Terminal X mide el criterio inversor: su revisor con GPT-6.1 Sol coincide con un sénior el 88,6 % de las veces

La startup Terminal X construye agentes para firmas de inversión que deben retener dentro de la empresa el criterio de sus mejores profesionales. Según un caso de estudio publicado en el blog de OpenAI, su Eval Agent con GPT-6.1 Sol coincidió con un revisor humano sénior en el 88,6 % de 500 evaluaciones. El siguiente mejor modelo llegó al 86,4 %.

Terminal X divide las decisiones de un fondo en cientos de agentes y un revisor

Terminal X llama al problema «memory debt». Cuando se marcha un inversor sénior, la firma conserva los documentos pero pierde el razonamiento que había detrás. Por eso envía a sus clientes ingenieros forward-deployed, antiguos profesionales de JPMorgan y Blackstone, que pasan semanas con los equipos de inversión. Desmontan los memos de referencia y ponen por escrito procesos que nadie había documentado, como la forma en que el equipo de crédito analiza a un prestatario.

El resultado son cientos de agentes organizados por clase de activo y estrategia. GPT-6.1 Sol se encarga de los pasos que exigen criterio y contexto largo: la tesis de inversión, los riesgos clave y el encaje con el mandato del fondo. El más barato GPT-6 Luna ejecuta los pasos de gran volumen. Los agentes trabajan dentro del data room privado del cliente, on-premise o en su propia nube, y leen documentos en inglés, coreano, japonés y chino.

Un Eval Agent revisa cada resultado con una rúbrica de 54 criterios. ¿Son correctas las cifras y las fuentes? ¿Se sostiene el argumento? ¿Encaja la recomendación con la visión de la casa? Cada fallo recibe una explicación de una línea y una corrección, y se guarda como nueva instrucción o caso de prueba. Con GPT-6.1 Sol, el revisor detectó en torno a un 25 % más de desviaciones del mandato y, según la empresa, costó aproximadamente un 30 % menos por consulta que el siguiente modelo.

Para los fondos pesa más el rastro de auditoría que la tasa de acuerdo

Es fácil leer el 88,6 % como «la IA invierte como un socio sénior». Lo que mide es más estrecho: con qué frecuencia el agente revisor emitió el mismo veredicto que un revisor humano sénior. Aun así tiene valor. Un fondo capaz de mostrar por qué el agente dio por bueno un memo y qué fuentes usó tiene el tipo de registro que pedirán los inversores y el equipo de compliance.

La segunda lectura es comercial. Más que un modelo, Terminal X vende la conversión de experiencia no escrita en datos que pertenecen a la firma. Eso también cambia el trabajo de los analistas júnior: cada corrección suya se convierte en una señal de la que aprende el sistema. El fondo depende menos de que se vaya una persona concreta, pero necesita un proveedor que mantenga su Memory al día.

Las cifras vienen del proveedor y el segundo modelo no tiene nombre

Es un caso de estudio publicado por OpenAI, así que ambas empresas tienen interés en él. Todos los datos son internos: 500 evaluaciones, una diferencia de 220 puntos básicos y 2,4 millones de dólares de ahorro anual en un único fondo de private equity. El texto no dice qué modelo quedó segundo, cuántos séniors evaluaron ni cómo se eligieron los casos. Y coincidir con un revisor no dice nada sobre si las operaciones recomendadas habrían dado dinero.

La deriva del mandato, cuando un fondo de compras apalancadas empieza a recomendar deuda en dificultades, es justo el error que una persona pasa por alto un viernes por la noche. Está bien que el agente lo detecte más a menudo. Pero el estudio no analiza el 11,4 % restante de casos en que agente y humano discreparon, de modo que no sabemos quién tenía razón en esas disputas.

La prueba de verdad llegará con la marcha del primer socio

Terminal X declara 1.700 Memories de firma, más de un millón de workflows personalizados y usuarios activos semanales equivalentes al 81 % de los mensuales. El siguiente paso es una Memory para cada inversor y no solo para cada equipo. La prueba real llegará cuando abandone un fondo cliente alguien cuyo criterio el sistema debía conservar y su sucesor tenga que decidir si confía más en el agente que en sus propias notas.

Serían más convincentes los datos independientes: acuerdo con varios revisores, análisis de las discrepancias y comparación con modelos identificados. Mientras falten, el 88,6 % sigue siendo una cifra interesante sacada de una presentación comercial.

El veredicto de Lilith

El socio que se marcha sale de la oficina con una caja de fotos y Terminal X promete que su criterio se queda en los servidores del fondo. De momento lo ha medido un solo revisor en 500 casos, y del 11,4 % de disputas nadie dice nada.