Я предоставлю немного больше конкретики по этому вопросу и примеры. В течение многих месяцев люди говорили о "моменте курсора" в финансах, когда рабочий процесс меняется так резко, что вы попадаете на крутой участок кривой принятия. Я был очень скептически настроен по этому поводу по нескольким причинам. Но самой основной причиной является то, что технологии LLM просто не были на должном уровне. Фундаментальные модели просто не имели достаточной мощности для взаимодействия с таблицами Excel в каком-либо пригодном виде (несмотря на эффектные демонстрации...). Даже если вы решите (очень сложные) проблемы с данными, LLM 2025 года просто не имели мощности для взаимодействия с таблицами. Поэтому мы могли бы сидеть и обсуждать множество идей и концепций о том, как ИИ мог бы дополнить исследование институциональных инвестиций. Но это было всего лишь концепцией. У меня есть серия тестов, которые я провожу на новых моделях ИИ, которые являются тестами возможностей для рабочих процессов исследований в стиле хедж-фонда. И самый простой из них — это просто загрузить существующий файл Excel, чтобы увидеть, может ли LLM понять, что происходит. Если LLM не может достаточно хорошо читать и понимать модель Excel, то весь стек рабочих процессов ИИ в Excel просто невозможен (на мой взгляд). И это пустая трата времени, чтобы пытаться это исследовать. Это не сработало ни в какой впечатляющей степени (Opus 4.6 мог это сделать, но не очень хорошо). До вчерашнего дня, с GPT-5.4 Thinking. Вдруг я могу получить что-то, что не только скромно полезно, но, я думаю, сразу станет частью моего рабочего процесса инвестиционного процесса. Я называю это "PM Review", или структурированная оценка и обратная связь по модели. Я участвовал в буквально сотнях таких процессов как аналитик и PM. Эффективно аналитик строит модель, отправляет ее PM, и они проходят через нее вместе. Мудрый, опытный PM разберет модель на части, даст обратную связь и поможет направить модель к полезному результату. Отличный PM сможет сосредоточиться на двух или трех ключевых переменных, которые имеют значение, и определить агрессивные или консервативные предположения. Аналитик может предлагать акцию, где основное количественное значение поддерживается ошибочной логикой. И задача PM — попытаться выявить эту ошибочную логику. Этот рабочий процесс, на мой взгляд, является ключевым отличием между хорошими и не очень хорошими PM. Однако этот рабочий процесс не только для PM; он предназначен для аналитиков, которые пытаются оценить свою собственную работу, для коллег-аналитиков, которые хотят провести вдумчивую обратную связь по идеям, в которых может участвовать команда, для нашего директора исследовательских команд, которые ищут эффективные способы оценки процесса подбора идей. Или для PM на первом этапе, если они рассматривают множество идей. Интригующий аспект дополнения этого процесса с помощью ИИ заключается в том, что он невероятно масштабируется. И он может работать автономно. На 300 моделях я мог бы иметь рой агентов, проводящих автоматизированную проверку ключевых факторов, обновляющих эти модели, передающих мне результаты и отмечающих, какие из моих охваченных идей имеют потенциал для пересмотра прибыли. Этот рабочий процесс, на мой взгляд, является "моментом курсора" для исследований публичных акций. Я не говорю, что мы там уже, поскольку точность данных и структуры, необходимые для интеграции внутренних данных, все еще в процессе. Но мы только что сделали шаг вперед в технологических возможностях. Я протестировал это в GPT-5.4. И хотя это не идеально, это первый раз, когда я получил что-то полезное в этом тесте. Я проведу вас через несколько шагов, чтобы сделать это самостоятельно. Шаг 1: выложите свои мысли в Claude. Я не знаю, есть ли в этом какая-то логика или это просто моя привычка, но если я работаю в Chat GPT, я буду использовать мета-промпт и Claude и наоборот. Я не уверен, насколько важно, где вы используете мета-промпт для типов рабочих процессов, которые я делаю, но это ОЧЕНЬ важно, если вы используете мета-промпт против обычного промпта, так что не пропустите этот шаг. Шаг 2: возьмите вывод промпта, превратите его в Markdown и добавьте это в качестве пользовательских инструкций в проект GPT. Это просто эффективность рабочего процесса, потому что теперь у меня есть проект GPT, в который я могу загрузить любую модель. ...