Isso também é super interessante Tenho experimentado dashboards de dados baseados em IA para acompanhar de forma mais sistemática os KPIs da empresa. Grande parte do processo de pesquisa em ações públicas é sobre desenvolver melhores previsões de receita (que depois descem para o EPS em vários níveis incrementais). Assim, grande parte do movimento de pesquisa de investimentos é sobre acompanhar dados que informam previsões de receita mais precisas. Essa é a base da indústria alternativa de dados. Mas há muitos conjuntos de dados úteis à vista. À medida que os chatbots ganharam força (Claude), fiquei impressionado com a capacidade dessas ferramentas de acessar esses dados. Para mim, essa é a outra peça que falta ao lado da fluência em Excel. A capacidade de ingerir um modelo do Excel (eventualmente construí-lo, mas não hoje), identificar os principais fatores (a partir de dados abertos e proprietários), destilar esses dados de volta em previsões e sinalizar alertas personalizados (inflexões de momentum de negócio, prováveis revisões em previsões de receita, validação/invalidação de teses, etc). Agora sim!! Isso é muito mais útil do que um wrapper de chatbot financeiro. Fico pensando se essas ferramentas estão avançando tão rápido que a maioria dos profissionais financeiros nem precisa aprender a usar agentes de programação. Por exemplo, a Perplexity Computer eliminou algo que certamente não era perfeito, mas demonstra progresso material na capacidade da infraestrutura harness de construir interfaces simples e poderosas. A precisão do nível institucional continua sendo um problema crítico e ainda não totalmente resolvido (isso melhora à medida que empresas como a CarbonArc lançam MCPs??), mas é empolgante ver as capacidades de engenharia melhorando tão significativamente, em tão pouco tempo.

Vou dar um pouco mais de especificidade sobre isso e alguns trechos de exemplo. Por muitos meses, as pessoas falam sobre um "momento cursor" nas finanças, onde o fluxo de trabalho muda tão drasticamente que você chega à parte íngreme de uma curva de adoção. Tenho sido muito cético quanto a isso, por alguns motivos. Mas a razão mais fundamental é que a tecnologia LLM simplesmente não existia. Os modelos de fundação simplesmente não tinham poder suficiente para interagir com planilhas Excel de forma utilizável (apesar das demonstrações chamativas...). Mesmo que você resolva os (muito complicados) desafios de dados, os LLMs da era de 2025 simplesmente não tinham poder para interagir com planilhas. Assim, podíamos sentar e conversar sobre muitas ideias e conceitos sobre como a IA poderia complementar a pesquisa em investimentos institucionais. Mas era só isso, um conceito. Tenho uma série de testes que realizo em novos modelos de IA que são testes de capacidade para fluxos de trabalho de pesquisa no estilo de fundo hedge. E o mais fácil é simplesmente enviar um arquivo Excel existente para ver se o LLM consegue entender o que está acontecendo. Se os LLMs não conseguem ler e entender suficientemente um modelo do Excel, a pilha completa de fluxos de trabalho de IA no Excel simplesmente não é possível (na minha opinião). E uma perda de tempo tentar explorar. Isso não funcionou de forma nada impressionante (o Opus 4.6 conseguia, mas não era muito bom). Até ontem, com o Pensamento GPT-5.4. De repente, agora posso conseguir algo que não é apenas modestamente útil, mas que acho que vai se tornar imediatamente parte do meu fluxo de trabalho de investimento. Eu chamo isso de "Revisão de PM", ou uma avaliação estruturada e contestação de um modelo. Participei literalmente de centenas desses como analista e gerente de projeto. Na prática, o analista constrói um modelo, envia para o gerente de projeto, e eles passam juntos por ele. O sábio e experiente PM vai despedaçar o modelo, reagir e ajudar a conduzir o modelo a um resultado utilizável. Um ótimo PM será capaz de focar nas duas ou três variáveis-chave que importam e identificar suposições agressivas ou conservadoras. Um analista pode estar apresentando uma ação cujo input quantitativo central é apoiado por uma lógica falha. E o trabalho do primeiro-ministro é tentar identificar essa lógica falha. Esse fluxo de trabalho, para mim, é um diferencial fundamental entre bons e não bons gestores de projetos. No entanto, esse fluxo de trabalho não é só para PMs; É para analistas que tentam avaliar seu próprio trabalho, analistas colegas que querem fazer uma resistência reflexiva sobre ideias das quais a equipe pode participar, nosso diretor de equipes de pesquisa que busca avaliar eficientemente o processo de subscrição de ideias. Ou envie mensagens privadas para o primeiro corte se estiverem olhando para muitas ideias. O aspecto intrigante de aprimorar esse processo com IA é que ele escala incrivelmente. E pode rodar de forma autônoma. Em 300 modelos, eu poderia ter um enxame de agentes fazendo due diligence automatizada sobre os principais impulsionadores, atualizando esses modelos, enviando esses resultados para mim e sinalizando quais das minhas ideias abordadas têm potencial de revisão de lucros. Esse fluxo de trabalho é o "momento cursor" para pesquisas de ações públicas, na minha opinião. Não estou dizendo que estamos lá, de forma alguma, pois a precisão dos dados e as estruturas necessárias para incorporar dados internos ainda estão em andamento. Mas demos um passo à frente na capacidade tecnológica. Testei isso no GPT-5.4. E embora não seja perfeito, esta é a primeira vez que recebo algo útil nesse teste. Vou te guiar por alguns passos para fazer isso sozinho. Passo 1: despejar o cérebro em Claude. Não sei se faz sentido nisso ou se é só um hábito meu, mas se estou executando no Chat GPT, faço o meta prompt e o Claude e vice-versa. Não sei onde seu meta prompt importa tanto para os tipos de fluxos de trabalho que faço, mas CERTAMENTE importa se você faz meta prompt vs. raw prompt, então não pule essa etapa. Passo 2: pegue essa saída de prompt, transforme-a em Markdown e coloque como instruções personalizadas em um projeto GPT. Isso é apenas uma questão de eficiência do fluxo de trabalho, porque assim eu teria um projeto GPT no qual posso enviar qualquer modelo. Passo 3: execute o prompt. Eu propositalmente alterei um pouco meu modelo do DraftKings (e ainda está em andamento, então acredito que não leve nenhuma dessas estimativas como algo assim). Mas produziu uma resposta excepcionalmente útil: 1) Resumo Executivo 2) Compreensão do negócio (explicando como um dólar flui através do P&L) 3) Avaliação do Modelo, fornecendo uma avaliação e verificação de sanidade de todos os principais insumos 4) Auditoria de modelos, buscando consistência de entrada, integridade de fórmulas e referências quebradas 5) Um roteiro para due diligence incremental 6) As perguntas de Infrarresíduos de maior valor Eu te incentivo a conferir por si mesmo. Vou colocar o link para a saída de seis páginas nas respostas.

Não poderia discordar da ideia de que a modelagem tem sido mais comoditizada. A modelagem nunca será comercializada, de forma total. Por quê? Um modelo financeiro é apenas uma ferramenta de pensamento. Um espaço para quantificar suas suposições. Como @pmje73 disse; O modelo é uma bicicleta, você ainda precisa andar nela. Elementos do PROCESSO de modelagem se tornarão comoditizados (assim como a Visible Alpha comoditizou o consenso de espalhamento manual). Isso é uma ótima notícia e pode liberar horas de implantação para mais pesquisas de valor agregado. "Tudo é um DCF", e investimentos dependem de previsões. Como você modela os principais fatores de 2027 é uma destilação multidimensional de um processo de due diligence, muitas variáveis chave do qual estão (para sempre) além do escopo dos LLMs (as empresas são administradas por organismos vivos, mas por pessoas, não por problemas matemáticos, então analisá-las não pode ser condensado em código de computador). Portanto, a modelagem não será comoditizada por razões extremamente fundamentais (principalmente, que a avaliação é apenas um ponto de vista sobre o FCF futuro e toda a modelagem do mundo não pode chegar a uma resposta objetivamente verdadeira sobre avaliação). O que parece estar acontecendo, no entanto, é que alguns dos elementos tediosos da modelagem estão cruzando um limiar aceitável de aumento, e uma abordagem co-piloto pode conduzir a suposições muito mais reflexivas e testadas em menos tempo. E isso é empolgante.