Model ML otimiza trabalho financeiro com GPT‑5.6 Sol

Antes de uma análise financeira poder ser apresentada a clientes ou decisores seniores, as equipas têm de superar uma última etapa exigente: conciliar dados, criar e formatar o ficheiro, verificar todos os números e associar cada afirmação à respetiva fonte. A apresentação final do PowerPoint ou o livro do Excel tem de ser editável e estar pronto para análise.

Os irmãos Arnie e Chaz Englander, cofundadores da Model ML, perceberam o trabalho que isso exigia quando, após duas saídas bem-sucedidas, começaram a investir através de um family office privado e, como é habitual entre criadores, desenvolveram software para uso próprio.

Nascidos desse software, os agentes da Model ML ajudam os profissionais de finanças a executar um fluxo de trabalho desde o pedido inicial, passando pela pesquisa e análise, até à apresentação ou ao livro final. No centro, um agente principal planeia o trabalho, seleciona as ferramentas certas, concilia os dados e efetua cálculos, encaminhando cada etapa para o modelo mais adequado, que muitas vezes é o GPT‑5.6 Sol. Entre essas ferramentas estão as soluções documentais próprias da Model ML, que criam ficheiros nativos do PowerPoint e do Excel com fontes rastreáveis.

A Model ML ajuda as equipas financeiras automatizando integralmente os fluxos de trabalho financeiros. A partir de um briefing e de materiais de referência, o agente consegue conduzir uma tarefa desde a pesquisa e modelação até aos materiais finais para clientes ou equipas responsáveis por transações. O profissional de finanças verifica os pressupostos, as fontes e a mensagem antes de partilhar o trabalho.

A Model ML descreve o produto como «independente da interface». Um profissional de finanças pode iniciar uma tarefa por e-mail ou na aplicação Model ML e continuá-la nos respetivos plug-ins do Microsoft Office sem ter de voltar a explicá-la.

Essa continuidade estende-se ao trabalho final. Para uma apresentação destinada a um comité de investimento, a Model ML consegue transformar um briefing e materiais de referência num PowerPoint editável. Numa tarefa do Excel, o agente pode começar com um modelo do cliente ou um livro em branco, recolher os dados necessários, criar fórmulas e lógica em vários separadores e, depois, aplicar formatação específica da área financeira para produzir uma folha de cálculo completa ou um modelo financeiro.

No Composite da Model ML, o benchmark de avaliação da empresa para IA nos serviços financeiros, o GPT‑5.6 Sol utilizou menos 36% de tokens por livro do que o Opus 5 num fluxo de trabalho do Excel.

Ao concluir essa última etapa, o agente também poupa tempo em cada entrega e ajuda as equipas a processar grandes volumes de materiais de referência. Numa gestora de ativos global, uma ficha informativa personalizada que demorava cerca de uma hora a ser preparada por um analista passou a demorar cerca de cinco minutos. Noutro fluxo de trabalho, os agentes da Model ML processaram, de uma só vez, salas de dados virtuais com mais de 100 000 linhas e centenas de ficheiros.

A Model ML avaliou o GPT‑5.6 Sol juntamente com outros modelos de referência em vários fluxos de trabalho financeiros. As avaliações do Composite acompanham uma tarefa desde o briefing financeiro inicial, passando pela pesquisa e pelos cálculos, até uma apresentação ou folha de cálculo editável. Depois, verificam os números, as fontes, as fórmulas e a estrutura, bem como a qualidade visual das apresentações.

No PowerPoint, a avaliação Composite da Model ML incorpora fluxos de trabalho reais e abrange centenas de apresentações geradas, com uma grelha de pontuação detalhada.

O GPT‑5.6 Sol concluiu o fluxo de trabalho do PowerPoint em 100% dos casos de teste, contra 76% do Opus 5. Além disso, ultrapassou o limiar de preparação profissional da Model ML — que mede se o resultado estava pronto para uma análise aprofundada — em 43,3% dos casos, contra 26,7%. Também superou o Opus 5 na qualidade das apresentações, no cumprimento do briefing, na hierarquia e na consistência.

Em conjunto, os resultados do Composite apresentados acima deram à Model ML provas para alargar a utilização do GPT‑5.6 Sol em produção, incluindo em alguns fluxos de trabalho anteriormente assegurados pelo Opus 4.8. Nos fluxos de trabalho do PowerPoint, o GPT‑5.6 Sol combinou uma qualidade competitiva com uma taxa superior de apresentações concluídas e prontas para análise face ao Opus 5 e ao Fable 5, utilizando cerca de menos 21% de tokens do que o Fable 5.

«Estar pronto para trabalho real significa que o utilizador pode avançar diretamente para uma análise real», afirma Englander. «É possível rastrear os números, o livro recalcula os valores e o diapositivo é editável.»

O PowerPoint proporcionou à Model ML um teste exigente para determinar se o GPT‑5.6 Sol estava pronto para trabalho real. Uma apresentação pode parecer aperfeiçoada e ainda assim falhar na análise se os números estiverem errados ou não forem rastreáveis, se os gráficos estiverem convertidos em imagens ou se for necessário refazer os diapositivos antes da partilha.

A Model ML executou o modelo no seu harness de agente, em conjunto com ferramentas de criação e edição de documentos que permitem ao agente criar diapositivos com gráficos e tabelas editáveis. Durante o trabalho, mantém o briefing original em contexto e, antes de devolver o ficheiro, analisa visualmente todos os diapositivos.

O exemplo abaixo mostra como o resultado da Model ML no PowerPoint melhorou do GPT‑5.5 para o GPT‑5.6 Sol, incluindo uma hierarquia mais clara e um design de diapositivos mais consistente.

Atualmente, o harness da Model ML fornece ao agente conjuntos de ferramentas que este pode carregar para aceder a integrações de dados, ferramentas e competências de edição de documentos e ambientes de execução de código. Isto mantém o agente concentrado e dá-lhe exatamente as ferramentas necessárias para trabalhar com os documentos do utilizador.

A Model ML chegou a esta configuração através de sessões presenciais com a OpenAI. As equipas analisaram como o agente planeava apresentações, selecionava ferramentas e mantinha o contexto. Depois, usaram as conclusões para aperfeiçoar as instruções do agente e decidir quando carregar cada conjunto de ferramentas.

Os clientes da Model ML estão a adotar resultados baseados no browser que permanecem ligados aos modelos e aos materiais de referência subjacentes.

A plataforma da Model ML consegue gerar resultados seguros e interativos, que podem ser atualizados continuamente ou fixados num determinado momento. Um revisor poderia abrir um resumo de investimento, aceder ao modelo financeiro subjacente a um valor e trabalhar com o agente na mesma página.

«O PowerPoint, o Excel e o Word foram concebidos para um mundo em que a produção de trabalho intelectual era manual», afirma Englander. «A IA alterou esse pressuposto. O próprio software está prestes a mudar.»