OpenAI ha presentado ChatGPT for Financial Services, una versión de ChatGPT Work con datos financieros de pago ya metidos dentro y el modelo GPT-6 Astra por debajo. El producto sale de una colaboración de diseño con Morgan Stanley y Evercore, y arranca apuntando a un trabajo muy concreto: el del analista de banca de inversión.
Puntos clave
- Los socios de diseño son Morgan Stanley y Evercore. OpenAI dice que ese trabajo le sirvió para decidir por dónde empezar: banca de inversión y research de renta variable.
- Trae datos de Daloopa, PitchBook, LSEG News y Crunchbase incluidos, con transcripciones de resultados, estados financieros, fundamentales de compañía y datos de empresas privadas.
- OpenAI indexa y aloja esos datos en su propia infraestructura, en lugar de conectarse a cada proveedor por un conector externo.
- Cada cifra lleva cita granular: se puede rastrear hasta la tabla o el párrafo concreto del que sale, con el material de apoyo resaltado para revisarlo.
- Las tareas que enseña en el anuncio son análisis de valoración, modelización de LBO, cribado de compradores, análisis de resultados y preparación de pitchbooks.
El problema que resuelve no es el modelo, son los datos
Lo interesante del anuncio no es que GPT-6 Astra sepa hacer un modelo de valoración. Es dónde ha decidido OpenAI meter el esfuerzo.
Hasta ahora, si querías que ChatGPT trabajara con datos de PitchBook o de LSEG, tenías que montar la conexión tú: contratar el dato por tu cuenta, levantar un conector y rezar para que la latencia y la recuperación aguantaran. OpenAI dice explícitamente que eso es lo que quita de en medio. El dato viene dentro, indexado en su infraestructura, sin contratos aparte que negociar ni conectores que configurar.
Es la misma lección que se repite en cualquier proyecto de IA que funciona de verdad. Lo primero no es el modelo, es tener el dato bien colocado donde el modelo lo pueda leer. Aquí OpenAI ha hecho esa parte por el cliente y la vende como producto.
El segundo detalle técnico que importa son las citas granulares. Un banquero que normaliza una cuenta de resultados necesita ver la reconciliación y las notas detrás de un EBITDA ajustado: qué costes se excluyeron y por qué. El anuncio pone justo ese ejemplo. Sin la trazabilidad, la respuesta de un modelo sobre una cifra contable no vale para nada, porque nadie la va a firmar.
Quién pone los datos y qué dicen
Los proveedores no son un decorado, son parte del argumento comercial. Jager McConnell, consejero delegado de Crunchbase, apunta a que el dato fiable de mercado privado es difícil de encontrar y de validar desde fuentes públicas, y que su base de compañías, rondas, inversores y adquisiciones queda a mano dentro de ChatGPT.
Thomas Li, consejero delegado de Daloopa, lo enmarca en su propia estrategia de ser la infraestructura de datos para flujos con agentes en servicios financieros. Y Tom Van Buskirk, vicepresidente ejecutivo de tecnología e ingeniería de PitchBook, dice que la industria va hacia respuestas construidas sobre dato de confianza, no solo hacia velocidad.
OpenAI añade que va a seguir haciendo post entrenamiento de sus modelos para que encuentren, interpreten y usen estos conjuntos de datos como lo haría un buen analista. Esa frase es la que separa esto de un chatbot con documentos adjuntos.
Del lado del control, las firmas pueden gestionar de forma centralizada los accesos y las conexiones de datos, con los controles de seguridad y gobierno de ChatGPT para empresa.
El movimiento de mercado
No es el único que va por ahí. Hace dos semanas Google llevó Gemini Enterprise a la banca y a los bufetes con la misma idea de fondo: vender el sector, no la tecnología. Y esta misma mañana OpenAI presentaba también un Data agent dentro de ChatGPT Work que monta cuadros de mando hablando con el almacén de datos.
Las tres piezas cuentan lo mismo desde ángulos distintos. Los modelos generalistas se parecen cada vez más entre ellos, así que la pelea se ha movido a quién tiene el dato de cada sector y quién lo sirve con menos fricción.
Hay un motivo económico detrás de esa mudanza, y es el que explica la prisa. Según el índice mensual de Ramp, la cuota de los modelos de frontera cayó del 53% al 45% de los tokens en un mes, y el precio efectivo por millón bajó un 41% hasta 0,68 dólares. Si el modelo caro deja de justificarse por sí solo, el laboratorio tiene que vender otra cosa encima. Un paquete sectorial con datos de pago incluidos y trazabilidad es exactamente esa otra cosa: no se compara por precio por token, se compara con lo que cuesta la licencia de PitchBook más las horas del analista.
OpenAI también dice que el producto tendrá los modelos nuevos de serie según vayan saliendo, y que ha mejorado el rendimiento de los conectores existentes para las fuentes que la firma ya tenga contratadas por su cuenta.
Por qué importa
Si diriges una empresa que no es un banco de inversión, la lectura útil no es el producto, es el patrón. OpenAI ha cogido un rol concreto (el analista junior que pasa media jornada buscando cifras y montando el material), ha metido las fuentes de datos que ese rol usa y ha hecho que cada número sea rastreable.
Ese ejercicio se puede hacer en cualquier empresa, y no hace falta que te lo venda nadie. Coge el rol de tu compañía que más horas pierde buscando información en sitios distintos, junta esas fuentes en un solo sitio al que el modelo pueda entrar, y exige que toda respuesta venga con el origen del dato.
La parte que sí conviene copiarle a OpenAI es la trazabilidad. Un panel que da un número sin decir de dónde sale se usa dos semanas y se abandona, porque a la primera cifra rara nadie sabe si el fallo es del dato o del modelo. Si la respuesta enlaza a la fila concreta de la que sale, la conversación deja de ser sobre si la IA acierta y pasa a ser sobre si el dato de origen está bien. Que es la conversación que de verdad interesa.
Fuente original: OpenAI
Relacionado
