Model ML helpt financiële instellingen bij het vanaf de basis opnieuw opbouwen met AI.

Onze Executive Function-serie laat perspectieven van leiders zien die vooroplopen bij de acceptatie van AI.

Model ML bouwt AI-infrastructuur die de werkwijze van toonaangevende financiële instellingen ingrijpend verandert. Het platform van Model ML beschikt over speciaal ontwikkelde agents en een applicatie die end-to-end workflows automatiseert, evenals onderzoek en analyse op maat. 

We spraken met CEO en medeoprichter Chaz Englander over hoe financiële instellingen zich ontwikkelen en hoe recente ontwikkelingen op het gebied van AI hun activiteiten automatiseren en stroomlijnen.

Na de verkoop van ons laatste bedrijf realiseerden mijn broer en ik ons dat we niet van investeren hielden, maar raakten we geobsedeerd door het automatiseren van het investeringsproces door middel van GPT‑aangedreven functie-aanroepen.

We waren een familiebedrijf met zes personen, maar met deze door GPT‑3.5 aangestuurde grote taalmodellen voelde het alsof we de slagkracht hadden van een team van 60 personen.

We hebben een prototype van Model ML voor onszelf gebouwd en waren niet van plan om het op de markt te brengen. Maar toen we eenmaal de voordelen en efficiëntie van het automatiseren van onderzoeksworkflows zagen, wisten we dat we iets bijzonders hadden ontdekt.

Er zijn taken die vroeger dagen, weken of zelfs maanden in beslag namen, en sommige daarvan kunnen nu in enkele minuten of uren worden uitgevoerd. Vroeger kostte het bijvoorbeeld uren om kwartaaloverzichten op te stellen. Nu voeren agents dit hele proces uit: ze halen de gegevens op, maken de dia's op en publiceren de PowerPoint op SharePoint, allemaal zonder menselijke tussenkomst. Ik denk dat dat de grootste verandering zal zijn die we dit jaar zullen zien... dat je 's ochtends binnenkomt en je werk al af is en klaarligt.

Dat dwingt ons om opnieuw na te denken over waar mensen waarde toevoegen en hoe bedrijven opnieuw moeten bepalen waar teams nu en in de toekomst impact kunnen hebben.

We zien dat bedrijven mensen overplaatsen naar functies met een hogere toegevoegde waarde, waarin ze hun oordeelsvermogen moeten gebruiken. De leiders van de bedrijven waarmee we samenwerken, zijn wat ons betreft degenen die de architectuur van de hele organisatie op een AI-native manier herzien. Het is ontzettend moeilijk, en daarom treden we al in een vroeg stadium op als adviseurs. We helpen hen te bepalen waar AI nu het beste toegepast kan worden en zorgen ervoor dat ze klaar zijn voor de toekomst, door te kijken waar AI volgens ons over 12 maanden het meest impact zal hebben. 

We zien dat de mensen binnen financiële instellingen nu meer invloed hebben, niet minder. Nu automatisering het zware werk overneemt, kunnen mensen zich concentreren op relaties en strategisch denken. De bedrijven die succesvol zullen zijn, zijn de bedrijven die hun hele bedrijfsstructuur herzien om van die verschuiving te profiteren.

In de financiële sector zijn nauwkeurigheid, naleving en workflow-compatibiliteit niet optioneel, maar vereist. Die specificiteit is waar algemeen inzetbare tools tekortschieten. Model ML is vanaf dag één speciaal gebouwd voor financiële dienstverlening op twee cruciale niveaus.

Ten eerste hebben we op de agentlaag systemen gebouwd en geoptimaliseerd die specifiek zijn gericht op het verwerken en benutten van de gegevens die financiële professionals dagelijks gebruiken, zowel gestructureerd als ongestructureerd, in tools zoals Sharepoint en gangbare datasets zoals Capital IQ, FactSet en Crunchbase, die honderden tabellen en 20 terabyte kunnen omvatten. Twaalf maanden geleden was het bijna onmogelijk om een agent te bouwen op basis van die datasets. Dit zijn niet zomaar modellen die vragen beantwoorden; ze zijn contextbewust, begrijpen schema's, schrijven code en halen informatie uit terabytes aan complexe gegevens. 

Ten tweede is er de applicatielaag: de interface waarmee gebruikers interactie hebben met agents, speciaal ontworpen voor de financiële sector. Het biedt bedrijven de tools om agents te bouwen die end-to-end workflows automatiseren en analyses mogelijk maken die voorheen onhaalbaar waren. Wat betreft usecases zien we dagelijks tientallen nieuwe usecases en zijn we inmiddels bij duizenden usecases aangekomen. Veel van deze usecases kunnen klanten direct gebruiken zodra ze zich aanmelden.

We hebben bij elke nieuwe modelrelease aanzienlijke veranderingen gezien die we hebben omgezet in directe voordelen voor onze klanten. De vooruitgang op het gebied van redeneren en programmeren heeft bepaalde aspecten van ons product tot ongekende hoogten gebracht. Met de recente release van de OpenAI o3‑pro‑, o3‑, o4-mini- en GPT‑4.1‑modellen hebben deze nieuwe modellen gezorgd voor aanzienlijke verbeteringen op het gebied van redeneren, multimodale mogelijkheden, het opvolgen van instructies en toolintegratie. Met grotere contextvensters en geavanceerdere redeneermogelijkheden kunnen we nu end-to-end workflows ontsluiten. Nu kunnen gebruikers taken voor het verzamelen, analyseren en presenteren van gegevens aan elkaar koppelen, waardoor volledig geformatteerde uitvoer volledig autonoom wordt geproduceerd. 

Ik denk dat de meest ingrijpende verandering die ons te wachten staat, de opkomst van end-to-end workflowautomatisering is, waarbij je systemen fungeren als controletorens die toezicht houden op een leger van digitale werknemers. Naarmate deze agents complexere, meerstaps-taken gaan uitvoeren in je hele digitale universum, zullen zelfs de gebruikersinterface en de manier waarop we met hardware omgaan beginnen te veranderen. Dit is waarschijnlijk wel een stap verder dan de komende 12 maanden, maar het is wel de richting die we opgaan.

Wat er nu gaat komen, is de opkomst van echt autonome agents die je in ons product kunt bouwen. Onze agents zijn in staat om verfijnde workflows uit te voeren die gegevens verzamelen, analyseren en presenteren uit je CRM, e-mails, bestanden, externe gegevensleveranciers, vergaderverslagen en meer. Deze agents wachten niet alleen op instructies, maar anticiperen op wat er moet gebeuren, of het nu cyclisch is (dagelijks, wekelijks, maandelijks, driemaandelijks, jaarlijks) of getriggerd wordt door gebeurtenissen in de echte wereld – net zoals je dat zou vragen aan een teamlid na een vergadering of in reactie op een e-mail.

De echte verandering is dat deze workflows end-to-end en automatisch zullen worden uitgevoerd, met diepgaande redeneringen en orkestratie tussen al je systemen. De uitvoer kan zo omvangrijk zijn als een PowerPoint-presentatie van 100 pagina's, volledig door een machine gemaakt – sneller, consistenter en 24/7 beschikbaar.

Dit is de toekomst: autonome digitale teams die de workflows beheren die je bedrijf aandrijven – beter, sneller en altijd beschikbaar.

Wij zijn van mening dat AI-native bedrijven er structureel anders uit zullen zien. Minder lagen, snellere cycli, strakkere feedbackloops. We hebben gekozen voor een platte structuur. Arnie [mijn medeoprichter] en ik hebben elk meer dan tien directe ondergeschikten. Dat klinkt misschien ingewikkeld, maar AI maakt het beheersbaar. Alle één-op-één-gesprekken worden ondersteund door AI. Notities, taken, context, alles is gestroomlijnd. Het stelt ons in staat om sneller te handelen en dicht bij het product te blijven. Wij denken dat moderne bedrijven zo zullen functioneren: meer als controletorens dan als gescheiden hiërarchieën.

Wendbaar zijn betekent ook vertrouwen hebben in het ecosysteem en fundamentele modellen die steeds beter worden. De echte sleutel, en misschien hoort dit bij de oprichter-mentaliteit en technische organisaties, is dat je niet emotioneel moet zijn over je code. Vroeger bouwden we alles zelf: agent-abstracties, serviceconnectoren, alles. Als OpenAI of de open-source community nu iets beters uitbrengt, zoals de Agent SDK of MCP-connectoren van OpenAI, hoeven we dat alleen te integreren en onze code te verwijderen. 

We zijn overgestapt op het gebruik van Agent SDK en MCP-tooling van OpenAI voor het afhandelen van agentloops, het aanroepen van tools, vangrails en integraties, waardoor we met minder onderhoud sneller kunnen innoveren.

We proberen niet succesvol te zijn door infrastructuur te onderhouden; we proberen succesvol te zijn door waarde te leveren via klantresultaten.

Model ML maakt gebruik van het API-platform van OpenAI, waaronder GPT‑4.1, OpenAI o3 en de Agents SDK, om diens agents, automatiseringen en interne tools aan te sturen.