在金融分析領域，將研究數據轉化為可提交給客戶或高層決策者的正式報告，往往是最耗時且壓力巨大的階段。這段被稱為最後一哩路（Last Mile）的過程，包含了核對證據、構建文件格式、逐一檢查數字準確性，以及將每個結論與原始來源建立連結。對於金融分析師而言，最終產出的 PowerPoint 簡報或 Excel 工作簿不僅要視覺美觀，更必須是可編輯且能承受嚴格審查的專業文件。
根據 OpenAI 官方公布的案例，新創公司 Model ML 正透過導入 GPT-5.6 Sol 模型，試圖將這一繁瑣的流程完全自動化。Model ML 由 Arnie 與 Chaz Englander 兄弟共同創立，他們在經營家族辦公室投資時發現，分析師大量時間被浪費在文件排版與數據搬運上，而非真正的專業判斷。因此，他們開發了一套 AI 代理（Agent）系統，旨在將金融工作流從最初的需求接洽、研究分析，直接推進到可交付的最終成品。
核心技術與運作機制
Model ML 的系統核心是一個負責規劃的中央代理，它會解析使用者的需求，選擇合適的工具，核對證據並執行計算。該系統最關鍵的特點在於其表面不可知（Surface-agnostic）的設計，這意味著金融專業人員可以在電子郵件或專屬 App 中啟動任務，隨後在 Microsoft Office 插件中無縫接續，而無需重新解釋背景。
在技術實作上，Model ML 為 AI 代理提供了專屬的工具集（Toolkits），包括數據集成接口、文件編輯工具以及代碼執行環境。當代理執行任務時，會根據步驟動態加載對應的工具。例如，在處理 Excel 任務時，代理能從客戶模板或空白工作簿開始，自動收集數據、跨分頁構建公式邏輯，並套用金融專用的格式化標準。而在製作 PowerPoint 時，系統則能生成包含可編輯圖表與表格的原生文件，而非單純的圖片，確保審核者可以追溯數據來源並自行修改。
GPT-5.6 Sol 的效能表現
Model ML 建立了一套名為 Composite 的評估基準，用以衡量 AI 在金融服務中的實際表現。在與 Opus 5 等其他領先模型對比後，GPT-5.6 Sol 在多項關鍵指標上展現出顯著優勢。
在 PowerPoint 工作流中，GPT-5.6 Sol 的任務完成率達到 100%，遠高於 Opus 5 的 76%。更重要的是專業就緒率（Professional-readiness rate），即輸出結果是否可以直接進入實質審查而無需大幅重做，GPT-5.6 Sol 的合格率為 43.3%，領先 Opus 5 約 16.6 個百分點。同時，在生成每份簡報所需的 Token 數量（Token 指模型處理文本的最小單位，直接影響成本與速度）上，它比 Fable 5 減少了 21%。
在 Excel 工作流方面，GPT-5.6 Sol 的效率提升更為驚人。在生成工作簿時，其使用的 Token 數量比 Opus 5 少了 36%，這意味著在維持高品質輸出的同時，能大幅降低運算成本並提升響應速度。
實務影響與產能提升
這種自動化能力的提升直接轉化為生產力的飛躍。以一家全球資產管理公司的實例來看，原本需要分析師花費約一小時才能彙整完成的客製化概況表（Tearsheet），在使用 Model ML 系統後，處理時間縮短至 5 分鐘。此外，該系統展現了強大的數據處理能力，能夠一次性處理包含超過 10 萬行數據與數百個文件的虛擬數據室（Virtual Data Rooms）資料。
這項技術的實務意義在於將金融專業人士從機械式的文件製作中解放出來。CEO Chaz Englander 指出，使用者應該將精力集中在專業判斷上，例如精煉假設條件或強化核心訊息，而不是花時間在重建分析模型或調整投影片對齊。
限制與未來趨勢
儘管 AI 已能高效生成原生文件，但 Model ML 認為傳統的 Office 軟體邏輯正面臨挑戰。PowerPoint 與 Excel 是為了手動知識工作而設計的，但在 AI 時代，文件不再是靜止的終點。
目前的限制在於，雖然 AI 能生成高品質的初稿，但金融工作的嚴謹性仍要求人類在分享前檢查所有假設與來源。然而，Model ML 正在推動向瀏覽器端互動輸出的轉型，未來審核者可以直接在投資摘要中點擊某個數字，立即跳轉到背後的財務模型，並在同一頁面與 AI 代理協作修改。這種從靜態文件轉向動態、可追溯知識庫的變革，將重新定義金融分析的運作方式。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。