L'avantage d'une société d'investissement se construit deal par deal, mais le jugement qui sous-tend chaque décision réside généralement dans la tête de quelques investisseurs seniors. Lorsqu'ils partent, la société subit ce que Terminal X(s'ouvre dans une nouvelle fenêtre) appelle la dette de mémoire : la société peut conserver les documents, mais elle perd le raisonnement.
Le système d'exploitation Capital Memory de Terminal X est conçu pour rembourser cette dette. Les ingénieurs déployés en avant de l'entreprise, d'anciens professionnels de la finance et de l'investissement chez JPMorgan et Blackstone, travaillent aux côtés des équipes d'investissement de chaque client, conçoivent l'architecture agentique de la société et codent la manière dont elle investit dans des agents dont elle est propriétaire, déployés sur site ou dans son propre cloud.
Les modèles d'OpenAI, notamment GPT‑6.1 Sol et GPT‑6 Luna, assurent le raisonnement au sein de ces agents. Et l'Eval Agent de Terminal X évalue les résultats des agents selon les normes de la société. GPT‑6.1 Sol a aidé l'Eval Agent à détecter environ 25% de recommandations supplémentaires s'écartant du mandat d'un fonds, tout en exécutant les mêmes workflows à un coût par requête environ 30% inférieur à celui du meilleur modèle concurrent.
« Le raisonnement en contexte long et l'efficacité en tokens de GPT-6.1 Sol nous permettent de construire des pipelines d'évaluation plus approfondis. Cela aide nos Eval Agents à rendre le jugement d'investissement mesurable et auditable. »—Hyun Hong, cofondateur et CEO, Terminal X
Encoder le raisonnement des meilleurs investisseurs de chaque société
Pour chaque client, Terminal X construit des agents conçus pour investir comme le font les meilleurs investisseurs de la société. Les ingénieurs de Terminal X passent des semaines sur place avec le client, en rétro-engineérant les mémos de confiance de la société et en capturant les processus qui n'avaient jamais été consignés, comme la manière dont le desk crédit évalue un emprunteur ou les sources que l'équipe de co-investissement consulte avant un mémo.
Ensuite, ces processus sont encodés dans des centaines d'agents, personnalisés par classe d'actifs et par stratégie, avec des sous-agents pour chaque étape d'investissement. GPT‑6.1 Sol gère les étapes qui exigent du jugement et une immense fenêtre de contexte : la synthèse de la thèse d'investissement, l'identification des considérations clés et l'évaluation de l'adéquation avec le mandat de la société. GPT‑6 Luna exécute les étapes à fort volume où l'efficacité en tokens compte plus que la profondeur.
Les agents travaillent dans la salle de données privée de chaque société, un environnement dédié permettant aux entreprises de partager et de gérer des données d'investissement sensibles. Les agents traitent les documents en anglais, en coréen, en japonais et en chinois, et stockent ce qu'ils apprennent sous forme d'une Memory de société : un enregistrement versionné de la manière dont un desk prend un type de décision, incluant ses analyses passées, les décisions du comité, les instructions de workflow et les opinions maison.
Les ingénieurs transforment chaque Memory en un workflow répétable sur la plateforme de Terminal X, où chaque requête de production est auditable avec sa traçabilité complète : les étapes suivies, les sources récupérées, le modèle utilisé et le raisonnement.
Selon Terminal X, les clients réalisent des économies significatives grâce à cette approche, notamment une société de capital-investissement qui a déclaré 2.4 millions de dollars d'économies annualisées grâce à l'automatisation des workflows de due diligence et de mémos d'investissement.
Noter les réponses avec un Eval Agent et améliorer le système
Pour vérifier les réponses des agents selon les propres standards de la société, Terminal X a construit un Eval Agent. Il s'agit d'un workflow orchestré sur GPT‑6.1 Sol et d'autres modèles d'OpenAI, conçu pour lire chaque résultat d'agent comme un VP lit le travail d'un analyste.
L'Eval Agent vérifie chaque résultat selon une grille de 54 critères. Il demande : Les chiffres, les comparables, les données de consensus et les citations proviennent-ils des bonnes sources ? Le récit tient-il debout ? La recommandation est-elle liée à l'opinion maison ?
Chaque vérification reçoit une note de réussite ou d'échec. Chaque échec inclut une raison d'une ligne et une meilleure source ou un texte corrigé, et devient une Memory. Par exemple, une source manquée, un comparable erroné ou une thèse qui s'écarte de l'opinion maison est encodé comme une nouvelle instruction de workflow ou un nouveau cas de test pour ce desk.
« Chaque réponse est évaluée, et tout ce que l'analyste corrige enseigne un peu plus au système le fonctionnement de cette société », explique Ken Lee, cofondateur et CTO de Terminal X. « Plus une société l'utilise longtemps, plus il pense comme sa propre équipe. »
Tester chaque modèle, choisir par tâche
Terminal X choisit ses modèles en fonction de ses propres résultats d'évaluation. Sur 500 jugements notés, son Eval Agent sur GPT‑6.1 Sol a été en accord avec l'évaluateur humain senior 88.6% du temps, contre 86.4% pour le meilleur modèle concurrent, soit une amélioration de 220 points de base.
Une catégorie d'erreurs où GPT‑6.1 Sol a surperformé est la dérive de style. Par exemple, le mandat d'un fonds de rachat (buyout) est de trouver des candidats au retrait de la cote (take-private) négociant avec une décote par rapport à la valeur nette d'inventaire (NAV), d'évaluer l'activité et de structurer le financement. Lorsque les modèles de scénarios suggèrent un retournement du marché, les deals commencent à recommander une position de crédit distressed ou un financement de sauvetage. L'Eval Agent sur GPT‑6.1 Sol a détecté environ 25% de ces écarts de plus que le meilleur modèle concurrent.
L'efficacité en tokens de GPT‑6.1 Sol sur les travaux en contexte long a permis à Terminal X de construire un workflow de revue plus approfondi dans le même budget. La thèse est d'abord testée par rapport au mandat du fonds, puis par rapport à ses deals récents. Les verdicts incertains sont réexécutés, et l'agent réconcilie les résultats avant de faire son rapport.
Cette revue plus approfondie a signalé des deals qu'un simple passage sur un modèle comparable avait validés sans examen. GPT‑6.1 Sol a également exécuté les mêmes workflows à un coût par requête environ 30% inférieur à celui du meilleur modèle concurrent, à vitesse similaire.
Aller vers une Memory pour chaque investisseur
Avec GPT‑6.1 Sol et GPT‑6 Luna, Terminal X a construit 1,700 Memory de société, exécuté plus de 1 million de workflows personnalisés et atteint un nombre d'utilisateurs actifs hebdomadaires égal à 81% de ses utilisateurs actifs mensuels.
La prochaine étape de Terminal X consiste à étendre les Memories solides des bureaux aux individus, afin que la norme de chaque professionnel de l'investissement soit capturée telle qu'elle est pratiquée, et pas seulement telle qu'elle est décrite.
Pour Hyun, cofondateur et PDG de Terminal X, c'est là tout l'enjeu : « Les entreprises qui gagneront la prochaine décennie posséderont leur jugement sous forme de données. Notre mission est de rendre ce jugement mesurable, afin qu'il puisse être conservé, amélioré et réutilisé. »