背景：投資機構真正流失的，往往不只是文件
投資公司的競爭力建立在個別交易判斷之上，但這些判斷通常集中於少數資深投資人手中。當核心人物离职，機構即使保留投資備忘錄、會議紀錄與歷史交易資料，仍可能失去「為何如此判斷」的推理脈絡。Terminal X 將這種狀態稱為記憶負債，也就是文件仍在，決策方法卻已無法完整傳承。
北美金融科技新創 Terminal X 推出的 Capital Memory 作業系統，目標是將投資機構的實務知識轉化為由公司掌控的 AI 代理。公司的前置部署工程師曾任職於 JPMorgan 與 Blackstone，會先與客戶的投資團隊共同設計代理架構，再把基金策略、審查流程與內部觀點編碼進模型。OpenAI 的 GPT-6.1 Sol 與 GPT-6.1 Luna 負責其中的推理工作，整套系統則可部署在客戶的本地環境或自有雲端。
從資深投資人的方法到代理工作流
Terminal X 會花數週駐點客戶現場，重新拆解未曾完整寫入文件的工作方式。例如，信用部門如何初篩借款人，以及共同投資團隊在撰寫投資備忘錄前會查閱哪些資料。工程師再依資產類別與策略建立數百個代理，並為投資流程中的不同階段設置次代理。
需要綜合判斷與長文件處理的任務主要由 GPT-6.1 Sol 執行，例如整合投資論點、辨識關鍵考量，以及評估交易是否符合基金授權範圍。高頻率、成本敏感的工作則交由 GPT-6.1 Luna。系統在企業私有資料室內處理英文、韓文、日文與中文文件，並將所學內容保存為版本化的「Memory」。這個 Memory 不是一般聊天紀錄，而是特定投資台如何處理某類決策的完整紀錄，包括歷史分析、委員會決定、工作流程指示與公司觀點。
代理產出的每項正式結果都能沿著完整稽核軌跡追溯，紀錄包含執行步驟、擷取來源、使用模型與推理內容。Terminal X 也會將 Memory 轉化為可重複執行的工作流，讓同一套判斷標準持續作用於新交易，而不是只停留在單次問答。
以評估代理檢查偏離，再讓錯誤回流
為了確認代理是否真正遵守投資公司的標準，Terminal X 建立 Eval Agent，也就是評估代理。這個評估工作流會像資深副總裁審閱分析師報告一樣，依據一項包含 54 項條件的評分準則，逐項檢查數字、可比公司、共識預測、引用來源、投資敘事與內部觀點是否正確。每項檢查會得到通過或不通過的結果；失敗項目則附上一行原因，以及更合適的來源或修正文字。
這些失敗紀錄同樣會成為 Memory。若代理遺漏來源、選錯可比公司，或投資論點逐漸偏離基金既定方向，系統便將教訓轉化為新的流程指示或測試案例。Terminal X 技術長 Ken Lee 說，每份答案都會接受評估，而分析師每次修正，都會讓系統更理解該投資團隊的工作方式。這形成一個持續迴圈：代理先產生判斷，評估代理找出偏差，人工修正再回寫到系統。
模型比較結果與實際效益
Terminal X 以 500 個已評分的判斷案例比較不同模型。採用 GPT-6.1 Sol 的評估代理與資深人工審查者一致率為 88.6%，次佳模型則為 86.4%，差距相當於 220 個基點。這項結果代表模型在該公司自建測試中更接近資深審查者的判斷，但並不表示模型已能普遍取代投資決策者。
較具體的差異出現在「風格漂移」：買斷型基金的策略是尋找相對資產淨值折價的私有化標的，進行企業承保並安排融資結構；當情境模型顯示市場轉向時，代理卻可能開始建議 distressed credit position（困境信用部位）或救援融資。GPT-6.1 Sol 的評估代理比次佳模型多辨識約 25% 這類偏離基金授權範圍的建議。Terminal X 也利用其長脈絡推理與 token 使用效率，在相同預算下建立更深的審查流程，包括先對照基金授權，再比對近期交易；遇到不確定結果時，代理會重新執行並整合判斷。
在相近速度下，GPT-6.1 Sol 執行相同工作流的每次查詢成本約比次佳模型低 30%。Terminal X 表示，已有客戶在盡職調查與投資備忘錄工作流中取得每年 240 萬美元的節省效益。這是單一客戶回報的年化數字，不能直接視為所有投資公司的平均成果，但顯示自動檢查、文件處理與投資流程整合可能形成可觀的營運槓桿。
規模、影響與限制
截至 OpenAI 的案例資料，Terminal X 已建立 1,700 個機構 Memory，執行超過 100 萬個客製化工作流， 每週活躍使用者相當於每月活躍使用者的 81%。下一階段是把 Memory 從投資台延伸到個人投資人，讓每位專業人員在日常工作中使用的標準也能被記錄，而不只保留組織層級的正式描述。
Terminal X 共同創辦人兼執行長 Hyun Hong 認為，未來勝出的機構會把判斷視為可擁有的資料。真正的價值不只在生成投資建議，而在於把原本依賴個人經驗的推理轉為可衡量、可稽核、可修正並可重複使用的組織資產。不過，這套模式也伴隨明確前提：模型需要依照個別機構的策略和文件運作，評估品質取決於準則是否完整，Memory 是否能持續更新，以及人工審查與修正是否真正回饋至流程。Terminal X 的案例因此展示的是「模型能力加上機構知識治理」的成果，而不是單靠通用模型便能自動重現資深投資人判斷。