puis examine visuellement chaque diapositive avant de retourner le fichier.

L’exemple ci-dessous montre comment les résultats PowerPoint de Model ML se sont améliorés entre GPT‑5.5 et GPT‑5.6 Sol, notamment grâce à une hiérarchie plus claire et à une conception plus uniforme des diapositives.

Aujourd’hui, le harnais de Model ML fournit à l’agent des trousses d’outils qu’il peut charger pour accéder aux intégrations de données, aux outils et compétences de modification de documents, ainsi qu’aux environnements d’exécution de code. Cela permet à l’agent de rester concentré et lui fournit exactement les outils nécessaires pour travailler avec les documents de l’utilisateur.

Model ML a mis au point cette configuration au cours de séances sur place avec OpenAI. Les équipes ont retracé la façon dont l’agent planifiait les présentations, sélectionnait les outils et maintenait le contexte, puis ont utilisé leurs constatations pour peaufiner les instructions de l’agent et décider du moment où chaque trousse d’outils devait être chargée.

Les clients de Model ML se tournent vers des résultats accessibles dans le navigateur qui restent liés aux modèles et aux documents sources qui les sous-tendent.

La plateforme de Model ML peut générer des résultats sécurisés et interactifs qui se mettent à jour continuellement ou peuvent être figés à un moment précis. Une personne chargée de l’examen pourrait ouvrir un résumé d’investissement, accéder au modèle financier qui sous-tend un chiffre et travailler avec l’agent à partir de la même page.

« PowerPoint, Excel et Word ont été conçus pour un monde où la création de travaux intellectuels était manuelle », explique Englander. « L’IA a changé cette prémisse. Le logiciel lui-même est sur le point de changer. »