Вітаю у Eye on AI. У цьому випуску…Китай блокує купівлю Manus компанією Meta…OpenAI не дотягує до планів щодо виручки та зростання…Anthropic демонструє, що AI-моделі здатні підсилювати дослідження з безпеки ШІ…рішення сенатора Берні Сандерса запросити китайських експертів зі штучного інтелекту на панель у Капітолії дратує “яструбів” щодо Китаю.
У боротьбі за корпоративних клієнтів і OpenAI, і Anthropic активно націлюються на компанії з фінансового сектору. Це логічно: як у старому жарті про те, чому грабіжники йдуть у банк — бо там гроші. Кажуть, OpenAI зібрала цілий загін колишніх інвестаналітиків, щоб створити ще не запущений агентний продукт для фінансового аналізу. Anthropic тим часом додає навички фінансового моделювання до своїх рішень Claude Code, Cowork та Claude for Finance. Стартап Samaya AI також розробляє інструменти ШІ для фінансів. Паралельно з’являється дедалі більше AI-рішень для фінансових порад — про це мій колега Jeff John Roberts детально писав у this корисній нещодавній статті.
Але справжнім першопрохідцем спеціалізованих даних і аналітики у фінансах, без сумніву, є Bloomberg. Доступ до їхнього “термінала” (так називають головний продукт, навіть якщо дані давно не приходять через окремий пристрій) досі вважається обов’язковим інструментом для трейдерів, інвестбанкірів і квантів у хедж-фондах.
Інструменти Bloomberg десятиліттями витримували атаки конкурентів від моменту заснування у 1981 році. Та сьогодні штучний інтелект різко посилює тиск: конкуренти швидко додають AI-функції, а моделі ШІ вміють оперативно поглинати й аналізувати складні набори даних — від цін на облігації й стенограм звітних дзвінків до соцмереж, супутникових знімків і потоків новин — те, що колись лише Bloomberg зводив “в одне місце”. До того ж клієнти Bloomberg дедалі частіше використовують AI, щоб робити моделювання, для якого раніше потребували термінал.
Протягом десятиліть максимальна користь від термінала вимагала, щоб трейдери завчали химерний набір трьох- і чотирилітерних команд та гарячих клавіш — кожна відкривала окрему функцію, інструмент або датасет. Коли я працював репортером у Bloomberg News, усі нові співробітники проходили тижневий тренінг, аби опанувати лише невелику частину можливостей — мінімум, потрібний для доступу до даних та інструментів для роботи.
Ще до мого переходу з компанії до Fortune у 2019 році Bloomberg уже застосовував машинне навчання та великі мовні моделі, щоб зробити доступ до функцій значно інтуїтивнішим і відкрити нові формати аналізу. Після появи генеративних чатботів у 2022-му й нинішніх проривів в агентному ШІ ці зусилля лише прискорилися.
Я час від часу писав про AI-прогрес Bloomberg у here на сторінках Fortune. Проте я все одно був здивований і вражений, відвідавши нещодавній “AI in Finance Summit” у лондонському офісі компанії, де вони демонстрували свій new “AskB” feature — те, що Bloomberg називає найбільшим переосмисленням термінала за всю історію. AskB дозволяє керувати функціями термінала природною мовою, але цим не обмежується. Система працює як агент: створює інвестиційні скринінги та генерує повні аналітичні звіти, включно зі складним фінансовим моделюванням і “бичачими” та “ведмежими” сценаріями для окремих акцій — у реальному часі.
AskB, що використовує під капотом різні AI-моделі — частину від самого Bloomberg, а частину від компаній-розробників передових моделей, зокрема Anthropic, — показує, що Bloomberg серйозно сприймає загрозу з боку AI-native стартапів. Я поспілкувався з Шоном Едвардсом, технічним директором Bloomberg, щоб дізнатися більше про те, як вони створювали AskB. Багато з його тез корисні для будь-яких підприємств, які намагаються змусити агентний ШІ приносити відчутну бізнес-цінність.
Чому дані вирішують усе
Перший висновок простий: дані й далі є ключовою відмінністю. AskB підтягує матеріали Bloomberg News, sell-side дослідження від понад 800 провайдерів, ринкові дані та, дедалі частіше, так звані “альтернативні” набори, які складно або дорого збирати. Сюди входять, наприклад, знеособлені транзакції з банківських карток, вимірювання відвідуваності роздрібних точок на основі сигналів мобільних телефонів, супутникові знімки паркувань і дані щодо використання застосунків. Значна частина цієї інформації не є ексклюзивом Bloomberg — компанія закуповує її у сторонніх постачальників. Але коли все зведено в одному середовищі, агент AskB може робити дуже потужні речі, каже Едвардс, зокрема узгоджувати альтернативні дані з бізнес-сегментами, про які публічна компанія звітує, щоб “науказувати” (nowcast) квартальні KPI. Едвардс згадує, що перед дзвінком Sweetgreen щодо результатів за четвертий квартал 2025 року альтернативні дані буквально кричали про промах повз консенсус-прогноз аналітиків — і зрештою так і сталося. Це наочно демонструє, що дає консолідація різних джерел в одній системі.
На моє запитання, чи не можуть клієнти просто взяти AI-моделі, самостійно “з’їсти” ці дані й робити такі ж розрахунки — і тим самим уникнути щорічної підписки Bloomberg приблизно за $30 000 на користувача, — Едвардс відповів, що дехто пробував і швидко переконався: це складніше, ніж здається. “Треба купити всі ці джерела, виконати валідацію, побудувати бенчмарки — і токени недешеві. Більшість клієнтів кажуть: ‘Супер, Bloomberg, робіть це ви. А я зосереджуся на [власних торгових стратегіях].’”
Водночас це не означає, що ШІ не допомагає. За словами Едвардса, AI-агенти радикально пришвидшили те, як Bloomberg створює датасети. Те, що раніше займало близько чотирьох із половиною місяців, тепер укладається у два дні. У результаті великі команди, які раніше виконували введення даних і очищення, частково переорієнтували на створення внутрішніх оцінювань.
Оцінювання як основа довіри та ROI
І це підводить нас до другого уроку: якісні внутрішні оцінювання (evaluations) — критично важливі, якщо ви хочете отримати вимірювану віддачу від AI-агентів. “Евальюації — не можу достатньо наголосити — це те, що визначає, чи система буде корисною й гідною довіри,” каже Едвардс, називаючи фокус на таких оцінюваннях одним із найбільших культурних зрушень у Bloomberg за останні два роки.
Зібрати ці оцінювання складно — і дешево це не буває. Потрібна тісна взаємодія доменних спеціалістів (у цьому випадку експертів із ковенантів облігацій, аналітиків акцій, фахівців із ринкової мікроструктури й навіть журналістів Bloomberg) з інженерними та продуктовими командами. Bloomberg був готовий забирати таких експертів з їхніх “основних” задач і для написання бенчмарків для субагентів, і для оцінювання цілих робочих процесів. За словами Едвардса, моделі ШІ як оцінювачі підходять для простих кейсів. Але для решти потрібні люди. Під час створення таких оцінювань, каже він, Bloomberg фактично кодує неявні знання своїх експертів у спосіб роботи AI-агентів.
Економія на інференсі: сила мультимодельних пайплайнів
Третій урок — фінансова дисципліна не менш важлива, ніж якість. А це означає, що робочі процеси мають бути мультимодельними. AskB комбінує комерційні “фронтирні” моделі та open-weight моделі, а також внутрішні моделі Bloomberg, скеровуючи запити до найдешевшої моделі, яка здатна виконати завдання з потрібною надійністю й швидкістю для конкретного етапу, пояснює Едвардс.
І нарешті, наступний рубіж — проактивність. Коли я запитав, що буде далі, Едвардс згадав взаємодію агент-до-агента та постійний моніторинг даних. Він хоче, щоб Bloomberg став “очима й вухами” фінансових клієнтів — відстежував світ з огляду на позиції, мандат і стратегію кожного, та підсвічував не лише очевидне, а й другі та треті порядки наслідків. Повінь зупиняє завод, який виробляє деталі для постачальника компанії, акції якої ви тримаєте в лонгу; у баченні Едвардса AskB попередить вас про проблему ще до того, як ви здогадаєтеся поставити запитання.
Реалізувати таку картину буде непросто. Та саме до такого проактивного, завжди увімкненого агента прагнуть багато компаній. Bloomberg демонструє кілька ключових кроків на цьому шляху.
Гаразд, а тепер — новини ШІ цього тижня.
Jeremy Kahn
[email protected]
@jeremyakahn
А перед новинами: хочете краще зрозуміти, як ШІ змінить вашу галузь? Хочете почути інсайти від найкмітливіших керівників технологічного світу та поспілкуватися з інвесторами, мислителями й творцями з Кремнієвої долини та не лише? Любите риболовлю нахлистом або хайкінг? Тоді приєднуйтеся до мене та моїх колег-співголів Fortune Tech в Аспені (Колорадо) на Fortune Brainstorm Tech — найкращій технологічній конференції року. Цьогоріч вона буде ще особливішою, адже ми відзначаємо 30-річчя з моменту заснування конференції. Ми почуємо CEO, зокрема Carol Tomé з UPS, CEO Snowflake Sridhar Ramaswamy, CEO Anduril Brian Schimpf, CEO Yahoo! Jim Lanzone та багатьох інших. Будуть і справжні зірки ШІ, як-от Boris Cherny, який очолює Claude Code в Anthropic, а також Sara Hooker, співзасновниця та CEO Adaption Labs. І, звісно, технологічні легенди на кшталт Steve Case та Meg Whitman. І ви також! Подайте заявку на участь here.
This story was originally featured on Fortune.com
