Terminal X měří investiční úsudek: kontrolor na GPT-6.1 Sol se shodl se seniorem v 88,6 %

Startup Terminal X staví investičním firmám agenty, kteří mají uchovat úsudek jejich nejlepších lidí. Podle případové studie na blogu OpenAI se jeho kontrolní Eval Agent na GPT-6.1 Sol shodl se seniorním hodnotitelem v 88,6 % z 500 posouzení. Druhý nejlepší model dosáhl 86,4 %.

Terminal X rozkládá rozhodování fondu na stovky agentů a jednoho kontrolora

Terminal X pojmenovává problém jako „memory debt“. Když odejde seniorní investor, firmě zůstanou dokumenty, ale zmizí uvažování, které za nimi stálo. Terminal X proto posílá k zákazníkům forward-deployed inženýry, bývalé lidi z JPMorgan a Blackstone. Ti týdny sedí s investičními týmy, rozebírají jejich osvědčená memo a sepisují postupy, které nikdo nikdy nezapsal. Třeba jak úvěrový tým prověřuje dlužníka.

Z toho vznikají stovky agentů podle tříd aktiv a strategií. GPT-6.1 Sol dostává kroky, kde rozhoduje úsudek a dlouhý kontext: investiční tezi, hlavní rizika a soulad s mandátem fondu. Levnější GPT-6 Luna obsluhuje objemové kroky. Agenti běží v privátní data room zákazníka, on-premise nebo v jeho vlastním cloudu, a čtou dokumenty v angličtině, korejštině, japonštině a čínštině.

Výstupy kontroluje Eval Agent podle rubriky s 54 kritérii. Ptá se, jestli sedí čísla a zdroje, jestli drží argument a jestli doporučení odpovídá názoru firmy. Každé selhání dostane jednořádkové zdůvodnění s opravou a uloží se jako nová instrukce nebo test. S GPT-6.1 Sol zachytil kontrolor asi o 25 % víc odchylek od mandátu a podle firmy stál zhruba o 30 % méně na dotaz než další model v pořadí.

Pro fondy je cennější auditní stopa než samotná shoda

Číslo 88,6 % svádí ke čtení „AI investuje jako senior“. Měří ale něco užšího: jak často kontrolní agent vynesl stejný verdikt jako seniorní hodnotitel. I to má cenu. Fond, který dokáže ukázat, proč agent memo pustil dál a z jakých zdrojů čerpal, má v ruce záznam, který po něm budou chtít investoři i compliance.

Druhá rovina je obchodní. Terminal X neprodává model, prodává převod nezapsaných zkušeností do dat, která firma vlastní. Mění se tím i práce juniorních analytiků: každá jejich oprava se stává signálem, ze kterého se systém učí. Fond tak méně trpí odchodem jednotlivců, zato potřebuje dodavatele, který jeho Memory udrží aktuální.

Čísla pocházejí od dodavatele a druhý model zůstal bez jména

Jde o případovou studii, kterou zveřejnila OpenAI, tedy o text, na kterém mají zájem obě firmy. Všechna čísla jsou interní: 500 posouzení, rozdíl 220 bazických bodů a úspora 2,4 milionu dolarů ročně u jednoho private equity fondu. Studie neuvádí, který model skončil druhý, kolik seniorů hodnotilo ani jak se případy vybíraly. A shoda s hodnotitelem nic neříká o tom, jestli by doporučené obchody vydělaly.

Drift od mandátu, kdy fond na odkupy firem začne doporučovat distressed úvěry, je přesně chyba, kterou člověk přehlédne v pátek večer. Je dobře, že ji agent chytá častěji. Zbylých 11,4 % případů, kde se agent s člověkem rozešel, ale studie nerozebírá. Nevíme tedy, kdo měl v těch sporech pravdu.

Rozhodne první odchod partnera, jehož úsudek měl systém zachytit

Terminal X uvádí 1 700 firemních Memories, přes milion vlastních workflow a týdenní aktivní uživatele na úrovni 81 % měsíčních. Dalším krokem má být Memory pro jednotlivé investory, ne jen pro celé týmy. Skutečná zkouška přijde, až z některého zákaznického fondu odejde člověk, jehož úsudek měl systém uchovat, a jeho nástupce bude muset rozhodnout, jestli agentovi věří víc než vlastním poznámkám.

Přesvědčivější by byla nezávislá data: shoda s více hodnotiteli, rozbor neshod a srovnání s pojmenovanými modely. Dokud chybí, zůstává 88,6 % zajímavým číslem z prodejní prezentace.

Lilithin verdikt

Odcházející partner si z kanceláře odnese krabici s fotkami a Terminal X slibuje, že jeho úsudek zůstane na serveru fondu. Zatím ho ale přeměřil jen kontrolor na 500 případech a o zbylých 11,4 % sporů mlčí.