Model ML hjälper finansföretag att skapa nya strukturer från grunden med hjälp av AI

I vår Executive Function-serie återger vi olika perspektiv från ledare som är tidigt ute med att införa AI.

Model ML bygger AI-infrastruktur som förändrar arbetssättet för ledande företag inom sektorn för finansiella tjänster. Model ML:s plattform inkluderar specialutvecklade agenter, en applikation som automatiserar heltäckande arbetsflöden samt skräddarsydd forskning och analys. 

Vi pratade med Chaz Englander, vd och medgrundare, om hur utvecklingen ser ut för finansföretag och på vilket sätt de senaste framstegen inom AI automatiserar och effektiviserar deras verksamhet.

När jag och min bror sålde vårt tidigare företag insåg vi att vi inte gillade att investera, utan att vi brann för att automatisera investeringsprocessen via GPT‑styrda funktionsanrop.

Vi hade ett litet kontor med sex personer, men med dessa GPT‑3.5‑drivna LLM:er kändes det som att vi hade samma kapacitet som ett team med 60 personer.

Vi byggde en prototyp av Model ML för eget bruk och hade inga planer på att kommersialisera den. Men när vi förstod vilka insikter som kunde inhämtas och vilken effektivitet som uppstod när vi automatiserade arbetsflöden för forskning visste vi att vi var inne på rätt spår.

Det finns uppgifter som det tidigare tog dagar, veckor eller till och med månader att utföra. Nu kan de göras på några minuter eller timmar. Tidigare tog det exempelvis flera timmar att ta fram sammanfattningar av kvartalsrapporter. Nu sköter agenter hela processen: de hämtar data, formaterar bilderna och publicerar PowerPoint-filen i SharePoint, utan något mänskligt ingripande. Jag tror att det kommer att vara den största omställningen som vi ser i år… att man kommer in på morgonen och jobbet är redan klart.

Det innebär att man måste tänka nytt kring var människor tillför värde och att företagen måste hitta nya områden där teamen kan påverka, både idag och i framtiden.

Vi ser att företag flyttar över medarbetare till omdömesbaserade roller som skapar högre värde. Cheferna för de företag vi arbetar med är – åtminstone anser vi det – de som tänker nytt kring hela organisationens arkitektur, med AI som grund. Det här är oerhört svårt och därför fungerar vi som konsulter i ett tidigt skede och hjälper dem att fastställa var AI gör störst nytta idag. Vi hjälper också till att framtidssäkra områdena där vi tror att AI kommer att ha störst effekt inom 12 månader. 

Vi märker att finansföretagens medarbetare får större betydelse, inte mindre. När det repetitiva arbetet automatiseras kan människor fokusera på relationer och strategiskt tänkande. De företag som går vinnande ur den här utvecklingen är de som tänker nytt kring hela sin operativa struktur så att de kan utnyttja denna omställning.

Inom finanssektorn är korrekthet, efterlevnad och anpassning till arbetsflödet inget man kan välja bort – det är grundläggande krav. Därför är verktyg för allmänna ändamål inte tillräckligt specifika. Model ML specialutvecklades redan från början för finansiella tjänster på två kritiska nivåer.

För det första har vi på agentnivån utvecklat och finjusterat system för att de specifikt ska kunna analysera och interagera med de typer av data som medarbetare inom finansbranschen använder varje dag, strukturerade och ostrukturerade, i olika verktyg som Sharepoint, och vanliga dataset som Capital IQ, FactSet och Crunchbase, som kan bestå av hundratals tabeller och 20 terabyte. För 12 månader sedan var det nästan omöjligt att bygga en agent ovanpå dessa dataset. Det här är inte modeller som bara besvarar frågor – de är också kontextuellt medvetna, förstår scheman, skriver kod och hämtar information från många terabyte av komplexa data. 

För det andra finns det ett applikationslager: det gränssnitt genom vilket användarna interagerar med agenter och som är specifikt utformat för finanssektorn. Det förser företagen med de verktyg som krävs för att utveckla agenter som automatiserar heltäckande arbetsflöden och möjliggör analyser som tidigare var otänkbara. När det gäller användningsfall ser vi tiotals nya användningsfall varje dag och det finns nu totalt tusentals användningsfall. En stor del av dem får kunderna direkt tillgång till när de registrerar sig.

Vi har sett stora stegvisa förändringar med varje ny modellversion och de har vi omvandlat till direkta fördelar för våra kunder. Framsteg på områden som resonemangs- och kodningskapacitet har fått delar av vår produkt att utvecklas enormt snabbt. Den senaste tidens lanseringar av modellerna OpenAI o3‑pro, o3, o4-mini och GPT‑4.1 har medfört dramatiska förbättringar av resonemang, multimodala funktioner och verktygsintegration, samt att de är bättre på att följa instruktioner. Med större kontextfönster och mer avancerade resonemangsfunktioner kan vi nu lansera heltäckande arbetsflöden. Nu kan användarna kombinera uppgifter som datainsamling, analys och skapande av presentationer som ger färdigformaterade resultat helt autonomt. 

Jag tror att den mest genomgripande omställning som väntar är utvecklingen inom heltäckande automatisering av arbetsflöden, där systemen fungerar som kontrolltorn som övervakar en armé av digitala arbetare. I takt med att de här agenterna tar sig an mer komplexa uppgifter med flera steg inom hela vårt digitala universum kommer också användargränssnittet och vårt sätt att interagera med maskinvaran att börja förändras. Det kommer sannolikt att ta lite längre tid än 12 månader, men vi är på väg i den riktningen.

Det som kommer härnäst är verkligt autonoma agenter som man kan bygga in i vår produkt. Våra agenter kan utföra sofistikerade arbetsflöden som samlar in, analyserar och presenterar data från CRM, e-postmeddelanden, externa dataleverantörer, mötestranskriptioner och mycket annat. De här agenterna behöver inte vänta på instruktioner, utan de förutser vad som behöver göras, oavsett om det är cykliskt (varje dag, vecka, månad, kvartal eller år) eller utlöst av verkliga händelser – det fungerar precis som om du skulle be en teammedlem utföra samma uppgift efter ett möte eller svara på ett e-postmeddelande.

Den verkliga omställningen handlar om att dessa arbetsflöden utförs på ett heltäckande och automatiskt sätt, med djupa resonemang och samordning mellan alla system. Resultat kan vara så omfattande som en PowerPoint-fil på 100 sidor, som helt och hållet skapats av en maskin – det går bara snabbare, blir mer enhetligt och är tillgängligt dygnet runt.

Så ser framtiden ut: autonoma digitala team som utför arbetsflödena inom ditt företag – de är bättre, snabbare och alltid tillgängliga.

Vi menar att AI-baserade företag kommer att ha en annan struktur. Färre nivåer, snabbare cykler, kortare återkopplingsflöden. Vi arbetar med en platt struktur. Arnie [min medgrundare] och jag har båda ett tvåsiffrigt antal medarbetare som rapporterar direkt till oss. Det kan låta mycket, men med AI blir det hanterbart. Alla medarbetarsamtal är AI-stödda. Anteckningar, att-göra-listor – allt är effektiviserat. Det gör att vi kan agera snabbare och hålla oss nära produkten. Vi menar att det är så moderna företag kommer att drivas: mer som kontrolltorn än som separata hierarkier.

Utgångspunkten för ett agilt arbetssätt måste vara att ekosystemet och grundmodellerna blir bättre. Det som är avgörande – och kanske avspeglar detta vår erfarenhet som grundare av teknikorganisationer – är att man inte har någon känslomässig relation till sin kod. Tidigare byggde vi allt själva: agentabstraktioner, sammanlänkningar av tjänster, alltihop. Om OpenAI eller den community som utvecklar öppen källkod levererar något som är bättre – som OpenAI:s Agent SDK eller MCP-sammanlänkningar – använder vi oss av det och raderar vår kod. 

Vi har gått över till att använda OpenAI:s Agent SDK och MCP-verktyg för att hantera agentloops, verktygsanrop, skyddsräcken och integrationer, och vi har kunnat gå vidare med mindre underhåll – och ökad innovationstakt.

Vi försöker inte nå framgång genom att underhålla en infrastruktur, utan genom att leverera värde via kundresultat.

Model ML använder OpenAI:s API-plattform, inklusive GPT‑4.1, OpenAI o3 och Agents SDK, för att driva sina agenter, automatiseringar och interna verktyg.