Terminal X ตัดสินตรงนักลงทุนอาวุโส 88.6% ด้วย GPT‑6.1

ความได้เปรียบของบริษัทลงทุนสั่งสมมาจากการทำธุรกรรมทีละดีล แต่หลักคิดเบื้องหลังการตัดสินใจแต่ละครั้งมักอยู่ในหัวของนักลงทุนอาวุโสเพียงไม่กี่คน เมื่อคนเหล่านั้นจากไป บริษัทก็ต้องแบกรับสิ่งที่ Terminal X⁠(เปิดในหน้าต่างใหม่) เรียกว่า “หนี้ความจำ” นั่นคือบริษัทยังเก็บเอกสารไว้ได้ แต่สูญเสียการให้เหตุผลเบื้องหลังไป

ระบบปฏิบัติการ Capital Memory ของ Terminal X ออกแบบมาเพื่อลดหนี้ก้อนนี้ วิศวกรของบริษัทที่เข้าไปทำงานกับลูกค้าโดยตรง ซึ่งเคยเป็นผู้เชี่ยวชาญด้านการเงินและการลงทุนที่ JPMorgan และ Blackstone จะทำงานร่วมกับทีมลงทุนของลูกค้าแต่ละราย ออกแบบสถาปัตยกรรมเอเจนต์ของบริษัท และนำวิธีลงทุนของบริษัทมาสร้างเป็นเอเจนต์ที่บริษัทเป็นเจ้าของ โดยติดตั้งใช้งานในองค์กรหรือบนคลาวด์ของบริษัทเอง

โมเดลของ OpenAI รวมถึง GPT‑6.1 Sol และ GPT‑6 Luna ทำหน้าที่ด้านการให้เหตุผลภายในเอเจนต์เหล่านั้น ส่วน Eval Agent ของ Terminal X จะให้คะแนนผลลัพธ์ของเอเจนต์ตามมาตรฐานของบริษัท GPT‑6.1 Sol ช่วยให้ Eval Agent ตรวจพบคำแนะนำที่เบี่ยงเบนจากกรอบนโยบายกองทุนได้มากขึ้นราว 25% และดำเนินเวิร์กโฟลว์เดียวกันด้วยต้นทุนต่อคำขอต่ำกว่าโมเดลที่ดีที่สุดรองลงมาประมาณ 30%

Terminal X สร้างเอเจนต์สำหรับลูกค้าแต่ละราย โดยออกแบบให้ลงทุนในแบบเดียวกับนักลงทุนที่เก่งที่สุดของบริษัทนั้น วิศวกรของ Terminal X ใช้เวลาหลายสัปดาห์ทำงานที่สำนักงานของลูกค้า เพื่อย้อนรอยวิธีคิดจากบันทึกเสนอการลงทุนที่บริษัทเชื่อถือ และเก็บกระบวนการที่ไม่เคยบันทึกเป็นลายลักษณ์อักษร เช่น วิธีที่ทีมสินเชื่อคัดกรองผู้กู้ หรือแหล่งข้อมูลที่ทีมร่วมลงทุนใช้ก่อนจัดทำบันทึก

จากนั้นจึงนำกระบวนการเหล่านั้นมาสร้างเป็นเอเจนต์หลายร้อยตัว ปรับแต่งตามประเภทสินทรัพย์และกลยุทธ์ พร้อมเอเจนต์ย่อยสำหรับแต่ละขั้นตอนการลงทุน GPT‑6.1 Sol รับผิดชอบขั้นตอนที่ต้องใช้วิจารณญาณและหน้าต่างบริบทขนาดใหญ่มาก ได้แก่ การสังเคราะห์แนวคิดการลงทุน การระบุประเด็นสำคัญที่ต้องพิจารณา และการประเมินความสอดคล้องกับกรอบนโยบายของบริษัท GPT‑6 Luna รับผิดชอบขั้นตอนที่มีงานปริมาณมาก ซึ่งประสิทธิภาพการใช้ Token สำคัญกว่าความลึกของการวิเคราะห์

เอเจนต์ทำงานภายในห้องข้อมูลส่วนตัวของแต่ละบริษัท ซึ่งเป็นสภาพแวดล้อมเฉพาะสำหรับให้องค์กรแบ่งปันและจัดการข้อมูลการลงทุนที่ละเอียดอ่อน เอเจนต์ประมวลผลเอกสารภาษาอังกฤษ เกาหลี ญี่ปุ่น และจีน แล้วเก็บสิ่งที่เรียนรู้เป็นความจำของบริษัท ซึ่งเป็นบันทึกที่มีการจัดเก็บเวอร์ชัน ระบุว่าทีมหนึ่งตัดสินใจเรื่องประเภทหนึ่งอย่างไร โดยรวมทั้งบทวิเคราะห์ในอดีต มติของคณะกรรมการ คำสั่งในเวิร์กโฟลว์ และมุมมองการลงทุนของบริษัท

วิศวกรแปลงความจำแต่ละรายการเป็นเวิร์กโฟลว์ที่ทำซ้ำได้บนแพลตฟอร์มของ Terminal X โดยทุกคำขอในการใช้งานจริงสามารถตรวจสอบย้อนหลังได้ครบถ้วน ทั้งขั้นตอนที่ดำเนินการ แหล่งข้อมูลที่ดึงมา โมเดลที่ใช้ และการให้เหตุผล

Terminal X ระบุว่าแนวทางนี้ช่วยให้ลูกค้าประหยัดต้นทุนได้อย่างมาก โดยบริษัทไพรเวทอิควิตี้รายหนึ่งรายงานว่าประหยัดได้คิดเป็น 2.4 ล้านดอลลาร์ต่อปี จากเวิร์กโฟลว์อัตโนมัติสำหรับการตรวจสอบสถานะกิจการและการจัดทำบันทึกเสนอการลงทุน

Terminal X สร้าง Eval Agent ขึ้นเพื่อตรวจสอบคำตอบของเอเจนต์ตามมาตรฐานของแต่ละบริษัท นี่คือเวิร์กโฟลว์ที่ประสานการทำงานของ GPT‑6.1 Sol และโมเดลอื่นๆ ของ OpenAI โดยออกแบบให้อ่านผลลัพธ์ทุกชิ้นจากเอเจนต์ในแบบที่ผู้บริหารระดับ VP อ่านงานของนักวิเคราะห์

Eval Agent ตรวจสอบผลลัพธ์แต่ละชิ้นตามเกณฑ์ประเมิน 54 ข้อ โดยตั้งคำถามว่า ตัวเลข ข้อมูลบริษัทเทียบเคียง ตัวเลขคาดการณ์เฉลี่ยของนักวิเคราะห์ และข้อความอ้างอิง มาจากแหล่งข้อมูลที่ถูกต้องหรือไม่ เนื้อหาที่นำเสนอมีเหตุผลรองรับหรือไม่ คำแนะนำสอดคล้องกับมุมมองการลงทุนของบริษัทหรือไม่

การตรวจสอบแต่ละข้อจะให้ผลว่าผ่านหรือไม่ผ่าน ทุกข้อที่ไม่ผ่านจะมีเหตุผลหนึ่งบรรทัด พร้อมแหล่งข้อมูลที่ดีกว่าหรือข้อความที่แก้ไขแล้ว และถูกบันทึกเป็นความจำ ตัวอย่างเช่น แหล่งข้อมูลที่ตกหล่น บริษัทเทียบเคียงที่เลือกผิด หรือแนวคิดการลงทุนที่เบี่ยงเบนจากมุมมองของบริษัท จะถูกแปลงเป็นคำสั่งใหม่ในเวิร์กโฟลว์หรือกรณีทดสอบใหม่สำหรับทีมนั้น

“ทุกคำตอบจะได้รับการประเมิน และทุกสิ่งที่นักวิเคราะห์แก้ไขจะช่วยสอนให้ระบบรู้มากขึ้นอีกนิดว่าบริษัทนั้นทำงานอย่างไร” Ken Lee ผู้ร่วมก่อตั้งและ CTO ของ Terminal X กล่าว “ดังนั้น ยิ่งบริษัทใช้ระบบนานเท่าไร ระบบก็ยิ่งคิดเหมือนทีมของบริษัทมากขึ้นเท่านั้น”

Terminal X เลือกโมเดลตามผลการประเมินของตนเอง จากการตัดสินที่นำมาประเมิน 500 ครั้ง Eval Agent ที่ใช้ GPT‑6.1 Sol ให้ผลตรงกับผู้ตรวจสอบอาวุโสที่เป็นมนุษย์ 88.6% เทียบกับ 86.4% สำหรับโมเดลที่ดีที่สุดรองลงมา ซึ่งเพิ่มขึ้น 220 เบสิสพอยต์

ข้อผิดพลาดประเภทหนึ่งที่ GPT‑6.1 Sol ตรวจจับได้ดีกว่าคือการเบี่ยงเบนจากแนวทางการลงทุน ตัวอย่างเช่น กองทุนซื้อกิจการมีกรอบนโยบายให้ค้นหาบริษัทที่ซื้อขายต่ำกว่ามูลค่าทรัพย์สินสุทธิ (NAV) เพื่อซื้อและนำออกจากตลาดหลักทรัพย์ ประเมินธุรกิจเพื่อรับความเสี่ยงในการลงทุน และจัดโครงสร้างเงินทุน เมื่อแบบจำลองสถานการณ์บ่งชี้ว่าตลาดจะเปลี่ยนทิศ ข้อเสนอการลงทุนกลับเริ่มแนะนำให้ลงทุนในหนี้ของกิจการที่ประสบปัญหาหรือให้เงินทุนช่วยเหลือกิจการ Eval Agent ที่ใช้ GPT‑6.1 Sol ตรวจพบการเบี่ยงเบนเหล่านี้ได้มากกว่าโมเดลที่ดีที่สุดรองลงมาราว 25%

ประสิทธิภาพการใช้ Token ของ GPT‑6.1 Sol ในงานที่มีบริบทยาว ช่วยให้ Terminal X สร้างเวิร์กโฟลว์การตรวจสอบที่ลงลึกกว่าเดิมได้ภายในงบประมาณเท่าเดิม ระบบจะตรวจสอบแนวคิดการลงทุนกับกรอบนโยบายกองทุนก่อน แล้วจึงเทียบกับดีลล่าสุดของกองทุน หากผลการตัดสินยังไม่แน่ชัด ระบบจะประเมินซ้ำ และเอเจนต์จะพิจารณาผลทั้งหมดให้ได้ข้อสรุปที่สอดคล้องกันก่อนรายงาน

การตรวจสอบที่ลงลึกขึ้นนี้ช่วยระบุดีลที่มีปัญหา ซึ่งโมเดลระดับใกล้เคียงกันเคยปล่อยผ่านจากการตรวจเพียงรอบเดียว GPT‑6.1 Sol ยังดำเนินเวิร์กโฟลว์เดียวกันด้วยต้นทุนต่อคำขอต่ำกว่าโมเดลที่ดีที่สุดรองลงมาราว 30% โดยมีความเร็วใกล้เคียงกัน

ด้วย GPT‑6.1 Sol และ GPT‑6 Luna ทาง Terminal X ได้สร้างความจำระดับบริษัท 1,700 รายการ ดำเนินเวิร์กโฟลว์ที่ปรับแต่งเฉพาะมากกว่า 1 ล้านครั้ง และมีจำนวนผู้ใช้งานประจำสัปดาห์คิดเป็น 81% ของผู้ใช้งานประจำเดือน

ขั้นต่อไปของ Terminal X คือการขยายความจำของบริษัทจากระดับทีมสู่ระดับบุคคล เพื่อบันทึกมาตรฐานของผู้เชี่ยวชาญด้านการลงทุนแต่ละคนตามการปฏิบัติจริง ไม่ใช่เพียงตามคำอธิบาย

สำหรับ Hyun ผู้ร่วมก่อตั้งและ CEO ของ Terminal X นี่คือหัวใจสำคัญ: “บริษัทที่จะชนะในทศวรรษหน้าคือบริษัทที่มีหลักคิดในการตัดสินใจของตนเองเก็บไว้ในรูปของข้อมูล หน้าที่ของเราคือทำให้การใช้วิจารณญาณนั้นวัดผลได้ เพื่อให้เก็บรักษา ปรับปรุง และนำกลับมาใช้ใหม่ได้”