Terminal X : 88,6 % d’accord avec les investisseurs via GPT‑6.1

L’avantage concurrentiel d’une société d’investissement se construit opération après opération, mais le jugement qui sous-tend chaque décision réside généralement dans l’esprit de quelques investisseurs chevronnés. Lorsqu’ils partent, la société contracte ce que Terminal X⁠(ouverture dans une nouvelle fenêtre) appelle une dette mémorielle : elle conserve les documents, mais perd le raisonnement.

Le système d’exploitation Capital Memory de Terminal X est conçu pour résorber cette dette. Les ingénieurs de l’entreprise déployés chez les clients, anciens professionnels de la finance et de l’investissement chez JPMorgan et Blackstone, travaillent aux côtés de leurs équipes d’investissement. Ils conçoivent l’architecture agentique de chaque société et encodent sa façon d’investir dans des agents dont elle est propriétaire, déployés sur site ou dans son propre cloud.

Les modèles OpenAI, dont GPT‑6.1 Sol et GPT‑6 Luna, assurent le raisonnement au sein de ces agents. Et l’Eval Agent de Terminal X évalue les réponses des agents selon les critères de la société. GPT‑6.1 Sol a aidé l’Eval Agent à détecter environ 25 % de recommandations supplémentaires s’écartant du mandat d’un fonds et a exécuté les mêmes workflows à un coût par requête inférieur d’environ 30 % à celui du deuxième meilleur modèle.

Pour chaque client, Terminal X crée des agents conçus pour investir comme les meilleurs investisseurs de la société. Les ingénieurs de Terminal X passent plusieurs semaines chez le client pour reconstituer la logique de ses notes de référence et consigner des processus jamais documentés, par exemple la façon dont l’équipe crédit sélectionne un emprunteur ou les sources que l’équipe de co-investissement consulte avant de rédiger une note.

Ces processus sont ensuite encodés dans des centaines d’agents, personnalisés par classe d’actifs et par stratégie, avec des sous-agents pour chaque étape de l’investissement. GPT‑6.1 Sol prend en charge les étapes nécessitant du jugement et une très grande fenêtre de contexte : synthétiser la thèse d’investissement, dégager les points clés et évaluer l’adéquation avec le mandat de la société. GPT‑6 Luna exécute les étapes à fort volume où l’efficacité en matière de tokens prime sur la profondeur.

Les agents travaillent dans la data room privée de chaque société, un environnement dédié au partage et à la gestion des données d’investissement sensibles des entreprises. Les agents traitent des documents en anglais, en coréen, en japonais et en chinois, et enregistrent leurs acquis sous forme de mémoire d’entreprise : un historique versionné de la façon dont une équipe prend un type de décision, comprenant ses analyses passées, les décisions de ses comités, ses instructions de workflow et les positions de la société.

Les ingénieurs transforment chaque mémoire en workflow reproductible sur la plateforme de Terminal X, où chaque requête en production est auditable grâce à sa traçabilité complète : étapes suivies, sources récupérées, modèle utilisé et raisonnement.

Selon Terminal X, cette approche permet à ses clients de réaliser d’importantes économies. Une société de capital-investissement a ainsi déclaré 2,4 millions de dollars d’économies annualisées grâce à l’automatisation des workflows de due diligence et de rédaction de notes d’investissement.

Pour vérifier les réponses des agents au regard des exigences propres à chaque société, Terminal X a créé un Eval Agent. Il s’agit d’un workflow orchestré reposant sur GPT‑6.1 Sol et d’autres modèles OpenAI, conçu pour examiner chaque réponse d’agent comme un vice-président examine le travail d’un analyste.

L’Eval Agent vérifie chaque réponse selon une grille de 54 critères. Il vérifie : les chiffres, les comparables, les estimations du consensus et les citations proviennent-ils des bonnes sources ? L’argumentaire tient-il la route ? La recommandation est-elle cohérente avec la position de la société ?

Chaque vérification aboutit à une validation ou à un échec. Chaque échec est accompagné d’un motif en une ligne et d’une meilleure source ou d’un texte corrigé, puis devient une mémoire. Par exemple, une source oubliée, un comparable erroné ou une thèse qui s’écarte de la position de la société est encodé sous forme de nouvelle instruction de workflow ou de nouveau cas de test pour l’équipe concernée.

« Chaque réponse est évaluée, et chaque correction de l’analyste en apprend un peu plus au système sur le fonctionnement de cette société », explique Ken Lee, cofondateur et directeur technique de Terminal X. « Ainsi, plus une société l’utilise, plus il raisonne comme sa propre équipe. »

Terminal X choisit ses modèles en fonction de ses propres résultats d’évaluation. Sur 500 jugements évalués, son Eval Agent utilisant GPT‑6.1 Sol était d’accord avec l’évaluateur humain expérimenté dans 88,6 % des cas, contre 86,4 % pour le deuxième meilleur modèle, soit une amélioration de 220 points de base.

GPT‑6.1 Sol s’est notamment distingué dans la détection des dérives du style d’investissement. Par exemple, le mandat d’un fonds de rachat consiste à repérer des sociétés candidates à un retrait de la cote qui se négocient avec une décote sur leur actif net, à évaluer leur activité et à structurer le financement. Lorsque les modèles de scénarios suggèrent un retournement du marché, les dossiers commencent à recommander une position en dette en difficulté ou un financement de sauvetage. L’Eval Agent utilisant GPT‑6.1 Sol a détecté environ 25 % d’écarts de ce type de plus que le deuxième meilleur modèle.

L’efficacité de GPT‑6.1 Sol en matière de tokens sur les tâches à contexte long a permis à Terminal X de créer un workflow d’examen plus approfondi à budget constant. La thèse est d’abord confrontée au mandat du fonds, puis à ses opérations récentes. Les verdicts incertains font l’objet d’une nouvelle évaluation, et l’agent rapproche les résultats avant de rendre son rapport.

Cet examen approfondi a signalé des opérations qu’un modèle comparable avait validées en un seul passage. GPT‑6.1 Sol a également exécuté les mêmes workflows à un coût par requête inférieur d’environ 30 % à celui du deuxième meilleur modèle, à une vitesse similaire.

Grâce à GPT‑6.1 Sol et GPT‑6 Luna, Terminal X a créé 1 700 mémoires d’entreprise, exécuté plus d’un million de workflows personnalisés et atteint un nombre d’utilisateurs actifs hebdomadaires représentant 81 % de ses utilisateurs actifs mensuels.

La prochaine étape pour Terminal X est d’étendre les mémoires d’entreprise des équipes aux individus, afin de saisir les critères de chaque professionnel de l’investissement tels qu’il les applique, et pas seulement tels qu’il les décrit.

Pour Hyun, cofondateur et PDG de Terminal X, c’est tout l’enjeu : « Les sociétés qui réussiront dans la prochaine décennie seront celles qui détiendront leur jugement sous forme de données. Notre rôle est de rendre ce jugement mesurable, afin qu’il puisse être conservé, amélioré et réutilisé. »