Dette er også veldig interessant Jeg har eksperimentert med AI-drevne datadashbord for å spore selskapets KPI-er mer systematisk. Mye av forskningsprosessen for offentlig aksje handler om å utvikle bedre inntektsprognoser (som deretter går ned til EPS på ulike trinn). Dermed handler mye av investeringsforskningsbevegelsen om å spore data som gir mer nøyaktige inntektsprognoser. Dette er grunnlaget for industrien for alternative data. Men det finnes mange nyttige datasett som ligger åpent. Etter hvert som chatboter har fått armer (Claude), har jeg blitt imponert over hvor effektive disse verktøyene er til å hente ut disse dataene. For meg er dette den andre manglende brikken som ligger sammen med Excel-flyt. Muligheten til å ta inn en Excel-modell (til slutt bygge den, men ikke i dag), identifisere nøkkeldrivere (fra åpne og proprietære data), destillere disse dataene tilbake til prognoser, og flagge tilbake tilpassede varsler (forretningsmomentum, sannsynlige revisjoner av inntektsprognoser, validering/ugyldiggjøring av avhandling, osv). Nå snakker vi!! Dette er mange størrelsesordener mer nyttig enn en finanschatbot-innpakning. Jeg lurer på om disse verktøyene utvikler seg så raskt at de fleste finansprofesjonelle ikke engang trenger å lære kodingsagenter. For eksempel slo Perplexity Computer noe som definitivt ikke var perfekt, men som viser betydelig fremgang i kapasiteten til harness-infrastrukturen til å bygge enkle, kraftige brukergrensesnitt. Institusjonell kvalitetsnøyaktighet er fortsatt et kritisk og fortsatt ikke fullt løst problem (blir dette bedre når selskaper som CarbonArc lanserer MCP-er??), men det er spennende å se at ingeniørkapasiteten forbedres så betydelig, på så kort tid.