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 responsables, les équipes doivent franchir une dernière étape exigeante : rapprocher les éléments probants, créer et mettre en forme le fichier, vérifier chaque chiffre et relier chaque affirmation à sa source. La présentation PowerPoint ou le classeur Excel final doit être modifiable et prêt à être examiné.

Les cofondateurs de Model ML, les frères Arnie et Chaz Englander, ont mesuré l’ampleur de ce travail lorsqu’après avoir réussi deux cessions, ils ont commencé à investir par l’intermédiaire d’un family office privé et, en véritables créateurs, à développer un logiciel pour répondre à leurs propres besoins.

Issus de ce logiciel, les agents de Model ML aident les professionnels de la finance à mener un processus de bout en bout, de la demande initiale à la présentation ou au classeur final, en passant par la recherche et l’analyse. Au cœur du système, un agent central planifie le travail, sélectionne les bons outils, rapproche les éléments probants et effectue les calculs, en confiant chaque étape au modèle le mieux adapté, souvent GPT‑5.6 Sol. Parmi ces outils figure la propre suite documentaire de Model ML, qui crée des fichiers PowerPoint et Excel natifs avec des sources traçables.

Model ML aide les équipes financières en automatisant intégralement leurs processus. À partir d’un brief et de documents sources, l’agent peut mener une mission de la recherche et de la modélisation jusqu’aux livrables destinés aux clients ou aux équipes chargées des transactions. Le professionnel de la finance vérifie les hypothèses, les sources et le message avant de partager le travail.

Model ML qualifie son produit d’« indépendant de l’interface ». Un professionnel de la finance peut commencer une mission par e-mail ou dans l’application Model ML, puis la poursuivre dans ses modules complémentaires Microsoft Office sans devoir fournir de nouvelles explications.

Cette continuité s’étend jusqu’au livrable final. Pour une présentation destinée à un comité d’investissement, Model ML peut transformer un brief et des documents sources en un PowerPoint modifiable. Pour une tâche Excel, l’agent peut partir d’un modèle client ou d’un classeur vierge, recueillir les données requises, créer des formules et une logique sur 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 benchmark de Model ML consacré à l’évaluation de l’IA dans les services financiers, GPT‑5.6 Sol a utilisé 36 % de jetons en moins par classeur qu’Opus 5 dans un processus 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, la création d’une fiche synthétique sur mesure, qui prenait environ une heure à un analyste, ne demande plus qu’environ cinq minutes. Dans un autre processus, les agents de Model ML ont traité en un seul passage des data rooms 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 processus financiers. Ses évaluations Composite suivent une mission depuis le brief financier initial jusqu’à une présentation ou une feuille de calcul modifiable, en passant par la recherche et les calculs. Elles vérifient ensuite 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 des processus réels et porte sur des centaines de présentations générées, avec une grille de notation détaillée.

GPT‑5.6 Sol a terminé le processus PowerPoint dans 100 % des cas de test, contre 76 % pour Opus 5. Il a également franchi le seuil de qualité professionnelle de Model ML, qui mesure 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 brief, la hiérarchie et la cohérence.

Pris dans leur ensemble, les résultats Composite présentés ci-dessus ont fourni à Model ML les éléments nécessaires pour étendre l’utilisation de GPT‑5.6 Sol en production, notamment à certains processus auparavant gérés par Opus 4.8. Pour les processus PowerPoint, GPT‑5.6 Sol a associé une qualité de présentation compétitive à un taux de présentations terminées et prêtes à être examinées supérieur à ceux d’Opus 5 et de Fable 5, tout en utilisant environ 21 % de jetons en moins que Fable 5.

« Être prêt pour un travail réel signifie que l’utilisateur peut passer directement à un véritable examen », explique Englander. « Les chiffres sont traçables, 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 intraçables, si ses graphiques sont aplatis ou si ses diapositives doivent être recréées avant de pouvoir être partagées.

Model ML a exécuté le modèle dans son harnais d’agent, associé à des outils de création et de modification de documents permettant à l’agent de créer des diapositives comportant des graphiques et tableaux modifiables. Pendant son travail, il conserve le brief initial dans le contexte, puis examine visuellement chaque diapositive avant de renvoyer le fichier.

L’exemple ci-dessous montre comment le résultat PowerPoint de Model ML s’est amélioré entre GPT‑5.5 et GPT‑5.6 Sol, notamment grâce à une hiérarchie plus claire et à une conception plus cohérente des diapositives.

Aujourd’hui, le harnais de Model ML fournit à l’agent des boîtes à 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. L’agent reste ainsi concentré et dispose exactement des outils dont il a besoin pour travailler avec les documents de l’utilisateur.

Model ML est parvenu à cette configuration lors de sessions sur site avec OpenAI. Les équipes ont analysé la manière dont l’agent planifiait les présentations, sélectionnait les outils et conservait le contexte. Elles ont ensuite utilisé ces conclusions pour affiner ses instructions et déterminer quand charger chaque boîte à outils.

Les clients de Model ML s’orientent vers des résultats accessibles dans le navigateur, qui restent connectés aux modèles et aux documents sources sous-jacents.

La plateforme de Model ML peut générer des résultats sécurisés et interactifs, actualisables en continu ou figés à un instant donné. Un réviseur pourrait ouvrir une synthèse d’investissement, accéder au modèle financier étayant un chiffre d’un simple clic et travailler avec l’agent depuis la même page.

« PowerPoint, Excel et Word ont été conçus pour un monde où la production de travaux intellectuels était manuelle », explique Englander. « L’IA a remis en cause ce postulat. Le logiciel lui-même est sur le point de changer. »