To je také velmi zajímavé Experimentuji s datovými dashboardy řízenými umělou inteligencí, abych systematicky sledoval KPI firmy. Velká část výzkumu veřejného kapitálu spočívá v tvorbě lepších prognóz příjmů (které pak postupně přecházejí do zisku na akcii). Proto je velká část investičního výzkumu zaměřena na sledování dat, která poskytují přesnější prognózy příjmů. To je základ průmyslu alternativních dat. Ale existuje mnoho užitečných datových sad otevřených na veřejnosti. Jak chatboti nabírají na síle (Claude), jsem ohromen schopností těchto nástrojů tato data získat. Pro mě je to další chybějící část, která leží vedle plynulosti v Excelu. Schopnost importovat Excel model (nakonec jej postavit, ale ne dnes), identifikovat klíčové faktory (z otevřených a proprietárních dat), destilovat tato data zpět do prognóz a označovat zpět vlastní upozornění (obchodní dynamika, pravděpodobné úpravy prognóz příjmů, validace/zneplatnění diplomových prací atd.). Teď už mluvíme o tom!! To je o řády užitečnější než obal finančního chatbota. Zajímalo by mě, jestli se tyto nástroje vyvíjejí tak rychle, že většina finančních profesionálů se ani nemusí učit programátory. Například Perplexity Computer zabil něco, co rozhodně nebylo dokonalé, ale vykazuje zásadní pokrok v schopnosti infrastruktury pro tvorbu jednoduchých a výkonných uživatelských rozhraní. Přesnost institucionálního hodnocení zůstává kritickým a stále neúplně vyřešeným problémem (zlepší se to, jak firmy jako CarbonArc zavádějí MCP??), ale je vzrušující vidět, jak se inženýrské schopnosti tak zásadně zlepšují v tak krátkém čase.

Poskytnu trochu konkrétnější informace a ukázky z příkladu. Už mnoho měsíců se mluví o "kurzorovém momentu" ve financích, kdy se pracovní postupy mění tak dramaticky, že narazíte na strmou část adopční křivky. Byl jsem k tomu velmi skeptický, z několika důvodů. Ale nejzákladnějším důvodem je, že technologie LLM prostě neexistovala. Základní modely prostě neměly dostatečný výkon na to, aby mohly s Excel tabulkami pracovat jakýmkoli použitelným způsobem (navzdory efektním demům...). I když vyřešíte (velmi složité) datové výzvy, LLM z roku 2025 prostě neměly dostatek síly na interakci s tabulkami. Takže jsme mohli sedět a diskutovat o mnoha nápadech a konceptech, jak by umělá inteligence mohla podpořit institucionální investiční výzkum. Ale byl to jen koncept. Mám sérii testů, které provádím na nových AI modelech, což jsou testy schopností pro výzkumné postupy ve stylu hedge fondů. A nejjednodušší je nahrát existující Excel soubor, abyste zjistili, jestli LLM pochopí, co se děje. Pokud LLM nedokážou dostatečně číst a rozumět Excelovému modelu, podle mého názoru není možné vytvořit celý systém AI Excel workflow. A ztráta času na zkoumání. To však nijak zvlášť nefungovalo (Opus 4.6 to dokázal, ale ne dobře). Až do včerejška, s GPT-5.4 Thinking. Najednou mohu získat něco, co je nejen mírně užitečné, ale myslím, že se okamžitě stane součástí mého investičního procesu. Říkám tomu "PM Review", tedy strukturované hodnocení a odpor vůči modelu. Účastnil jsem se doslova stovek takových projektů jak jako analytik, tak jako projektový manažer. Analytik v podstatě sestaví model, pošle ho PM a společně ho projdou. Moudrý, zkušený projektový manažer model rozebere na kusy, postaví se proti němu a pomůže ho nasměrovat k použitelnému výsledku. Skvělý projektový manažer dokáže zaměřit dvě nebo tři klíčové proměnné, které jsou důležité, a identifikovat agresivní nebo konzervativní předpoklady. Analytik může nabízet akcii, kde je základní kvantitativní vstup podpořen chybnou logikou. A úkolem premiéra je pokusit se identifikovat tuto chybnou logiku. Tento pracovní postup je pro mě klíčovým rozdílem mezi dobrými a špatnými PM. Tento pracovní postup však není jen pro PM; Je určen pro analytiky, kteří se snaží hodnotit svou vlastní práci, pro analytiky, kteří chtějí promyšleně reagovat na nápady, na kterých se tým může podílet, a pro naše týmy ředitele výzkumu, kteří chtějí efektivně vyhodnotit proces schvalování nápadů. Nebo soukromé zprávy na první střih, pokud mají hodně nápadů. Zajímavé na rozšíření tohoto procesu o AI je, že se neuvěřitelně škáluje. A může běžet autonomně. Na 300 modelech bych mohl mít zástup agentů, kteří by automaticky prováděli due diligence klíčových faktorů, aktualizovali tyto modely, předávali mi výsledky a označovali, které z mých pokrytých nápadů mají potenciál pro revizi výsledků. Tento pracovní postup je podle mého názoru "kurzorovým momentem" pro výzkum veřejné spravedlnosti. Neříkám, že tam jsme, protože přesnost dat a struktury potřebné pro začlenění interních dat jsou stále ve vývoji. Ale právě jsme udělali krok vpřed v technologických schopnostech. Testoval jsem to v GPT-5.4. A i když to není dokonalé, je to poprvé, co jsem v tomto testu dostal něco užitečného. Projdu s vámi pár kroků, jak to zvládnout sami. Krok 1: vysyp mozek Claudeovi. Nevím, jestli je v tom nějaká logika, nebo je to jen můj zvyk, ale když to spouštím v Chat GPT, budu meta promptovat a Claude a naopak. Nejsem si jistý, kde meta prompt je až tak důležitý pro typy workflow, které dělám, ale URČITĚ záleží, pokud metapromptuješ vs. raw prompt, takže tento krok nevynechávej. Krok 2: vezměte výstup z promptu, přeměňte ho do Markdownu a vložte ho jako vlastní instrukce do projektu GPT. Je to jen efektivita pracovního postupu, protože teď mám GPT projekt, do kterého mohu nahrát jakýkoli model. Krok 3: spustit zadání. Záměrně jsem trochu vylepšil svůj model DraftKings (a stejně je to stále ve vývoji, takže si nemyslím, že tyto odhady berte jako něco jiného). Ale přineslo to mimořádně užitečné: 1) Výkonné shrnutí 2) Podnikatelské porozumění (vysvětlení, jak dolar prochází ziskem a ztrátou) 3) Modelové hodnocení, které poskytuje hodnocení a kontrolu sanity všech klíčových vstupů 4) Audit modelů, hledání konzistence vstupů, integrity vzorců a nefunkčních referencí 5) Plán postupné due diligence 6) Otázky z mezinárodních vztahů s nejvyšší hodnotou Doporučuji ti, abys to zkontroloval sám. Odkaz na šestistránkový výstup dám v odpovědích.

Nemohu nesouhlasit s názorem, že modeling je více komoditizován. Modeling nikdy nebude zcela komoditizován. Proč? Finanční model je jen nástroj pro myšlení. Místo, kde můžete kvantifikovat své předpoklady. Jak @pmje73 řekl; Model je kolo, ale stále na něm musíte jezdit. Prvky modelovacího PROCESU se stanou komoditizovanými (stejně jako Visible Alpha komoditizovala konsenzus o ručním šíření). To jsou skvělé zprávy a mohou uvolnit hodiny potřebné k nasazení pro další výzkum. "Všechno je DCF" a investice závisí na prognózách. Jak modelovat klíčové faktory roku 2027 je vícerozměrná destilace procesu due diligence, jehož mnohé klíčové proměnné jsou (navždy) mimo rámec LLM (firmy jsou živé organismy, které běží, ale lidi, ne matematické problémy, takže jejich analýza nelze svést do počítačového kódu). Modelování tedy nebude komoditizováno z extrémně základních důvodů (především proto, že oceňování je jen pohled na budoucí FCF a veškeré modelování na světě nemůže dosáhnout objektivně pravdivé odpovědi na oceňování). Co se však zdá, je, že některé z únavných prvků modelování překračují přijatelný práh augmentace a přístup kopilota může vést k mnohem promyšlenějším, tlakově ověřeným předpokladům za kratší dobu. A to je vzrušující.