Endex costruisce un analista finanziario autonomo sui modelli di ragionamento di OpenAI

Cosa ha davvero cambiato Endex sotto il cofano

Endex descrive il proprio allontanamento dalla retrieval-augmented generation (RAG) come approccio principale. Invece di recuperare passaggi di testo e generare risposte a partire da essi, i suoi agenti usano i modelli di ragionamento della serie o di OpenAI per estrarre fatti, individuare incongruenze e contestualizzare le metriche come farebbe un analista.

L'azienda racconta anche di aver drasticamente semplificato una pipeline prima molto elaborata. Dice di essersi basata su prompting complesso, completamenti concatenati e più passaggi di verifica, e che o1 le ha permesso di semplificare tutto questo senza perdere precisione. Separatamente, o3-mini ha offerto quella che Endex definisce un'intelligenza comparabile con un terzo della latenza per turno, usata per lavori multi-step come l'analisi di pacchetti di informazioni confidenziali e la riconciliazione di modelli finanziari.

Sono due affermazioni distinte, da tenere separate: una è una scelta architetturale (ragionamento invece di retrieval), l'altra è un compromesso costo-latenza (un modello di ragionamento più piccolo per gli step ad alto volume). Sono entrambe il tipo di decisione che un team applicato prende solo dopo aver costruito un sistema di valutazione.

Il frontend è il deliverable, non una chat

Il dettaglio più concreto per chiunque costruisca interfacce per agenti è cosa Endex restituisce all'utente. Gli agenti forniscono i risultati come email, documenti, modelli Excel o presentazioni — gli artefatti con cui i team finanziari già lavorano — non come una semplice trascrizione. Anche i task indicati sono altrettanto specifici: panoramiche di transazioni precedenti, riepiloghi delle performance sugli utili, preparazione di memo per i comitati investimenti e due diligence delle data room.

Il CEO Tarun Amasa inquadra l'ambizione esplicitamente attorno all'interfaccia, non alla capacità pura.

Il nostro lavoro va oltre le API: si tratta di costruire le interfacce agente-utente che cambieranno il modo in cui gli analisti finanziari lavorano.Montana Labs

Questa impostazione conta perché indica con precisione la vera superficie del prodotto. Il modello produce ragionamento; il compito del frontend è tradurre quel ragionamento in un memo o in un modello che un professionista possa presentare a un comitato. La funzionalità dichiarata, che permette agli analisti di risalire dalle conclusioni dell'agente alle fonti, è un impegno tanto sull'interfaccia quanto sul modello — le citazioni devono essere visibili, cliccabili e collegate a note specifiche.

La fiducia si costruisce con verifiche incrociate e citazioni, non solo con le risposte

Endex punta sui modi di fallire che i team finanziari temono di più: un aggiustamento di riconciliazione dell'EBITDA non colto, una clausola di change-of-control passata inosservata. La sua risposta sono agenti che segnalano le rettifiche nelle note e fanno emergere incongruenze con citazioni puntuali, spostando il ruolo dell'analista dalla verifica manuale alla decisione.

Per misurare se il modello legge davvero i documenti che contano, Endex ha costruito un proprio benchmark — Finance Agent Retrieval (FAR) — per misurare l'uso del contesto su dati tabellari e grafici. Racconta di usare le capacità di visione di o1 per elaborare presentazioni per investitori, modelli Excel e documenti 8-K. Costruire un benchmark specifico di settore per tabelle e grafici è un segnale rivelatore: i punteggi generici di retrieval non dicono se un modello ha letto la cella giusta in un bilancio.

Sulle preferenze, l'azienda riporta che in test alla cieca con utenti esperti di finanza, o1 è stato preferito il 70% delle volte rispetto a modelli non basati sul ragionamento. Descrive inoltre un fine-tuning per reinforcement di GPT-4o mini e o1, per trasformare dataset personalizzati in miglioramenti di ragionamento su task come l'analisi di transazioni precedenti e l'estrazione di entità.

L'implicazione specifica: il ragionamento verificabile è la superficie del prodotto in finanza

La lezione di Endex non è che i modelli di ragionamento siano migliori — è dove è finito lo sforzo di ingegneria. Endex ha investito in un benchmark per la comprensione di grafici e tabelle, in un framework di valutazione che monitora latenza, tempo al primo token e profondità del ragionamento, e in formati di output che corrispondono agli artefatti finanziari già esistenti, con citazioni tracciabili.

In un ambito regolamentato e sensibile ai dettagli, il patto con il frontend è che ogni conclusione possa essere ricondotta a un documento fonte. Questo vincolo modella tutto ciò che viene prima — la scelta del modello, la decisione di ragionare piuttosto che recuperare, e la scelta di un modello a minore latenza per gli step ripetitivi. I team che costruiscono agenti verticali dovrebbero leggere questo caso non come un'approvazione di un singolo modello, ma come una dimostrazione che l'interfaccia per mostrare e citare il ragionamento è dove si gioca il vero lavoro di prodotto duraturo.