Model ML hjelper finansselskaper med å bygge med AI fra bunnen av

Executive Function-serien vår har perspektiver fra ledere som går i bresjen for AI-adopsjon.

Modell ML bygger AI-infrastruktur som forvandler måten ledende finansielle tjenester opererer på. Model MLs plattform har spesialbygde agenter og en applikasjon som automatiserer ende-til-ende-arbeidsflyt samt skreddersydd research og analyse. 

Vi snakket med administrerende direktør og medgründer Chaz Englander om hvordan finansfirmaer utvikler seg, og hvordan de siste fremskrittene innen AI automatiserer og strømlinjeformer driften deres.

Etter å ha solgt vårt siste selskap, innså broren min og jeg at vi ikke likte å investere, men ble svært opptatt av å automatisere investeringsprosessen gjennom GPT‑drevet funksjonskall.

Vi var et familiekontor på seks personer, men med GPT‑3.5‑drevne LLM-er føltes det som om vi hadde et team på 60 personer.

Vi bygde en prototype av Model ML for oss selv og hadde ikke planer om å kommersialisere den. Men da vi observerte gevinstene i innsikt og effektivitet ved å automatisere arbeidsflyten for research, forstod vi at vi var på rett spor.

Det er oppgaver som historisk sett har tatt dager, uker eller til og med måneder, og noen av dem kan nå gjøres på minutter eller timer. For eksempel tok det tidligere flere timer å lage kvartalsvise resultatoppsummeringer. Nå håndterer agenter hele prosessen: de henter dataene, formaterer lysbildene og publiserer en Powerpoint-presentasjon til SharePoint, alt uten menneskelig innblanding. Jeg tror det vil være det største skiftet vi ser i år: når du kommer inn om morgenen, så er arbeidet ditt allerede klart.

Det tvinger frem en revurdering av hvor mennesker tilfører verdi, og hvordan selskaper må omdefinere hvor team vil ha innvirkning både i dag og i fremtiden.

Vi ser at bedrifter flytter folk inn i roller med høyere verdi, basert på vurdering. Lederne for selskapene vi jobber med er, i det minste etter vår mening, de som tenker nytt om arkitekturen til hele organisasjonen med grunnlag i AI. Det er utrolig vanskelig, derfor må vi opptre som konsulenter tidlig i prosessen, hjelpe dem med å bestemme hvor AI er mest anvendelig i dag og også fremtidssikre hvor vi tror den vil ha størst innvirkning om tolv måneder. 

Vi ser at folk innen finansfirmaer er mer innflytelsesrike nå enn før. Med automatisering som tar seg av det tunge arbeidet, kan folk fokusere på relasjoner og strategisk tenkning. Firmaene som vinner, vil være de som tenker nytt om hele driftsstrukturen for å utnytte dette skiftet.

I finans er presisjon, overholdelse og tilpasning av arbeidsflyten ikke valgfritt – det er nødvendige betingelser. Det er nettopp i den spesifisiteten at generelle verktøy kommer til kort. Modell ML ble spesiallaget for finansielle tjenester fra dag én på to viktige nivåer.

Først, på agentlaget, har vi bygget og finjustert systemer spesielt for å analysere og samhandle med den typen data finansfagfolk bruker daglig, strukturerte og ustrukturerte, på tvers av verktøy som Sharepoint og vanlige datasett som Capital IQ, FactSet og Crunchbase. Dette kan være hundrevis av tabeller og 20 terabyte. For tolv måneder siden var det nesten umulig å bygge en agent basert på disse datasettene. De er ikke bare modeller som svarer på spørsmål – de er kontekstuelt bevisste, forstår skjemaer, skriver kode og henter informasjon fra mange terabyte med komplekse data. 

For det andre er det applikasjonslaget: grensesnittet som brukere samhandler med agenter i, som er spesialdesignet for finans. Det gir selskaper verktøyene de trenger for å bygge agenter som automatiserer ende-til-ende-arbeidsflyt og muliggjør analyser som tidligere var uoppnåelige. Når det gjelder bruksområder, ser vi dusinvis av nye bruksområder daglig, og vi er oppe i tusenvis av bruksområder. Mange av dem får kundene rett ut av esken når de registrerer seg.

Vi har sett betydelige endringer med hver nye modellutgivelse som vi har kanalisert til umiddelbare fordeler for kundene våre. Fremskrittene innen ting som resonnering og kodeferdigheter har sendt områder av produktet vårt til himmels. Nylig, med lanseringen av OpenAI-modellene o3‑pro, o3, o4-mini og GPT‑4.1, har vi sett dramatiske forbedringer innen resonnering, multimodale evner, følging av instruksjoner og verktøyintegrasjon. Med større kontekstvinduer og mer avanserte resonneringsevner, er vi nå i stand til å låse opp ende-til-ende-arbeidsflyt. Nå kan brukere sette sammen datainnsamling, analyse og oppretting av presentasjoner, og produsere fullt formaterte resultater helt automatisk. 

Jeg tror det mest grunnleggende skiftet som ligger foran oss, er fremveksten av automatisk ende-til-ende-arbeidsflyt, der systemene fungerer som kontrolltårn som overvåker en hær av digitale arbeidere. Når disse agentene tar på seg mer komplekse flertrinnsoppgaver i hele det digitale universet, vil selv brukergrensesnittet og måten vi samhandler med maskinvare på begynne å endre seg. Dette er sannsynligvis et skritt utover de neste tolv månedene, men det er dit vi er på vei.

Det som kommer nå er fremkomsten av virkelig autonome agenter som du kan bygge i produktet vårt. Agentene våre kan utføre sofistikert arbeidsflyt som samler inn, analyserer og presenterer data fra CRM-en din, e-poster, filer, eksterne dataleverandører, møtereferater med mer. Disse agentene vil ikke bare vente på instruksjoner – de vil forutse hva som må gjøres, enten det er syklisk (daglig, ukentlig, månedlig, kvartalsvis, årlig) eller utløst av virkelige hendelser, akkurat som du ville spørre en kollega etter et møte, eller som svar på en e-post.

Det virkelige skiftet er at denne arbeidsflyten vil kjøre ende-til-ende, automatisk, med grundig resonnement og orkestrering på tvers av alle systemene dine. Resultatet kan være så omfattende som en 100-siders PowerPoint-presentasjon, helt og holdent laget av maskinen – raskere, mer konsekvent og tilgjengelig døgnet rundt.

Dette er fremtiden: autonome digitale team som kjører arbeidsflyten som driver virksomheten din – bedre, raskere og alltid på.

Vi tror at AI-grunnlagte selskaper vil se strukturelt forskjellige ut. Færre lag, raskere sykluser, tettere tilbakemeldingssløyfer. Vi har tatt i bruk en flat struktur. Arnie [medgrunnleggeren min] og jeg har begge et tosifret antall direkte rapporter. Det høres kanskje sprøtt ut, men AI gjør det håndterbart. Alle personlige møter er AI-assistert. Notater, gjøremål, kontekst – alt er effektivisert. Det lar oss bevege oss raskere og holde oss nært produktet. Vi mener at det er slik moderne selskaper vil drives: mer som kontrolltårn enn som separate hierarkier.

En del av å være smidig er å satse på at økosystemet og de grunnleggende modellene blir bedre. Den virkelige nøkkelen, og kanskje dette er en del av gründermentaliteten og ingeniørorganisasjoner, er å ikke være følelsesmessig knyttet til koden din. Vi pleide å bygge alt selv: agentabstraksjoner, tjenestekoblinger, alt sammen. Hvis OpenAI eller open-source-fellesskapet leverer noe bedre – som OpenAIs Agent SDK eller MCP-koblinger – så plugger vi det bare inn og sletter koden vår. 

Vi har gått over til å bruke OpenAIs Agent SDK og MCP-verktøy for å håndtere agentløkker, verktøykall, sikringsmekanismer og integrasjoner, og vi har vært i stand til å gå videre med mindre vedlikehold for raskere innovasjon.

Vi prøver ikke å vinne ved å opprettholde infrastruktur. Vi prøver å vinne ved å levere verdi gjennom kunderesultater.

Modell ML bruker OpenAIs API-plattform, inkludert GPT‑4.1, OpenAI o3, og Agents SDK, til å drive agenter, automasjoner og interne verktøy.