Hvad kan ChatGPT for Financial Services gøre for banker og analyseafdelinger?

OpenAI har den 10. september lanceret ChatGPT for Financial Services, en specialiseret udgave af ChatGPT Work til finansielle institutioner. Produktet kombinerer GPT-6 Astra med indbyggede finansdata, virksomhedsadministration og værktøjer til blandt andet investeringsbanker og aktieanalyse. Morgan Stanley og Evercore har deltaget som designpartnere i udviklingen. 15

AI til det tunge analysearbejde

Løsningen er rettet mod tidskrævende og dokumenttunge opgaver, som ofte ligger hos junioranalytikere og yngre bankmedarbejdere. OpenAI beskriver den som et værktøj til at udvikle research, finansielle modeller og tilpasset kundemateriale – ikke som en selvstændig erstatning for faglig vurdering. 56

Den kan blandt andet bruges til:

• Selskabs- og markedsresearch: at sammenfatte materiale fra finansielle kilder, herunder tal i regnskabsindberetninger, transskriptioner og andet kildemateriale.
• Finansiel modellering: at bygge, opdatere og analysere komplekse Excel-modeller uden at ødelægge eksisterende formler og projektmappestrukturer. OpenAI fremhæver blandt andet værdiansættelser, scenarieanalyser og sporing af modellens drivere. 2
• M&A- og opkøbsanalyse: at understøtte screening af mulige købere eller opkøbsemner, udvælgelse af sammenlignelige selskaber, finansiel analyse og opbygning af en præsentation på baggrund af arbejdet.
• Pitchbøger og kundemateriale: at udarbejde researchnoter, diagrammer, dokumenter og PowerPoint-materiale med virksomhedens godkendte Excel-, Word- og PowerPoint-skabeloner og stilregler. 5

Det centrale løfte er mindre manuelt indsamling, omformatering og udarbejdelse af første udkast. Banken har dog fortsat ansvaret for modellen, rådgivningen, kunderelationen og beslutningen om, hvorvidt et AI-svar kan anvendes.

Finansdata med sporbare kilder

En væsentlig del af produktets værdi er at samle premium-finansinformation og AI-modellens ræsonnement i samme arbejdsrum. OpenAI oplyser, at produktet omfatter finansielle data, mens omtalen af lanceringen nævner Daloopa, PitchBook og LSEG blandt dataleverandørerne. 12

Produktet lægger også vægt på detaljerede kildehenvisninger. Brugeren skal kunne spore et genereret tal eller en påstand tilbage til det underliggende materiale i stedet for at behandle AI-svaret som en uforklaret konklusion. Det er særligt vigtigt i finans, hvor små forskelle i eksempelvis periode, justering eller definition kan ændre en værdiansættelse eller anbefaling væsentligt. 5

Synlige kilder gør materialet lettere at gennemgå, men de er ikke en garanti for, at svaret er korrekt. Analytikeren bør fortsat kontrollere, at den citerede passage faktisk underbygger påstanden, at enheder og regnskabsperioder er rigtige, og at modelresultater stemmer med kildedataene.

Integrationer og kontrol i regulerede miljøer

Ifølge OpenAI kan virksomheder centralt administrere adgang og datatilslutninger via virksomhedsplattformen. Den bredere løsning til finanssektoren fremhæver Excel-arbejde og muligheden for at bruge eksisterende aftaler om finansdata frem for at tvinge institutionen over i et nyt researchmiljø. 25

Lanceringens materiale omtaler integrationer og forbindelser med finansdataleverandører som S&P Global, FactSet og LSEG samt et bredere økosystem af connectors. Datasite, Box, Preqin og Intapp nævnes også som eksempler på connectors. 78

Her er en vigtig afgrænsning: Det tilgængelige materiale understøtter, at Intapp indgår i connector-økosystemet, men ikke at der findes et særskilt dokumenteret Intapp-plugin med et klart defineret funktionssæt. Finanshuse, der vurderer løsningen, bør derfor afklare nødvendige datarettigheder, informationsbarrierer, opbevaringsindstillinger og connector-adfærd direkte med OpenAI.

Til regulerede arbejdsgange bygger produktet på ChatGPTs virksomhedskontroller, såsom identitets- og adgangsstyring, rollebaserede kontroller, konfigurerbar dataopbevaring, kryptering, revisionsorienterede logs og separate arbejdsrum til informationsbarrierer. OpenAI oplyser desuden, at kunders forretningsdata som udgangspunkt ikke bruges til at træne modellerne. 5

Adgang og pris

ChatGPT for Financial Services tilbydes kvalificerede finansielle institutioner via OpenAI Sales eller en eksisterende kundeansvarlig. Ved lanceringen havde OpenAI ikke offentliggjort en standardpris pr. bruger, et minimumskøb eller et selvstændigt produktnummer. 39

Det er dermed et indkøb til virksomheden – ikke et almindeligt ChatGPT-abonnement for private brugere. Institutioner skal vurdere tjenesten i sammenhæng med deres licenser til markedsdata, interne datapolitikker og krav til kvalitetssikring.

Konkurrencen med Anthropic

Anthropic er den mest synlige direkte konkurrent på området. Selskabets Claude for Financial Services omfatter agenter til blandt andet pitchmateriale, gennemgang af regnskaber, modelarbejde og compliance-orienterede arbejdsgange.

Begge virksomheder jagter den samme overordnede mulighed: at gøre en generel AI-assistent til et styret arbejdsrum, som kan arbejde på tværs af egne data, Office-filer og finansielle processer. OpenAI fremhæver GPT-6 Astra, integrerede data, kildehenvisninger og en tilpasset ChatGPT Work-oplevelse. Købere bør sammenligne disse funktioner med deres nuværende datastak, kontroller og proces for dokumentproduktion frem for at antage, at produkterne er direkte udskiftelige. 5

Produktivitetsværktøj eller svækket læring?

Den mest sandsynlige effekt på kort sigt er ikke, at bankfolk forsvinder, men at rutineopgaver bliver hurtigere: indsamling af input, første udkast til research, opdatering af regneark, formatering af slides og samling af kundemateriale. Det kan frigøre tid til faglig vurdering, klientforberedelse og dybere analyse.

Modargumentet er, at juniorarbejdet også er en læretid. At afstemme tal, genopbygge en model, opdage en dårlig antagelse og forsvare en konklusion er en del af den proces, der udvikler finansiel intuition. Hvis teams accepterer AI-produceret arbejde uden selvstændig kontrol, kan øget tempo ske på bekostning af denne oplæring.

En fornuftig model er derfor overvåget brug: Analytikere bør undersøge kildehenvisninger, forstå hver models formler og antagelser, afstemme de centrale resultater og kunne forklare den endelige anbefaling. Kildehenvisninger på detaljeniveau kan gøre den disciplin lettere – men det er virksomhedens styring og arbejdsgange, ikke værktøjet alene, der afgør, om automatiseringen styrker eller svækker den finansielle dømmekraft.