Endex baut einen autonomen Finanzanalysten auf Basis der Reasoning-Modelle von OpenAI

Was Endex unter der Haube wirklich verändert hat

Endex beschreibt den Abschied von Retrieval-Augmented Generation (RAG) als zentralem Ansatz. Statt Textpassagen abzurufen und darauf basierend zu generieren, nutzen die Agenten die o-Serie der Reasoning-Modelle von OpenAI, um Fakten zu extrahieren, Widersprüche zu erkennen und Kennzahlen so einzuordnen, wie es ein Analyst tun würde.

Das Unternehmen berichtet außerdem, eine zuvor aufwendige Pipeline deutlich vereinfacht zu haben. Man habe sich zuvor auf komplexes Prompting, verkettete Completions und mehrere Verifizierungsschritte verlassen, und o1 habe es ermöglicht, dies zu vereinfachen, ohne an Genauigkeit zu verlieren. Unabhängig davon habe o3-mini eine laut Endex vergleichbare Intelligenz bei einem Drittel der Latenz pro Durchgang geliefert – das Modell wird für mehrstufige Aufgaben wie die Analyse vertraulicher Informationspakete und den Abgleich von Finanzmodellen eingesetzt.

Das sind zwei getrennte Aussagen, die man auseinanderhalten sollte: Die eine ist eine architektonische Entscheidung (Reasoning statt Retrieval), die andere ein Kosten-Latenz-Kompromiss (ein kleineres Reasoning-Modell für die häufigen Arbeitsschritte). Beides sind Entscheidungen, die ein angewandtes Team erst nach dem Aufbau eines Evaluierungs-Frameworks trifft.

Das Frontend ist das Endprodukt, keine Chat-Box

Das konkreteste Detail für alle, die Agenten-Interfaces bauen, ist das, was Endex tatsächlich an die Nutzer zurückliefert. Die Agenten liefern Ergebnisse als E-Mails, Dokumente, Excel-Modelle oder Präsentationen – also genau die Artefakte, mit denen Finanzteams bereits arbeiten – statt als reines Transkript. Auch die genannten Aufgaben sind konkret: Übersichten zu Vergleichstransaktionen, Zusammenfassungen der Ertragsentwicklung, Vorbereitung von Investmentkomitee-Memos und Due-Diligence-Prüfungen im Datenraum.

CEO Tarun Amasa rahmt den Anspruch ausdrücklich um die Schnittstelle, nicht um die reine Modellfähigkeit.

Unsere Arbeit geht über APIs hinaus – es geht darum, die Agent-Nutzer-Schnittstellen zu bauen, die verändern werden, wie Finanzanalysten arbeiten.Montana Labs

Diese Einordnung ist wichtig, weil sie die eigentliche Produktoberfläche benennt. Das Modell erzeugt die Argumentation; die Aufgabe des Frontends ist es, diese Argumentation in ein Memo oder Modell zu übersetzen, das ein Profi einem Gremium vorlegen kann. Die genannte Funktion, dass Analysten die Schlussfolgerungen der Agenten bis zu ihren Quellen zurückverfolgen können, ist ebenso eine UI-Verpflichtung wie eine Modellfrage – Zitate müssen sichtbar, anklickbar und mit konkreten Fußnoten verknüpft sein.

Vertrauen entsteht durch Gegenprüfung und Zitation, nicht nur durch Antworten

Endex setzt gezielt an den Fehlerquellen an, die Finanzteams fürchten: eine übersehene EBITDA-Abstimmungsanpassung, eine unbeachtete Change-of-Control-Klausel. Die Antwort sind Agenten, die Restatements in Fußnoten kennzeichnen und Widersprüche mit gezielten Zitaten aufzeigen – wodurch sich die Rolle des Analysten von der manuellen Prüfung zur Entscheidungsfindung verschiebt.

Um zu messen, ob das Modell tatsächlich die relevanten Dokumente liest, hat Endex einen eigenen Benchmark entwickelt – Finance Agent Retrieval (FAR) –, um die Nutzung von Kontext bei Tabellen- und Diagrammdaten zu bewerten. Das Unternehmen berichtet, die Vision-Fähigkeiten von o1 zu nutzen, um Investorenpräsentationen, Excel-Modelle und 8-Ks zu verarbeiten. Einen domänenspezifischen Benchmark für Tabellen und Diagramme zu entwickeln, ist ein aufschlussreiches Signal: Generische Retrieval-Werte erfassen nicht, ob ein Modell die richtige Zelle in einem Finanzbericht gelesen hat.

Beim Nutzerurteil berichtet das Unternehmen, dass Finanzexperten in blinden Nutzertests die Antworten von o1 in 70 % der Fälle gegenüber Nicht-Reasoning-Modellen bevorzugten. Zudem beschreibt Endex das Reinforcement Fine-Tuning von GPT-4o mini und o1, um eigene Datensätze in Reasoning-Verbesserungen für Aufgaben wie die Analyse von Vergleichstransaktionen und die Entitätserkennung umzusetzen.

Die konkrete Konsequenz: Nachvollziehbares Reasoning ist die Produktoberfläche im Finanzbereich

Die Lehre aus Endex ist nicht, dass Reasoning-Modelle besser sind – sondern wohin die technische Arbeit tatsächlich geflossen ist. Endex hat in einen Benchmark für das Verständnis von Diagrammen und Tabellen investiert, in ein Evaluierungsframework, das Latenz, Time-to-First-Token und Reasoning-Tiefe misst, sowie in Ausgabeformate, die den bestehenden Finanz-Artefakten entsprechen und nachvollziehbare Zitate liefern.

Für eine regulierte, detailsensible Domäne besteht die Verpflichtung des Frontends darin, dass sich jede Schlussfolgerung bis zu einem Quelldokument zurückverfolgen lässt. Diese Einschränkung prägt alles, was vorgelagert ist – die Modellwahl, die Entscheidung für Reasoning statt Retrieval und die Wahl eines latenzärmeren Modells für die sich wiederholenden Schritte. Teams, die vertikale Agenten entwickeln, sollten dies weniger als Empfehlung für ein einzelnes Modell verstehen, sondern vielmehr als Beleg dafür, dass die eigentliche, dauerhafte Produktarbeit in der Schnittstelle liegt, die Reasoning sichtbar macht und belegt.