Finanční týmy dnes čelí zvláštnímu paradoxu. Umělá inteligence dokáže během okamžiku vytvořit dlouhý text, souhrn trhu nebo základní tabulku, ale skutečná práce začíná až mnohem později. Výstup musí být správný, dohledatelný, srozumitelný a připravený pro rozhodování. Musí projít od prvotního výzkumu přes výpočty až do podoby dokumentu, který lze otevřít, upravit a předložit investičnímu výboru nebo vedení společnosti.
Právě tuto poslední a často nejtěžší část finančního workflow řeší Model ML. Platforma kombinuje hotové i zakázkové AI agenty, které mají pracovat způsobem blízkým konkrétním procesům zákazníků. Nové nasazení modelu GPT-5.6 Sol ukazuje, že posun není jen v rychlejším generování obsahu. Jde hlavně o schopnost proměnit zadání v téměř hotový pracovní výstup, například editovatelnou prezentaci PowerPoint nebo sešit Excel, včetně zdrojů použitých pro jednotlivá tvrzení a výpočty.
Za důležité považuji zejména to, že cílem není nahradit úsudek finančního profesionála. Cílem je přesunout jeho čas od opakovaného sestavování podkladů k tomu, kde přináší největší hodnotu: k posuzování předpokladů, kontrole závěrů, formulaci investiční teze a zpřesnění sdělení.
Obsah
- 📌 Problém posledního kilometru ve finanční analýze
- 🤖 Co Model ML staví na AI agentech
- 🧪 Testování GPT-5.6 Sol v interním systému hodnocení
- 🗂️ Jak vzniká investiční memorandum
- 📊 Vizuální kontrola není jen kosmetika
- 🔎 Dohledatelné zdroje jako součást důvěry
- 🧠 Kam se má přesunout lidský úsudek
- ⚙️ Proč je efektivita více než rychlost
- 📈 Co tento posun znamená pro finanční týmy
- 🔗 Produkční nasazení a širší souvislosti
- ✅ Závěr: méně přestavby, více rozhodování
📌 Problém posledního kilometru ve finanční analýze
Ve financích obvykle nestačí získat odpověď na otázku. Je potřeba doručit výsledek v přesné podobě, která odpovídá zavedenému pracovnímu standardu. Analytik může například dostat zadání připravit investiční memorandum, zkráceně IC memo. Takový materiál často spojuje popis společnosti, údaje o trhu, provozní metriky, finanční model, ocenění, hlavní rizika a doporučení.
Mezi jednoduchou odpovědí AI a takovým memorandem však leží řada kroků. Je nutné najít relevantní informace, ověřit jejich původ, provést výpočty, rozhodnout o struktuře, vytvořit tabulky a grafy, správně formulovat závěry a nakonec vše upravit do podoby, kterou lze prakticky používat.
Model ML tento problém označuje jako „last-mile problem“, tedy problém posledního kilometru. V praxi jde o rozdíl mezi výstupem, který vypadá jako návrh, a výstupem, jenž se dá skutečně otevřít na poradě, revidovat v týmu a dále upravovat bez nutnosti začínat znovu.
Právě zde se podle mě nejzřetelněji odděluje užitečná podniková AI od generického obsahu. Text může být plynulý a graf může být vizuálně atraktivní, přesto nejsou automaticky připravené pro reálnou finanční práci. Profesionální standard vyžaduje jasný původ dat, kontrolovatelné předpoklady, vhodnou strukturu a formát, který nezvyšuje další manuální zátěž.
Od odpovědi k použitelné práci
Rozdíl lze shrnout jednoduše. Běžný generativní nástroj často dodá obsah. Pracovní agent má doručit dokončený artefakt.
- Obsahová odpověď může vysvětlit, co společnost dělá nebo jak se vyvíjí její trh.
- Finanční analýza musí pracovat s konkrétními čísly, předpoklady, výpočty a zdroji.
- Rozhodovací materiál navíc potřebuje jasný příběh, logické pořadí argumentů, grafické zpracování a možnost úprav.
Model ML míří na celý tento řetězec. Záměrem není vytvořit pouze pasáž o trhu nebo jednorázovou tabulku. Agent má vzít zadání a vést práci od výzkumu přes analýzu až k hotovému souboru v PowerPointu či Excelu.
🤖 Co Model ML staví na AI agentech
Model ML nabízí agentní řešení připravená pro okamžité použití i agenty přizpůsobené specifickým pracovním postupům zákazníka. Tento rozdíl je ve finančním prostředí podstatný. Každá organizace sice řeší podobné otázky, například výnosy, náklady, marže, růst, rizika nebo valuaci, ale způsob prezentace, interní šablony a očekávání rozhodovacích týmů se mohou výrazně lišit.
Zakázkový agent proto nemá fungovat jako univerzální chatbot. Má se co nejvíce přiblížit tomu, jak lidé ve firmě skutečně postupují. To může znamenat respektovat požadovanou strukturu materiálu, pracovat s určenými zdroji informací, využívat daný formát výstupu a dodržovat typ výpočtů či grafů, které jsou ve firmě běžné.
Takový přístup je praktický i z hlediska přijetí technologie. Nový systém nemusí nutit tým, aby kvůli AI měnil všechny své zavedené postupy. Naopak se snaží AI zabudovat do práce tak, aby odstraňovala mechanické úkoly a přitom zachovala kontrolní body, na kterých záleží.
Největší přínos proto neleží v samotné schopnosti formulovat věty. Leží ve schopnosti řídit vícekrokovou práci. Agent potřebuje rozumět cíli, vytvořit plán, provést jednotlivé úkoly ve správném pořadí a doručit souvislý výsledek.
🧪 Testování GPT-5.6 Sol v interním systému hodnocení
Před nasazením GPT-5.6 Sol do produkční práce Model ML model otestoval ve vlastním interním evaluačním systému označovaném jako Composite. Výsledky podle společnosti výrazně překonaly dosavadní metriky.
Hodnocení podobných modelů má ve finančních aplikacích zvláštní význam. Nestačí sledovat, zda model zvládne odpovědět na izolovanou otázku. Důležité je zjistit, zda se umí dostat až k výsledku odpovídajícímu pracovnímu standardu. U prezentace to znamená hodnotit nejen text jednotlivých slidů, ale také strukturu, výpočty, grafy, konzistenci a míru, do jaké je materiál připravený pro věcnou revizi.
Model ML uvedl tři konkrétní výsledky, které ukazují na vyšší efektivitu i lepší využitelnost výstupů:
- Na jednu prezentaci PowerPointu potřeboval GPT-5.6 Sol o 21 procent méně tokenů než Fable 5.
- U prezentací připravených na věcnou revizi dosáhl náskoku 16,6 procentního bodu oproti Opus 5.
- Na jeden sešit Excelu využil o 36 procent méně tokenů než Opus 5.
Tokeny jsou jednotky, s nimiž jazykové modely pracují při zpracování vstupů a tvorbě výstupů. Nižší spotřeba sama o sobě nemusí znamenat lepší výsledek. V kombinaci s vyšší připraveností dokumentů k odborné revizi však naznačuje, že model dokáže postupovat úsporněji a současně doručit praktičtější práci.
Za nejsilnější signál považuji právě metriku „ready for substantive review“, tedy připravenost pro věcnou revizi. Neříká, že je dokument automaticky finální nebo že nepotřebuje lidskou kontrolu. Říká ale, že se lidská práce může posunout z úrovně přepisování a doplňování chybějících základů na úroveň posuzování samotné podstaty.
🗂️ Jak vzniká investiční memorandum
Práce s investičním memorandem dobře ukazuje, co znamená agentní workflow v praxi. Uživatel zadá stručné zadání a nasměruje systém ke zdrojům, z nichž má čerpat. Agent pak nemá pouze napsat shrnutí. Má rozplánovat celý dokument.
První krok spočívá v návrhu struktury. GPT-5.6 Sol podle Model ML vytváří plán, jaké slidy mají v prezentaci být a jak mají vypadat. To je cenné, protože dobré IC memo není jen soubor samostatných poznámek. Je to argumentační celek. Jednotlivé stránky by měly na sebe navazovat a postupně podporovat závěr, který má rozhodovací tým posoudit.
Dobře postavená prezentace může například vést od základního popisu příležitosti přes kontext trhu a obchodní model až k finančním výsledkům, předpokladům, rizikům a doporučení. Konkrétní pořadí se pochopitelně liší podle zadání, ale princip zůstává stejný: struktura musí pomoci rychle pochopit, co je předmětem rozhodnutí a na čem stojí hlavní argument.
Plánování před tvorbou
Schopnost nejprve vytvořit plán je důležitá z několika důvodů. Za prvé snižuje riziko, že vznikne velké množství textu bez jasné hierarchie. Za druhé dovoluje sladit výzkum s výsledným dokumentem. A za třetí pomáhá rozhodnout, kde má smysl použít tabulku, kde graf a kde stručnou vysvětlující větu.
V oblasti financí má každá forma své místo. Tabulka je vhodná pro přesná data a detailní srovnání. Graf dokáže rychle ukázat trend nebo vztah mezi veličinami. Stručný komentář vysvětluje, proč dané číslo záleží. Dobrá prezentace spojuje tyto prvky tak, aby se navzájem doplňovaly, nikoli aby soutěžily o pozornost.
Výzkum, výpočty a tvorba materiálů
Po vytvoření plánu agent provádí samotnou práci. Model ML popisuje proces jako kombinaci výzkumu, výpočtů a produkce nativních grafů, tabulek, diagramů a log. Slovo „nativní“ zde znamená, že prvky nemají být jen vloženým obrázkem, ale součástí editovatelného dokumentu.
Tento rozdíl je pro pracovní dokumenty zásadní. Když se později změní vstupní údaj, předpoklad nebo formulace závěru, tým potřebuje materiál snadno upravit. Editovatelná prezentace umožňuje změnit text, tabulku či graf bez složité rekonstrukce celého výstupu. Podobně editovatelný Excel dovoluje pokračovat v modelování, kontrolovat vzorce a přizpůsobovat scénáře.
U formátů PowerPoint a Excel hraje roli také jejich rozšíření v podnikové praxi. Další informace o těchto nástrojích jsou dostupné na stránkách Microsoft PowerPoint a Microsoft Excel. Jejich význam v tomto workflow není v samotném formátu souboru, ale v tom, že výsledek může přirozeně zapadnout do stávající práce finančních týmů.
📊 Vizuální kontrola není jen kosmetika
Zajímavou částí popsaného postupu je finální kontrola každého slidu z hlediska vizuální přitažlivosti. Model ML uvádí, že právě v této oblasti GPT-5.6 Sol dosahuje kvality, kterou u jiných modelů nepozoroval v podobné míře.
Na první pohled může vizuální kontrola působit jako vedlejší detail. Ve finanční prezentaci je však design součástí srozumitelnosti. Přeplněný slide, nevhodně zvolený graf nebo tabulka bez jasné hierarchie mohou ztížit porozumění i tehdy, když jsou údaje správné.
Smyslem není vytvářet dekorativní materiály. Smyslem je, aby forma podporovala rozhodování. Dobře zpracovaný slide obvykle pomáhá rychle rozpoznat hlavní závěr, pochopit důkazy, které jej podporují, a najít případná omezení nebo rizika. To vyžaduje přiměřené množství textu, čitelná čísla, jasné popisky a rozumné využití prostoru.
Jako praktická zásada se nabízí jednoduchá otázka: Pomáhá každý prvek na stránce vysvětlit investiční případ, nebo jen zabírá místo? Agent, který umí posoudit i vizuální stránku materiálu, může odstranit část manuální práce spojené s formátováním a základní úpravou prezentace.
🔎 Dohledatelné zdroje jako součást důvěry
Finanční práce nemůže stát jen na přesvědčivě formulovaných závěrech. Každé důležité tvrzení musí být možné prověřit. Model ML proto zdůrazňuje, že výsledná prezentace obsahuje dohledatelné zdroje.
Dohledatelnost neznamená pouze připojit obecný seznam odkazů na konec dokumentu. Praktická hodnota vzniká tehdy, když je jasné, odkud pochází konkrétní číslo, informace o trhu nebo podklad pro určitý závěr. Díky tomu lze při revizi rychle ověřit zdroj, posoudit jeho relevanci a rozhodnout, zda je potřeba údaj aktualizovat nebo nahradit.
Tento princip má několik přínosů:
- Rychlejší kontrola: členové týmu nemusí zdlouhavě dohledávat původ jednotlivých tvrzení.
- Lepší spolupráce: další osoba může snadněji navázat na již provedenou práci.
- Vyšší odpovědnost: závěry nejsou prezentovány jako neprůhledný výsledek systému.
- Snazší aktualizace: pokud se data změní, je jasnější, které části dokumentu vyžadují revizi.
Já bych dohledatelné zdroje považoval za základní podmínku nasazení AI do náročných analytických procesů. Model může urychlit přípravu, ale kontrola zdrojů a úsudek o jejich kvalitě zůstávají kritickou lidskou odpovědností.
🧠 Kam se má přesunout lidský úsudek
Jedna z nejdůležitějších myšlenek tohoto přístupu spočívá v rozdělení práce mezi člověka a systém. Užší pojetí automatizace by se mohlo soustředit na to, kolik úkolů lze převést na AI. Model ML ale popisuje praktičtější cíl: uživatel má věnovat pozornost úsudku, nikoli opětovnému budování analýzy od nuly.
To znamená zaměřit se hlavně na tři oblasti:
- Zpřesňování předpokladů: jsou vstupy realistické, úplné a přiměřené dané situaci?
- Ostření sdělení: je hlavní argument jasný, vyvážený a přesvědčivý?
- Kontrola závěrů: odpovídají doporučení, rizika a interpretace skutečně dostupným podkladům?
Právě zde se nejvíce projevuje zkušenost člověka. Žádný automatizovaný workflow nemůže samo o sobě rozhodnout, zda je určitá příležitost strategicky správná, zda je riziko přijatelné nebo zda některý předpoklad neodpovídá realitě konkrétní firmy. Systém však může připravit podklady tak, aby bylo možné těmto otázkám věnovat více kvalitního času.
V minulosti dokázaly dřívější modely odvést část práce podobné práci analytika, ale potřebovaly velmi podrobný rozpis úkolu. Člověk jim musel říci nejen co mají zjistit, ale často také přesně jak má vypadat každý dílčí výstup. GPT-5.6 Sol se podle zkušenosti Model ML přibližuje konečnému výsledku výrazně více. To snižuje počet instrukcí, následných oprav a ručních zásahů.
⚙️ Proč je efektivita více než rychlost
Když se mluví o AI ve finančních službách, často se zdůrazňuje rychlost. Ta je jistě důležitá, ale sama o sobě neřeší hlavní problém. Rychle vytvořený materiál, který je nutné kompletně překopat, zkontrolovat řádek po řádku a znovu graficky vysázet, nemusí být ve výsledku výrazně efektivnější než tradiční práce.
Efektivita v tomto případě vzniká spojením několika faktorů:
- agent správně pochopí zadání a navrhne vhodný plán,
- provede výzkum a výpočty v návazném workflow,
- vytvoří editovatelné dokumenty místo statických náhledů,
- uvede dohledatelné zdroje,
- připraví materiál natolik dobře, že lidé mohou přejít k věcné revizi.
Výsledky interních testů Model ML naznačují, že GPT-5.6 Sol dokáže tuto kombinaci zvládat s nižší spotřebou tokenů než srovnávané modely. V prostředí, kde se stejný typ práce opakuje napříč mnoha projekty, může mít taková úspora význam nejen pro náklady, ale i pro kapacitu týmu.
Větší kapacita ovšem nemusí znamenat více dokumentů za každou cenu. Může znamenat více času na ověření důležitých předpokladů, diskusi o rizicích, přípravu alternativních scénářů nebo hlubší práci s investiční tezí. To jsou oblasti, kde kvalita často rozhoduje více než rychlost prvního návrhu.
📈 Co tento posun znamená pro finanční týmy
Nasazení AI agentů od výzkumu po hotový dokument mění zejména charakter práce. Méně času může směřovat k mechanickému kopírování dat, formátování slidů a přepisování výsledků mezi nástroji. Více času se může přesunout k interpretaci a rozhodování.
To ale neznamená, že profesionální standardy mohou polevit. Naopak. Čím více kroků dokáže systém zautomatizovat, tím důležitější je mít jasně definované kontrolní postupy. Je nutné ověřovat zdroje, přezkoumávat výpočty, rozumět předpokladům a upravovat sdělení podle konkrétního kontextu.
Za rozumný pracovní model považuji tento sled:
- Člověk jasně stanoví cíl, rozsah a dostupné zdroje.
- Agent navrhne strukturu a připraví analýzu v požadovaném formátu.
- Člověk ověří klíčová data, zdroje, výpočty a argumentaci.
- Tým upraví předpoklady, rozhodne o prioritách a dokončí finální sdělení.
Takový postup nebere AI jako autoritu, která má poslední slovo. Bere ji jako výkonný pracovní nástroj, který dokáže odvést rozsáhlou přípravnou práci a dát lidem lepší výchozí bod.
🔗 Produkční nasazení a širší souvislosti
Případ Model ML ukazuje, že nejpraktičtější aplikace generativní AI nemusí být ty nejokázalejší. Mohou to být systémy, které zlepšují každodenní práci tím, že propojí dříve oddělené kroky. Výzkum, analýza, výpočty, grafické zpracování a export do kancelářských dokumentů pak nemusí fungovat jako pět samostatných úkolů.
Podrobnější informace o produkčním využití Model ML a jeho práci s modelem GPT-5.6 Sol jsou k dispozici v materiálu Model ML na OpenAI.
Pro finanční organizace je hlavní zpráva poměrně jasná. Hodnota AI se neměří jen tím, zda umí vytvořit první návrh. Měří se tím, zda dokáže bezpečně a efektivně posunout práci až do okamžiku, kdy má odborník před sebou kvalitní, editovatelný a zdrojově podložený materiál.
✅ Závěr: méně přestavby, více rozhodování
Model ML staví svou nabídku na řešení posledního kilometru finanční práce. S GPT-5.6 Sol chce přenést zadání od prvotního výzkumu přes výpočty a vizuální zpracování až k hotovému PowerPointu nebo Excelu s dohledatelnými zdroji.
Nejzajímavější není pouze deklarované zrychlení nebo nižší spotřeba tokenů. Důležitější je posun v kvalitě výstupu. Pokud agent dokáže vytvořit materiál připravený k věcné revizi, lidé nemusí ztrácet tolik času obnovováním základní analýzy a formátováním dokumentů. Mohou se soustředit na otázky, které skutečně vyžadují zkušenost, odpovědnost a úsudek.
V době, kdy je generovaného obsahu stále více, je to zásadní rozdíl. Užitečná AI ve financích nemá produkovat další objem textu. Má pomoci vytvořit práci, které lze rozumět, ověřit ji a použít při reálném rozhodování.
