Model ML finans işlerini GPT‑5.6 Sol ile verimli tamamlıyor

Finansal analiz müşterilere veya üst düzey karar vericilere sunulmadan önce ekiplerin zorlu bir son aşamayı tamamlaması gerekir: kanıtları uzlaştırmak, dosyayı oluşturup biçimlendirmek, her sayıyı kontrol etmek ve her iddiayı kaynağına bağlamak. Tamamlanan PowerPoint sunumunun veya Excel çalışma kitabının düzenlenebilir ve incelemeye hazır olması gerekir.

Model ML'nin kurucu ortakları ve kardeşler Arnie ile Chaz Englander, iki başarılı şirket satışının ardından özel bir aile ofisi üzerinden yatırım yapmaya ve her geliştirici gibi kendi ihtiyaçları için yazılım geliştirmeye başladıklarında bunun ne kadar emek gerektirdiğini gördü.

Bu yazılımdan doğan Model ML ajanları, finans uzmanlarının ilk talepten araştırma ve analize, oradan da tamamlanmış bir sunum veya çalışma kitabına uzanan iş akışını yürütmesine yardımcı oluyor. Merkezdeki ana ajan işi planlıyor, doğru araçları seçiyor, kanıtları uzlaştırıyor ve hesaplamaları yapıyor; her adımı, çoğu zaman GPT‑5.6 Sol olan, o işe en uygun modele yönlendiriyor. Bu araçlar arasında, kaynakları izlenebilen yerel PowerPoint ve Excel dosyaları oluşturan Model ML'nin kendi belge araçları da bulunuyor.

Model ML, finans iş akışlarını baştan sona otomatikleştirerek finans ekiplerine yardımcı oluyor. Ajan, bir özet ve kaynak materyallerden yola çıkarak görevi araştırma ve modelleme aşamalarından geçirip müşteriler veya anlaşma ekipleri için tamamlanmış materyallere dönüştürebiliyor. Finans uzmanı, çalışmayı paylaşmadan önce varsayımları, kaynakları ve mesajı kontrol ediyor.

Model ML, ürünü “arayüzden bağımsız” olarak tanımlıyor. Bir finans uzmanı görevi e-postada veya Model ML uygulamasında başlatıp yeniden açıklamak zorunda kalmadan Microsoft Office eklentilerinde sürdürebiliyor.

Bu süreklilik tamamlanan çalışmaya da yansıyor. Model ML, bir yatırım komitesi sunumu için özet ve kaynak materyalleri düzenlenebilir bir PowerPoint'e dönüştürebiliyor. Ajan, bir Excel görevine müşteri şablonuyla veya boş bir çalışma kitabıyla başlayabiliyor; gerekli verileri toplayıp birden çok sekmede formüller ve mantık oluşturabiliyor, ardından finansa özgü biçimlendirme uygulayarak eksiksiz bir elektronik tablo ya da finansal model hazırlayabiliyor.

Şirketin finansal hizmetlerde yapay zekâya yönelik değerlendirme ölçütü olan Model ML Composite'te GPT‑5.6 Sol, bir Excel iş akışında çalışma kitabı başına Opus 5'ten %36 daha az token kullandı.

Ajan, işi bu son aşamaya kadar yürüterek tek tek çıktılarda zaman kazandırabiliyor ve ekiplerin büyük hacimli kaynak materyalleri işlemesine yardımcı olabiliyor. Küresel bir varlık yönetim şirketinde, bir analistin hazırlaması yaklaşık bir saat süren özel bir özet rapor artık yaklaşık beş dakikada tamamlanıyor. Başka bir iş akışında Model ML ajanları, 100.000'den fazla satır ve yüzlerce dosya içeren sanal veri odalarını tek geçişte işledi.

Model ML, GPT‑5.6 Sol'u çeşitli finans iş akışlarında diğer önde gelen modellerle birlikte değerlendirdi. Composite değerlendirmeleri, ilk finans özetinden araştırma ve hesaplamalara, ardından düzenlenebilir bir sunum veya elektronik tabloya kadar görevi izliyor; sonrasında sayıları, kaynakları, formülleri ve yapıyı, sunumlarda ise görsel kaliteyi de kontrol ediyor.

Model ML'nin PowerPoint'e yönelik Composite değerlendirmesi, gerçek iş akışlarını içeriyor ve ayrıntılı bir puanlama ölçeğiyle oluşturulan yüzlerce sunumu kapsıyor.

GPT‑5.6 Sol, PowerPoint iş akışını testlerin %100'ünde tamamlarken Opus 5'te bu oran %76 oldu. Çıktının kapsamlı incelemeye hazır olup olmadığını ölçen Model ML profesyonel kullanıma hazır olma eşiğini ise vakaların %43,3'ünde geçti; Opus 5'te bu oran %26,7'ydi. Ayrıca sunum kalitesi, özete bağlılık, hiyerarşi ve tutarlılıkta Opus 5'i geride bıraktı.

Yukarıda gösterilen Composite sonuçları bir bütün olarak Model ML'ye, daha önce Opus 4.8 tarafından yürütülen bazı iş akışları da dâhil olmak üzere GPT‑5.6 Sol'un üretimdeki kullanımını genişletmek için gereken kanıtı sağladı. PowerPoint iş akışlarında GPT‑5.6 Sol, rekabetçi sunum kalitesini Opus 5 ve Fable 5'ten daha yüksek tamamlanmış ve incelemeye hazır sunum oranıyla birleştirirken Fable 5'ten yaklaşık %21 daha az token kullandı.

Englander, “Gerçek işe hazır olmak, kullanıcının doğrudan gerçek incelemeye geçebilmesi demektir,” diyor. “Sayıların kaynağı izlenebilir, çalışma kitabı yeniden hesaplanır, slayt düzenlenebilir.”

PowerPoint, GPT‑5.6 Sol'un gerçek işe hazır olup olmadığını görmek için Model ML'ye zorlu bir test sundu. Bir sunum özenli görünebilir ancak sayıları yanlış veya izlenemezse, grafikleri düzleştirilmişse ya da slaytlarının paylaşılmadan önce yeniden oluşturulması gerekiyorsa incelemede başarısız olabilir.

Model ML, modeli ajan düzeneği içinde çalıştırdı ve ajanı düzenlenebilir grafikler ile tablolar içeren slaytlar oluşturmasını sağlayan belge oluşturma ve düzenleme araçlarıyla donattı. Çalışırken ilk özeti bağlamda tutuyor, ardından dosyayı sunmadan önce her slaydı görsel olarak inceliyor.

Aşağıdaki örnek, daha net bir hiyerarşi ve daha tutarlı slayt tasarımı dâhil olmak üzere Model ML'nin PowerPoint çıktısının GPT‑5.5'ten GPT‑5.6 Sol'a nasıl geliştiğini gösteriyor.

Bugün Model ML'nin düzeneği, ajana veri entegrasyonlarına, belge düzenleme araçları ve becerilerine, ayrıca kod yürütme ortamlarına erişmek için yükleyebileceği araç setleri sağlıyor. Bu yaklaşım, ajanın odağını koruyor ve kullanıcı belgeleriyle çalışmak için tam olarak ihtiyaç duyduğu araçları sunuyor.

Model ML bu yapıya OpenAI ile yapılan yerinde çalışma oturumları sonucunda ulaştı. Ekipler ajanın sunumları nasıl planladığını, araçları nasıl seçtiğini ve bağlamı nasıl koruduğunu izledi; ardından bu bulgulardan yararlanarak ajanın talimatlarını geliştirdi ve her araç setinin ne zaman yüklenmesi gerektiğine karar verdi.

Model ML müşterileri, arkalarındaki modeller ve kaynak materyallerle bağlantısını koruyan tarayıcı tabanlı çıktılara yöneliyor.

Model ML platformu, sürekli güncellenebilen veya belirli bir ana sabitlenebilen güvenli ve etkileşimli çıktılar oluşturabiliyor. Bir incelemeci yatırım özetini açabilir, bir rakamın arkasındaki finansal modele tıklayarak ulaşabilir ve aynı sayfada ajanla çalışabilir.

Englander, “PowerPoint, Excel ve Word, bilgi üretiminin elle yapıldığı bir dünya için tasarlandı,” diyor. “Yapay zekâ bu varsayımı değiştirdi. Şimdi yazılımın kendisi değişmek üzere.”