Saya akan memberikan sedikit lebih spesifik tentang ini, dan cuplikan contoh. Selama berbulan-bulan orang telah berbicara tentang "momen kursor" dalam keuangan, di mana alur kerja berubah begitu dramatis sehingga Anda mencapai bagian curam dari kurva adopsi. Saya sangat skeptis tentang itu, karena beberapa alasan. Tetapi alasan paling mendasar adalah teknologi LLM tidak ada. Model fondasi tidak memiliki kekuatan yang cukup untuk berinteraksi dengan spreadsheet Excel dengan cara apa pun yang dapat digunakan (meskipun demo yang menarik...). Bahkan jika Anda memecahkan tantangan data (yang sangat berbulu), LLM era 2025 tidak memiliki kekuatan untuk berinteraksi dengan spreadsheet. Jadi kita bisa duduk dan berbicara tentang banyak ide dan konsep tentang bagaimana AI dapat menambah penelitian investasi institusional. Tapi itu hanya itu, sebuah konsep. Saya memiliki serangkaian pengujian yang saya jalankan pada model AI baru yang merupakan uji kemampuan untuk alur kerja penelitian gaya dana lindung nilai. Dan yang termudah adalah mengunggah file Excel yang ada untuk melihat apakah LLM dapat memahami apa yang sedang terjadi. Jika LLM tidak dapat membaca dan memahami model Excel secara memadai, tumpukan penuh alur kerja AI Excel tidak mungkin (menurut saya). Dan membuang-buang waktu untuk mencoba menjelajah. Ini tidak berhasil pada tingkat yang mengesankan (Opus 4.6 bisa melakukannya, tetapi tidak melakukannya dengan baik). Sampai kemarin, dengan GPT-5.4 Thinking. Tiba-tiba, saya sekarang bisa mendapatkan sesuatu yang tidak hanya sedikit berguna, tetapi saya pikir akan segera menjadi bagian dari alur kerja proses investasi saya. Saya menyebutnya "PM Review", atau evaluasi terstruktur dan push back pada model. Saya telah berpartisipasi dalam ratusan ini sebagai analis dan PM. Secara efektif analis membangun model, mengirimkannya ke PM, dan mereka melewatinya bersama-sama. PM yang bijaksana dan berpengalaman akan merobek model, mendorong kembali, dan membantu mengarahkan model ke hasil yang dapat digunakan. PM yang hebat akan dapat mengasah dua atau tiga variabel utama yang penting dan mengidentifikasi asumsi agresif atau konservatif. Seorang analis mungkin mengajukan saham di mana input kuantitatif inti didukung oleh logika yang cacat. Dan tugas PM adalah mencoba dan mengidentifikasi logika yang cacat itu. Alur kerja ini, bagi saya, adalah pembeda utama antara PM yang baik dan tidak baik. Namun, alur kerja ini tidak hanya untuk PM; Ini untuk analis yang mencoba mengevaluasi pekerjaan mereka sendiri, analis sebaya yang ingin melakukan penolakan balik yang bijaksana pada ide-ide yang mungkin diikuti tim, direktur tim penelitian kami yang ingin mengevaluasi proses penjaminan ide secara efisien. Atau PM untuk potongan pertama jika mereka melihat banyak ide. Aspek menarik dari menambah proses ini dengan AI adalah skalanya luar biasa. Dan itu bisa berjalan secara mandiri. Di 300 model, saya dapat memiliki segerombolan agen yang melakukan uji tuntas otomatis pada pendorong utama, memperbarui model tersebut, memberi tahu hasil tersebut kembali kepada saya, dan menandai ide mana yang saya cakup memiliki potensi revisi pendapatan. Alur kerja ini adalah "Momen kursor" untuk penelitian ekuitas publik, menurut saya. Saya tidak mengatakan kita ada di sana dengan cara apa pun karena akurasi data dan struktur yang diperlukan untuk memasukkan data internal masih berlangsung. Tapi kami baru saja mengambil langkah maju dalam kemampuan teknologi. Saya mengujinya di GPT-5.4. Dan meskipun tidak sempurna, ini adalah pertama kalinya saya menerima sesuatu yang berguna kembali dalam tes ini. Saya akan memandu Anda melalui beberapa langkah untuk melakukannya sendiri. Langkah 1: pembuangan otak ke Claude. Saya tidak tahu apakah ada logika untuk itu atau hanya kebiasaan saya sendiri tetapi jika saya mengeksekusi di Chat GPT, saya akan meta prompt dan Claude dan sebaliknya. Saya tidak yakin di mana meta prompt Anda sangat penting untuk jenis alur kerja yang saya lakukan, tetapi TENTU SAJA penting jika Anda meta prompt vs. raw prompt, jadi jangan lewatkan langkah ini. Langkah 2: ambil output prompt itu, ubah menjadi Markdown, dan masukkan itu sebagai instruksi khusus dalam proyek GPT. Ini hanya efisiensi alur kerja karena sekarang saya memiliki proyek GPT yang dapat saya unggah model apa pun. ...