L'avantage d'une société d'investissement se construit deal par deal, mais le jugement derrière 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 encodent la manière dont la firme investit dans des agents que la firme possède, déployés sur site ou dans son propre cloud.
Les modèles d'OpenAI, dont GPT‑6.1 Sol et GPT‑6 Luna, gèrent le raisonnement au sein de ces agents. Et l'Eval Agent de Terminal X note 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, et a exécuté 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 profonds. Cela aide nos Eval Agents à rendre le jugement d'investissement mesurable et auditable. »—Hyun Hong, cofondateur et PDG, Terminal X
Encoder le raisonnement des meilleurs investisseurs de chaque société
Pour chaque client, Terminal X construit des agents conçus pour investir comme les meilleurs investisseurs de la société. Les ingénieurs de Terminal X passent des semaines sur place avec le client, en rétro-ingénieriant les mémos fiables de la société et en capturant des processus qui n'ont jamais été consignés, comme la manière dont le desk de crédit évalue un emprunteur ou quelles sources 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 vaste 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, coréen, japonais et chinois, et stockent ce qu'ils apprennent dans une mémoire de société : un enregistrement versionné de la manière dont un desk prend un type de décision, incluant ses analyses passées, les décisions de comité, les instructions de workflow et les vues maison.
Les ingénieurs transforment chaque mémoire en un workflow répétable sur la plateforme de Terminal X, où chaque requête de production est auditable avec sa trace 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 signalé 2,4 millions de dollars d'économies annualisées grâce aux workflows automatisés 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 par rapport à la norme propre à la société, Terminal X a créé un Eval Agent. C'est 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 comps, les consensus et les citations proviennent-ils des bonnes sources ? Le récit tient-il ? La recommandation est-elle liée à la vue 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 mémoire. Par exemple, une source manquée, un comparable erroné ou une thèse qui s'écarte de la vue 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 sur le fonctionnement de cette société », explique Ken Lee, cofondateur et CTO de Terminal X. « Plus une société l'utilise longtemps, plus il réfléchit 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 était d'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 surpassé les autres est la dérive de style. Par exemple, le mandat d'un fonds de buyout est de trouver des cibles de retrait de la cote négociées avec une décote par rapport à la valeur nette d'inventaire, 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 rendre compte.
Cette revue approfondie a signalé des deals qu'un simple passage sur un modèle comparable avait laissés passer. 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.
Vers une mémoire pour chaque investisseur
En utilisant GPT‑6.1 Sol et GPT‑6 Luna, Terminal X a construit 1,700 mémoires 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.
L'étape suivante de Terminal X consiste à étendre les firm Memories des postes de travail aux individus, afin que la norme de chaque professionnel de l'investissement soit saisie telle qu'elle est pratiquée, et non seulement telle qu'elle est décrite.
Pour Hyun, cofondateur et CEO de Terminal X, c'est là tout l'enjeu : « Les sociétés 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. »