A Model ML hatékonyabb pénzügyi munkát végez GPT‑5.6 Sollal

Mielőtt egy pénzügyi elemzést be lehetne mutatni az ügyfeleknek vagy a vezető döntéshozóknak, a csapatoknak végig kell vinniük az utolsó, nagy erőfeszítést igénylő szakaszon: össze kell vetniük a bizonyítékokat, létre kell hozniuk és formázniuk kell a fájlt, ellenőrizniük kell minden számot, és minden állítást hozzá kell kapcsolniuk a forrásához. A kész PowerPoint-prezentációnak vagy Excel-munkafüzetnek szerkeszthetőnek és alapos ellenőrzésre késznek kell lennie.

A Model ML társalapítói, a testvérpár Arnie és Chaz Englander két sikeres kiszállás után egy családi vagyonkezelőn keresztül kezdett befektetni. Ekkor látták meg, mennyi munkát igényel mindez, és fejlesztőkhöz híven saját munkájukat segítő szoftvert építettek.

Az ebből a szoftverből kinőtt Model ML ügynökei a kezdeti kéréstől a kutatáson és elemzésen át egészen a kész prezentációig vagy munkafüzetig támogatják a pénzügyi szakemberek munkafolyamatait. A központi ügynök megtervezi a munkát, kiválasztja a megfelelő eszközöket, összeveti a bizonyítékokat és elvégzi a számításokat, majd minden lépést az arra legalkalmasabb modellhez irányít – ez gyakran a GPT‑5.6 Sol. Ezek közé tartoznak a Model ML saját dokumentumkezelő eszközei is, amelyek visszakövethető forrásokkal ellátott, natív PowerPoint- és Excel-fájlokat hoznak létre.

A Model ML a pénzügyi munkafolyamatok teljes körű automatizálásával segíti a pénzügyi csapatokat. Egy feladatleírás és a forrásanyagok alapján az ügynök a kutatástól és modellezéstől egészen az ügyfeleknek vagy tranzakciós csapatoknak szánt kész anyagokig viheti a megbízást. A pénzügyi szakember a munka megosztása előtt ellenőrzi a feltételezéseket, a forrásokat és az üzenetet.

A Model ML „felületfüggetlennek” nevezi a terméket. A pénzügyi szakember e-mailben vagy a Model ML alkalmazásában indíthat el egy feladatot, majd a Microsoft Office-bővítményekben folytathatja anélkül, hogy újra el kellene magyaráznia.

Ez a folytonosság a kész munkában is megmarad. Egy befektetési bizottságnak szánt prezentáció esetén a Model ML a feladatleírásból és a forrásanyagokból szerkeszthető PowerPointot készíthet. Excel-feladatnál az ügynök kiindulhat egy ügyfélsablonból vagy üres munkafüzetből, összegyűjtheti a szükséges adatokat, képleteket és logikát építhet fel több munkalapon, majd pénzügyi formázással teljes táblázatot vagy pénzügyi modellt hozhat létre.

A Model ML pénzügyi szolgáltatásokban használt MI-t mérő Composite értékelési referenciaértékében a GPT‑5.6 Sol munkafüzetenként 36%-kal kevesebb tokent használt fel egy Excel-munkafolyamatban, mint az Opus 5.

Azzal, hogy a munkát ezen az utolsó szakaszon is végigviszi, az ügynök időt takaríthat meg az egyes anyagok elkészítésénél, és nagy mennyiségű forrásanyag feldolgozásában is segítheti a csapatokat. Egy globális vagyonkezelőnél az elemző által korábban körülbelül egy óra alatt összeállított egyedi összefoglaló adatlap most nagyjából öt perc alatt készül el. Egy másik munkafolyamatban a Model ML ügynökei egyetlen menetben dolgoztak fel több mint 100 000 sort és több száz fájlt tartalmazó virtuális adatszobákat.

A Model ML számos pénzügyi munkafolyamatban értékelte a GPT‑5.6 Solt más vezető modellek mellett. A Composite értékelések a kezdeti pénzügyi feladatleírástól a kutatáson és számításokon át a szerkeszthető prezentációig vagy táblázatig követik a megbízást, majd ellenőrzik a számokat, forrásokat, képleteket és struktúrát, valamint prezentációknál a vizuális minőséget is.

A PowerPoint esetében a Model ML Composite értékelése valós munkafolyamatokra épül, több száz létrehozott prezentációt ölel fel, és részletes pontozási szempontrendszert alkalmaz.

A GPT‑5.6 Sol a tesztesetek 100%-ában befejezte a PowerPoint-munkafolyamatot, szemben az Opus 5 76%-ával. A Model ML szakmai használatra való alkalmasságot mérő küszöbét – vagyis hogy a kimenet készen állt-e az érdemi ellenőrzésre – az esetek 43,3%-ában érte el, míg az Opus 5 26,7%-ban. A prezentációk minősége, a feladatleírás követése, a hierarchia és a következetesség terén is megelőzte az Opus 5-öt.

A fent bemutatott Composite-eredmények együttesen kellő bizonyítékot adtak a Model ML számára ahhoz, hogy szélesebb körben vezesse be a GPT‑5.6 Solt az éles működésbe, többek között néhány, korábban az Opus 4.8 által kezelt munkafolyamatban. A PowerPoint-munkafolyamatokban a GPT‑5.6 Sol versenyképes prezentációs minőséget nyújtott, az Opus 5-nél és a Fable 5-nél nagyobb arányban készített el ellenőrzésre kész prezentációkat, és körülbelül 21%-kal kevesebb tokent használt fel, mint a Fable 5.

„A valódi munkára való alkalmasság azt jelenti, hogy a felhasználó azonnal elkezdheti az érdemi ellenőrzést” – mondja Englander. „A számok visszakövethetők, a munkafüzet újraszámolható, a dia pedig szerkeszthető.”

A PowerPoint komoly próba elé állította a Model ML-t annak eldöntésében, hogy a GPT‑5.6 Sol készen áll-e a valódi munkára. Egy prezentáció lehet látványos, mégis elbukhat az ellenőrzésen, ha a számai hibásak vagy nem visszakövethetők, a diagramjai nem szerkeszthetők, vagy a diákat újra kell építeni a megosztás előtt.

A Model ML a saját ügynöki végrehajtási környezetében futtatta a modellt, dokumentumkészítő és -szerkesztő eszközökkel párosítva, amelyekkel az ügynök szerkeszthető grafikonokat és táblázatokat tartalmazó diákat hozhat létre. Munka közben megőrzi az eredeti feladatleírást a kontextusban, majd a fájl visszaadása előtt minden diát vizuálisan is ellenőriz.

Az alábbi példa bemutatja, hogyan javult a Model ML PowerPoint-kimenete a GPT‑5.5‑ről a GPT‑5.6 Solra váltva, többek között az áttekinthetőbb hierarchia és az egységesebb diakialakítás révén.

A Model ML végrehajtási környezete ma betölthető eszközkészleteket biztosít az ügynöknek, amelyekkel adatintegrációkat, dokumentumszerkesztő eszközöket és képességeket, valamint kódfuttatási környezeteket érhet el. Így az ügynök a feladatra összpontosíthat, és pontosan azokat az eszközöket kapja meg, amelyekre a felhasználó dokumentumainak kezeléséhez szüksége van.

A Model ML az OpenAI-jal közösen tartott helyszíni munkamenetek során alakította ki ezt a rendszert. A csapatok feltérképezték, hogyan tervezi meg az ügynök a prezentációkat, hogyan választ eszközöket és hogyan őrzi meg a kontextust. Az eredmények alapján finomították az ügynök utasításait, és meghatározták, mikor töltse be az egyes eszközkészleteket.

A Model ML ügyfelei egyre inkább olyan böngészőalapú kimeneteket használnak, amelyek kapcsolatban maradnak a mögöttük álló modellekkel és forrásanyagokkal.

A Model ML platformja biztonságos, interaktív kimeneteket hozhat létre, amelyek folyamatosan frissülhetnek, vagy egy adott időpontra rögzíthetők. Az ellenőrzést végző személy megnyithat egy befektetési összefoglalót, átléphet az egyik adat mögötti pénzügyi modellhez, és ugyanazon az oldalon dolgozhat együtt az ügynökkel.

„A PowerPointot, az Excelt és a Wordöt egy olyan világra tervezték, amelyben a szellemi munka eredményeit kézzel állították elő” – mondja Englander. „Az MI megváltoztatta ezt az alapfeltevést. Most maga a szoftver is átalakul.”