Balyasny integrou modelos da OpenAI no dia a dia de 180 equipes de investimento — e 95% delas já usam a ferramenta

A adoção veio de onde o modelo vive, não de qual modelo é

O número que chama atenção no relato da Balyasny é que cerca de 95% das equipes de investimento usam ativamente o sistema de pesquisa com IA. Para uma empresa com cerca de 180 equipes espalhadas por diferentes classes de ativos, isso não é uma vitória do modelo — é uma vitória da interface. Um motor de raciocínio poderoso que os analistas evitam usar gera zero precisão de previsão.

O time de Applied AI da Balyasny, um grupo centralizado de 20 pessoas criado no fim de 2022, construiu o sistema para "raciocinar, buscar informações e agir como um analista experiente". Esse enquadramento importa: a meta não era um chatbot encaixado na área de pesquisa, mas ferramentas "embutidas diretamente nos fluxos de trabalho de cada equipe". O modelo é um componente; a interface diária que o analista toca é o produto.

Os resultados concretos reforçam isso. Um analista de discursos de bancos centrais reduziu a análise de cenários macroeconômicos de dois dias para cerca de 30 minutos. Um agente superprevisor de arbitragem de fusões substituiu planilhas feitas à mão e alertas manuais por monitoramento contínuo da probabilidade de fechamento de negócios. Os dois são substituições reais de fluxo de trabalho, não demonstrações.

Raciocínio rastreável é um recurso de confiança, não um extra

A Balyasny relata que os analistas têm "mais confiança nos resultados" por causa de "ferramentas com escopo definido, caminhos de raciocínio rastreáveis e agentes testáveis". Essa frase descreve decisões deliberadas de design de frontend, não propriedades do modelo. Os analistas conseguem ver de onde veio uma resposta, quais ferramentas foram usadas e se o raciocínio se sustenta.

Em uma área onde um número errado tem custo real, a interface conquista adoção mostrando seu trabalho. O sistema gera "insights estruturados e explicáveis" pensados para "apoiar a tomada de decisão humana", não substituí-la. Essa diferença — reforçar a convicção em vez de emitir veredictos — é o que torna seguro colocar uma ferramenta de pesquisa na frente de 180 equipes.

É como ganhar um colega de equipe que nunca esquece nada, sempre cita as fontes e confere os detalhes antes de te devolver qualquer resposta.Montana Labs

A superfície de feedback está conectada ao fluxo de trabalho

Como as ferramentas fazem parte da rotina diária dos analistas, a Balyasny coleta "feedback estruturado em tempo real" — avaliações dos usuários, auditorias de resultados e qualidade da execução das ferramentas. Essa é uma escolha de design do frontend: a mesma interface que entrega as respostas também capta se elas foram boas.

Esse ciclo gerou uma mudança concreta no produto. As equipes de arbitragem de fusões precisavam que os agentes reavaliassem as probabilidades de fechamento conforme novos documentos e comunicados fossem publicados. A Balyasny ampliou o planejamento dos agentes e o acesso a ferramentas para substituir um processo manual por monitoramento probabilístico em tempo real. A melhoria começou no ponto de uso e voltou para a camada de orquestração.

A Balyasny também trouxe a OpenAI diretamente para essas sessões com usuários, permitindo que os times da OpenAI observassem onde o sistema acertava e onde travava no uso comercial real. "A gente não só contou à OpenAI o que precisava. A gente mostrou", disse o gerente de produto Jonathan Park — um lembrete de que o sinal mais útil está na interface, não em casos de teste.

Implantação federada: um núcleo, várias interfaces locais

A escolha estrutural mais interessante da Balyasny é o que ela chama de "implantação federada". O time de Applied AI constrói o núcleo compartilhado — frameworks de agentes, cadeias de ferramentas e barreiras de compliance —, enquanto cada equipe de investimento desenvolve agentes ajustados à sua classe de ativos, seja macro, commodities ou ações.

Isso divide as responsabilidades com clareza. A engenharia central cuida da arquitetura, da avaliação e dos limites inegociáveis de compliance e segurança de dados. As equipes cuidam da última etapa do próprio fluxo de trabalho. O COO Kevin Byrne descreve o resultado como cada equipe decidindo "como aplicar a IA mais recente ao seu processo, em um ambiente seguro".

A lição para quem constrói IA interna em escala: não force uma única interface em usuários heterogêneos, e não deixe cada grupo reconstruir suas próprias barreiras de segurança. Centralize o que precisa ser consistente — compliance, avaliação de modelos, acesso com escopo definido — e deixe a interface personalizável variar por equipe. Esse equilíbrio, muito mais do que a escolha do GPT-5.4 como motor de raciocínio, foi o que transformou um piloto em 95% de adoção.