Podam trochę więcej szczegółów na ten temat oraz fragmenty przykładu. Od wielu miesięcy ludzie mówią o "momencie kursora" w finansach, gdzie zmiany w przepływie pracy są tak dramatyczne, że osiągasz stromy fragment krzywej adopcji. Byłem bardzo sceptyczny wobec tego z kilku powodów. Ale najważniejszym powodem jest to, że technologia LLM po prostu nie była na to gotowa. Modele bazowe po prostu nie miały wystarczającej mocy, aby w jakikolwiek użyteczny sposób współpracować z arkuszami kalkulacyjnymi Excel (pomimo efektownych demonstracji...). Nawet jeśli rozwiążesz (bardzo skomplikowane) wyzwania związane z danymi, LLM z 2025 roku po prostu nie miały mocy do interakcji z arkuszami kalkulacyjnymi. Możemy więc siedzieć i rozmawiać o wielu pomysłach i koncepcjach, jak AI mogłoby wspierać badania inwestycyjne instytucji. Ale to było tylko to, koncepcja. Mam serię testów, które przeprowadzam na nowych modelach AI, które są testami zdolności dla stylu badań funduszy hedgingowych. Najłatwiejszym jest po prostu przesłanie istniejącego pliku Excel, aby zobaczyć, czy LLM potrafi zrozumieć, co się dzieje. Jeśli LLM nie potrafi wystarczająco czytać i rozumieć modelu Excel, pełny zestaw przepływów pracy AI Excel po prostu nie jest możliwy (moim zdaniem). I marnowaniem czasu jest próba eksploracji. To nie działało w żadnym imponującym stopniu (Opus 4.6 mogło to zrobić, ale nie robiło tego dobrze). Aż do wczoraj, z myśleniem GPT-5.4. Nagle mogę teraz uzyskać coś, co jest nie tylko umiarkowanie użyteczne, ale myślę, że natychmiast stanie się częścią mojego procesu inwestycyjnego. Nazywam to "Przegląd PM", czyli strukturalna ocena i sprzeciw wobec modelu. Brałem udział w dosłownie setkach takich spotkań jako analityk i PM. Efektywnie analityk buduje model, wysyła go do PM, a oni przechodzą przez niego razem. Mądry, doświadczony PM rozbierze model na części, sprzeciwi się i pomoże skierować model na użyteczny wynik. Świetny PM będzie w stanie skupić się na dwóch lub trzech kluczowych zmiennych, które mają znaczenie, i zidentyfikować agresywne lub konserwatywne założenia. Analityk może proponować akcję, gdzie kluczowy wkład ilościowy jest wspierany przez wadliwą logikę. A zadaniem PM jest próba zidentyfikowania tej wadliwej logiki. Ten przepływ pracy, moim zdaniem, jest kluczowym wyróżnikiem między dobrymi a niedobrymi PM-ami. Jednak ten przepływ pracy nie jest tylko dla PM-ów; jest dla analityków, którzy próbują ocenić swoją własną pracę, analityków rówieśniczych, którzy chcą przeprowadzić przemyślaną krytykę pomysłów, w które zespół może się zaangażować, naszych dyrektorów zespołów badawczych, którzy chcą efektywnie ocenić proces underwritingowy pomysłów. Lub PM-ów do pierwszego przeglądu, jeśli rozważają wiele pomysłów. Intrygującym aspektem wspierania tego procesu za pomocą AI jest to, że skaluje się niesamowicie. I może działać autonomicznie. W ciągu 300 modeli mogę mieć rój agentów przeprowadzających zautomatyzowaną due diligence na kluczowych czynnikach, aktualizujących te modele, przekazujących mi te wyniki i oznaczających, które z moich objętych pomysłów mają potencjał rewizji zysków. Ten przepływ pracy to "moment kursora" dla badań nad publicznymi akcjami, moim zdaniem. Nie mówię, że jesteśmy tam w żadnym wypadku, ponieważ dokładność danych i struktury wymagane do włączenia danych wewnętrznych są nadal w toku. Ale właśnie zrobiliśmy krok naprzód w zdolności technologicznej. Testowałem to w GPT-5.4. I chociaż nie jest to idealne, to pierwszy raz otrzymałem coś, co jest użyteczne w tym teście. Przeprowadzę cię przez kilka kroków, aby zrobić to samodzielnie. Krok 1: zrzut mózgu do Claude. Nie wiem, czy jest w tym jakaś logika, czy to tylko mój nawyk, ale jeśli wykonuję zadanie w Chat GPT, będę meta podpowiadał i Claude, i odwrotnie. Nie jestem pewien, czy miejsce, w którym meta podpowiadasz, ma aż tak duże znaczenie dla typów przepływów pracy, które wykonuję, ale ZDECYDOWANIE ma znaczenie, jeśli meta podpowiadasz w porównaniu do surowej podpowiedzi, więc nie pomijaj tego kroku. Krok 2: weź ten wynik podpowiedzi, przekształć go w Markdown i umieść to jako niestandardowe instrukcje w projekcie GPT. To po prostu efektywność przepływu pracy, ponieważ teraz mam projekt GPT, do którego mogę przesłać dowolny model. ...