Franklin Templeton buduje AI inwestycyjne na kontekście, nie tylko na modelu

Franklin Templeton wykorzystuje Codex i inne narzędzia do budowy warstwy, która ma łączyć dane wewnętrzne z kontekstem analiz inwestycyjnych. Studium przypadku OpenAI pokazuje też, że zespół nadal przekłada eksperymenty na produkcyjne workflow.

Sama baza danych nie odpowiadała na pytania zespołów inwestycyjnych

Pierwsza próba polegała na podłączeniu modeli do danych w bazie. Według opublikowanego opisu odpowiedzi były niewystarczające, bo modele nie rozumiały relacji między danymi. Zespół dodał więc agentów i warstwę semantyczną opisującą znaczenie danych oraz ich powiązania.

Prace zaczynają się od analiz akcji. Celem jest zestawienie dla zarządzających portfelami perspektyw researchu, ryzyka, compliance i tradingu. Codex jest jednym z kilku używanych narzędzi, także podczas wewnętrznych hackathonów łączących ekspertów technicznych z praktykami inwestycyjnymi.

Wartość leży w łączeniu ocen, a nie w szybszym streszczaniu

Franklin Templeton opisuje dotychczasowy proces jako prowadzony przez ludzi i sekwencyjny. Analityk przegląda rozmowy wynikowe, konkurentów i wstępną analizę spółki, zanim przedstawi pomysł lub zaktualizuje opinię o pozycji. AI ma zebrać te dane wcześniej.

Trudność tkwi w wewnętrznym znaczeniu danych. Ogólny model potrafi streścić dokument. Znacznie trudniej ustalić, które liczby należą do tej samej tezy inwestycyjnej, kto może je zobaczyć i jak porównać stanowiska researchu oraz ryzyka. Ta warstwa zdecyduje, czy system wesprze osąd, czy tylko wygładzi notatkę.

Opis nie podaje jeszcze miar trafności ani wpływu

OpenAI nie publikuje danych o oszczędności czasu, trafności odpowiedzi, liczbie użytkowników ani wpływie na wyniki portfela. Tekst mówi o ambicji, rozwijanych workflow i drodze do produkcji. Bez tych miar trudno odróżnić użyteczny system od dobrze prowadzonego pilota.

Finanse wymagają też więcej niż ciekawej odpowiedzi. Firma wspomina o przeglądzie bezpieczeństwa, wsparciu ekspertów i kontroli danych, ale nie opisuje cytowań, audytu, uprawnień ani rozstrzygania sprzeczności między źródłami. Właśnie tam płynny tekst staje się odpowiedzialnością instytucji.

Przejście z hackathonu do audytowanej rutyny rozstrzygnie wynik

Kolejne ważne sygnały to metryki produkcyjne: liczba obsłużonych zadań, częstość korekt analityków i możliwość prześledzenia każdego wyniku do dozwolonego źródła. Rozszerzenie poza analizy akcji będzie wartościowe tylko wtedy, gdy kontrole pozostaną skuteczne.

Franklin Templeton wcześniej ogłaszał inne partnerstwa AI. Praktyka pokaże, czy narzędzia utworzą jedną zarządzaną warstwę, czy kilka nakładających się dróg do tych samych danych.

Werdykt Lilith

Model może przeczytać stos raportów. Odpowiedzialność inwestycyjna zaczyna się wtedy, gdy każde zdanie wskazuje właściwy dokument, uprawnienie i człowieka gotowego się pod nim podpisać.