Der Vorsprung einer Investmentfirma entsteht Deal für Deal, doch das Urteilsvermögen hinter jeder Entscheidung existiert meist nur im Kopf einiger weniger erfahrener Investoren. Wenn sie gehen, trägt die Firma das, was Terminal X(öffnet sich in einem neuen Fenster) als memory debt bezeichnet: Die Firma behält möglicherweise die Dokumente, verliert aber die Begründungen.
Terminal Xs Capital Memory-Betriebssystem soll diese Schuld abbauen. Die forward-deployed Engineers des Unternehmens, ehemalige Finanz- und Investmentfachleute von JPMorgan und Blackstone, setzen sich mit den Investmentteams der Kunden zusammen, entwerfen die Agentenarchitektur der Firma und kodieren, wie die Firma investiert, in Agenten, die der Firma gehören und on-premise oder in ihrer eigenen Cloud betrieben werden.
OpenAI-Modelle, darunter GPT‑6.1 Sol und GPT‑6 Luna, übernehmen die Schlussfolgerungen innerhalb dieser Agenten. Und Terminal Xs Eval Agent bewertet die Ausgaben der Agenten anhand der Standards der Firma. GPT‑6.1 Sol half dem Eval Agent, etwa 25 % mehr Empfehlungen zu erkennen, die von einem Fondsmandat abwichen, und führte dieselben Workflows zu ungefähr 30 % geringeren Kosten pro Abfrage aus als das zweitbeste Modell.
„GPT-6.1 Sols Long-Context-Reasoning und Token-Effizienz ermöglichen es uns, tiefere Evaluierungspipelines zu bauen. Das hilft unseren Eval Agents, Investitionsurteile messbar und überprüfbar zu machen.“—Hyun Hong, Co-Founder und CEO, Terminal X
Das Urteilsvermögen der besten Investoren jeder Firma kodieren
Für jeden Kunden baut Terminal X Agenten, die so investieren sollen wie die besten Investoren der Firma. Terminal X-Ingenieure verbringen wochenlang vor Ort mit dem Kunden, rekonstruieren die vertrauenswürdigen Memos der Firma und erfassen Prozesse, die nie schriftlich festgehalten wurden, etwa wie das Kreditgeschäft einen Kreditnehmer prüft oder welche Quellen das Co-Investment-Team vor einem Memo heranzieht.
Anschließend werden diese Prozesse in Hunderten von Agenten kodiert, angepasst nach Anlageklasse und Strategie, mit Sub-Agenten für jede Investitionsphase. GPT‑6.1 Sol übernimmt die Phasen, die Urteilsvermögen und ein riesiges Kontextfenster erfordern: die Synthese der Investmentthese, das Identifizieren zentraler Überlegungen und die Bewertung der Passung zum Mandat der Firma. GPT‑6 Luna führt die Schritte mit hohem Volumen aus, bei denen Token-Effizienz wichtiger ist als Tiefe.
Die Agenten arbeiten innerhalb des privaten Datenraums jeder Firma, einer dedizierten Umgebung, in der Unternehmen sensible Investitionsdaten teilen und verwalten. Die Agenten verarbeiten Dokumente auf Englisch, Koreanisch, Japanisch und Chinesisch und speichern ihr Gelerntes als firm Memory: eine versionierte Aufzeichnung, wie ein Desk eine bestimmte Art von Entscheidung trifft, einschließlich seiner früheren Analysen, Komiteeentscheidungen, Workflow-Anweisungen und Hausmeinungen.
Ingenieure verwandeln jedes Memory in einen wiederholbaren Workflow auf Terminal Xs Plattform, wo jede Produktionsabfrage mit ihrem vollständigen Pfad überprüfbar ist: den unternommenen Schritten, abgerufenen Quellen, verwendeten Modellen und der Begründung.
Laut Terminal X erzielen Kunden durch diesen Ansatz erhebliche Einsparungen, darunter eine Private-Equity-Firma, die 2,4 Millionen US-Dollar an annualisierten Einsparungen durch automatisierte Due-Diligence- und Investment-Memo-Workflows meldete.
Antworten mit einem Eval Agent bewerten und das System verbessern
Um die Antworten der Agenten gegen den eigenen Standard der Firma zu prüfen, baute Terminal X einen Eval Agent. Es handelt sich um einen orchestrierten Workflow auf GPT‑6.1 Sol und anderen OpenAI-Modellen, der dazu entwickelt wurde, jede Agentenausgabe so zu lesen, wie ein VP die Arbeit eines Analysten liest.
Der Eval Agent prüft jede Ausgabe anhand eines Kriterienkatalogs mit 54 Punkten. Er fragt: Sind die Zahlen, Comps, Konsensschätzungen und Zitate aus den richtigen Quellen gezogen? Hält die Erzählung einer Prüfung stand? Verknüpft die Empfehlung sich mit der Hausmeinung?
Jede Prüfung wird als Bestehen oder Nichtbestehen bewertet. Jede Nichtbestehens-Note enthält einen einzeiligen Grund sowie eine bessere Quelle oder korrigierten Text und wird zu einem Memory. Beispielsweise wird eine fehlende Quelle, ein falscher Comparables-Wert oder eine These, die von der Hausmeinung abweicht, als neue Workflow-Anweisung oder neuer Testfall für diesen Desk kodiert.
„Jede Antwort wird evaluiert, und was auch immer der Analyst korrigiert, bringt dem System ein bisschen mehr darüber bei, wie diese Firma arbeitet“, sagt Ken Lee, Co-Founder und CTO von Terminal X. „Je länger eine Firma es nutzt, desto mehr denkt es wie ihr eigenes Team.“
Jedes Modell testen, nach Aufgabe auswählen
Terminal X wählt Modelle anhand seiner eigenen Evaluierungsergebnisse aus. Über 500 bewertete Urteile hinweg stimmte sein Eval Agent auf GPT‑6.1 Sol zu 88,6 % mit dem menschlichen Senior-Reviewer überein, gegenüber 86,4 % beim zweitbesten Modell, eine Verbesserung um 220 Basispunkte.
Eine Fehlerklasse, bei der GPT‑6.1 Sol überlegen war, ist Style Drift. Beispielsweise besteht das Mandat eines Buyout-Fonds darin, Take-Private-Kandidaten zu finden, die mit einem Abschlag zum NAV handeln, das Geschäft zu bewerten und die Finanzierung zu strukturieren. Wenn Szenariomodelle eine Marktwende nahelegen, empfehlen Deals plötzlich eine Distressed-Credit-Position oder eine Rescue-Finanzierung. Der Eval Agent auf GPT‑6.1 Sol erkannte etwa 25 % mehr dieser Abweichungen als das zweitbeste Modell.
GPT‑6.1 Sols Token-Effizienz bei Long-Context-Arbeiten ermöglichte es Terminal X, einen tieferen Prüfworkflow innerhalb desselben Budgets aufzubauen. Die These wird zuerst gegen das Mandat des Fonds getestet, dann gegen dessen jüngere Deals. Unsichere Urteile werden erneut durchlaufen, und der Agent stimmt die Ergebnisse vor der Berichterstattung ab.
Diese tiefere Prüfung markierte Deals, die ein einzelner Durchlauf mit einem vergleichbaren Modell durchgewinkt hatte. GPT‑6.1 Sol führte dieselben Workflows auch zu etwa 30 % geringeren Kosten pro Abfrage als das zweitbeste Modell, bei ähnlicher Geschwindigkeit.
Auf dem Weg zu einem Memory für jeden Investor
Mit GPT-6.1 Sol und GPT-6 Luna hat Terminal X 1,700 firm Memories erstellt, mehr als 1 Million individuelle Workflows ausgeführt und eine wöchentlich aktive Nutzerzahl erreicht, die 81 % der monatlich aktiven Nutzer entspricht.
Der nächste Schritt von Terminal X besteht darin, feste Memories von Schreibtischen auf Einzelpersonen auszuweiten, sodass der Standard jedes Investmentprofessionals so erfasst wird, wie er praktiziert wird, und nicht nur, wie er beschrieben wird.
Für Hyun, Mitgründer und CEO von Terminal X, liegt genau das der Punkt: „Die Firmen, die das nächste Jahrzehnt gewinnen werden, werden ihr Urteilsvermögen als Daten besitzen. Unsere Aufgabe ist es, dieses Urteilsvermögen messbar zu machen, damit es bewahrt, verbessert und wiederverwendet werden kann.“