Model ML rondt financieel werk efficiënter af met GPT‑5.6 Sol

Voordat een financiële analyse aan klanten of senior besluitvormers kan worden gepresenteerd, moeten teams nog een veeleisende laatste fase doorlopen: bewijsmateriaal op elkaar afstemmen, het bestand opbouwen en opmaken, elk cijfer controleren en elke bewering aan de bron koppelen. De voltooide PowerPoint-presentatie of Excel-werkmap moet bewerkbaar zijn en klaar voor kritische beoordeling.

Medeoprichters en broers Arnie en Chaz Englander zagen hoeveel werk daarvoor nodig was toen ze na twee succesvolle exits via een eigen family office gingen investeren en, zoals bouwers dat doen, software voor zichzelf begonnen te ontwikkelen.

De agents van Model ML zijn uit die software voortgekomen en helpen financiële professionals een workflow uit te voeren van de eerste aanvraag tot onderzoek, analyse en een voltooide presentatie of werkmap. Centraal staat een kernagent die het werk plant, de juiste tools selecteert, bewijsmateriaal op elkaar afstemt en berekeningen uitvoert. Elke stap wordt toegewezen aan het model dat er het meest geschikt voor is, vaak GPT‑5.6 Sol. Een van die tools is de eigen documenttooling van Model ML, waarmee native PowerPoint- en Excel-bestanden met traceerbare bronnen worden gemaakt.

Model ML helpt financiële teams door financiële workflows van begin tot eind te automatiseren. Op basis van een briefing en bronmateriaal kan de agent een opdracht uitvoeren, van onderzoek en modellering tot afgewerkte materialen voor klanten of dealteams. De financiële professional controleert de aannames, bronnen en boodschap voordat het werk wordt gedeeld.

Model ML noemt het product "interface-onafhankelijk". Een financiële professional kan een opdracht starten via e-mail of in de Model ML-app en deze zonder verdere uitleg voortzetten in de Microsoft Office-invoegtoepassingen.

Die continuïteit loopt door tot in het eindresultaat. Voor een presentatie aan een investeringscomité kan Model ML een briefing en bronmateriaal omzetten in een bewerkbare PowerPoint-presentatie. Voor een Excel-taak kan de agent beginnen met een klantsjabloon of lege werkmap, de benodigde gegevens verzamelen, formules en logica over meerdere tabbladen opbouwen en vervolgens financiële opmaak toepassen om een volledig spreadsheet of financieel model te produceren.

In Composite, de evaluatiebenchmark van Model ML voor AI in de financiële dienstverlening, gebruikte GPT‑5.6 Sol in een Excel-workflow 36% minder tokens per werkmap dan Opus 5.

Door ook die laatste fase uit te voeren, kan de agent tijd besparen op afzonderlijke resultaten en teams helpen grote hoeveelheden bronmateriaal te verwerken. Bij een wereldwijde vermogensbeheerder duurt het maken van een maatwerkfactsheet nu ongeveer vijf minuten, terwijl een analist daar voorheen circa een uur voor nodig had. In een andere workflow verwerkten agents van Model ML in één keer virtuele datarooms met meer dan 100.000 rijen en honderden bestanden.

Model ML evalueerde GPT‑5.6 Sol naast andere toonaangevende modellen in uiteenlopende financiële workflows. De Composite-evaluaties volgen een opdracht vanaf de eerste financiële briefing, via onderzoek en berekeningen, tot een bewerkbare presentatie of spreadsheet. Vervolgens worden de cijfers, bronnen, formules en structuur gecontroleerd, evenals de visuele kwaliteit van presentaties.

Voor PowerPoint omvat de Composite-evaluatie van Model ML echte workflows en honderden gegenereerde presentaties, beoordeeld aan de hand van gedetailleerde criteria.

GPT‑5.6 Sol voltooide de PowerPoint-workflow in 100% van de testgevallen, tegenover 76% voor Opus 5. Ook passeerde het model in 43,3% van de gevallen de drempel van Model ML voor professionele inzetbaarheid, die meet of de output klaar was voor inhoudelijke beoordeling, tegenover 26,7%. Het presteerde ook beter dan Opus 5 op presentatiekwaliteit, naleving van de briefing, hiërarchie en consistentie.

Alles bij elkaar gaven de bovenstaande Composite-resultaten Model ML voldoende bewijs om GPT‑5.6 Sol breder in productie in te zetten, ook voor enkele workflows die eerder door Opus 4.8 werden afgehandeld. In PowerPoint-workflows combineerde GPT‑5.6 Sol een concurrerende presentatiekwaliteit met een hoger percentage voltooide, beoordelingsklare presentaties dan Opus 5 en Fable 5, terwijl het ongeveer 21% minder tokens gebruikte dan Fable 5.

"Klaar voor echt werk betekent dat de gebruiker meteen met de echte beoordeling kan beginnen", zegt Englander. "De cijfers zijn herleidbaar, de werkmap wordt opnieuw berekend en de dia is bewerkbaar."

PowerPoint vormde voor Model ML een veeleisende test om te bepalen of GPT‑5.6 Sol klaar was voor echt werk. Een presentatie kan er verzorgd uitzien en toch worden afgekeurd als de cijfers onjuist of niet traceerbaar zijn, grafieken niet meer bewerkbaar zijn of dia's opnieuw moeten worden opgebouwd voordat ze kunnen worden gedeeld.

Model ML liet het model binnen zijn agent-harness draaien, in combinatie met tools voor het maken en bewerken van documenten waarmee de agent dia's met bewerkbare grafieken en tabellen kan maken. Tijdens het werk houdt de agent de oorspronkelijke briefing in de context en controleert vervolgens elke dia visueel voordat het bestand wordt opgeleverd.

Het onderstaande voorbeeld laat zien hoe de PowerPoint-output van Model ML verbeterde van GPT‑5.5 naar GPT‑5.6 Sol, onder meer met een duidelijkere hiërarchie en een consistenter diaontwerp.

De harness van Model ML biedt de agent nu toolkits die kunnen worden geladen voor toegang tot gegevensintegraties, tools en vaardigheden voor documentbewerking en omgevingen voor code-uitvoering. Zo blijft de agent gefocust en krijgt deze precies de tools die nodig zijn om met de documenten van de gebruiker te werken.

Model ML kwam tot deze opzet tijdens sessies op locatie met OpenAI. De teams brachten in kaart hoe de agent presentaties plande, tools selecteerde en de context behield. Met die inzichten verfijnden ze vervolgens de instructies voor de agent en bepaalden ze wanneer elke toolkit moest worden geladen.

Klanten van Model ML stappen over op browsergebaseerde output die verbonden blijft met de onderliggende modellen en het bronmateriaal.

Het platform van Model ML kan veilige, interactieve output genereren die voortdurend kan worden bijgewerkt of op een bepaald moment kan worden vastgezet. Een beoordelaar kan een investeringssamenvatting openen, doorklikken naar het financiële model achter een cijfer en vanaf dezelfde pagina met de agent werken.

"PowerPoint, Excel en Word zijn ontworpen voor een wereld waarin kenniswerk handmatig werd uitgevoerd", zegt Englander. "AI heeft dat uitgangspunt veranderd. De software zelf staat nu op het punt te veranderen."