OpenAI מציגה ChatGPT למחקר פיננסי עם נתונים והפניות למקורות
לפי OpenAI, סביבת ChatGPT for Financial Services משלבת נתונים מקצועיים והפניות למקורות לצורך מחקר ומודלים פיננסיים. איכות התוצרים טרם נבדקה עצמאית.
OpenAI רוצה להכניס את ChatGPT לתוך עבודת המחקר הפיננסי, עם הנתונים שעליהם היא נשענת ולא רק עם יכולת לנסח תשובות. ב-10 בספטמבר הכריזה החברה על ChatGPT for Financial Services, סביבת עבודה למוסדות פיננסיים זכאים המשלבת את GPT-6 Astra עם מקורות מידע מקצועיים. עבור בנקים, בתי השקעות וחברות פינטק בישראל, השאלה היא מה אפשר להפיק מחיבור כזה, ואילו בדיקות עדיין חייבות להישאר בידי אנשי המקצוע.
מה הושק: סביבת עבודה פיננסית, לא רק חלון צ'אט
לפי ההכרזה, ChatGPT for Financial Services משלב נתונים פיננסיים מובנים מספקים ובהם Daloopa, PitchBook ו-LSEG News. השימושים שהוצגו כוללים הכנת מחקר, בניית מודלים פיננסיים ויצירת חומרים ללקוחות. המוצר עוצב בשיתוף Morgan Stanley ו-Evercore, והדגש בו הוא על שילוב הנתונים והפניות מדויקות למקורות במהלך העבודה עצמה. זהו מידע על תכנון המוצר ועל ייעודו, לא הוכחה עצמאית לאיכות התוצרים.
ההבדל המעשי מצ'אט כללי הוא נקודת ההתחלה של המשימה. במקום להסתפק בשאלה כתובה ולארגן בנפרד את החיבור למאגרי המידע, סביבת העבודה מיועדת להביא את המידע הפיננסי לתהליך המחקר. כשאנליסט מבקש להשוות חברות או להכין טיוטת סקירה, הערך האפשרי אינו רק טקסט מנוסח היטב. הוא האפשרות לעבור מהטענה אל הנתון שעליו היא נשענת, ולבדוק אותו לפני שממשיכים הלאה.
חשוב גם להפריד בין המודל לבין המוצר. GPT-6 Astra הוא רכיב בסביבה שהוכרזה; ספקי המידע, שילוב המקורות ותהליך העבודה הם חלק אחר מההצעה. לכן בחינה של המוצר לא צריכה להסתכם בשאלה אם המודל עונה יפה על שאלות כלכליות. היא צריכה לבדוק אם סביבת העבודה מסייעת להכין תוצר פיננסי שאפשר לבקר, לתקן ולהעביר לאישור.
למה הפניות למקורות חשובות, ומה הן לא פותרות
במחקר פיננסי, טעות קטנה בהקשר יכולה לשנות מסקנה שלמה. הכנסות לרבעון אינן הכנסות לשנה, נתון במטבע אחד אינו ניתן להשוואה ישירה לנתון במטבע אחר, ותחזית אינה תוצאה שדווחה בפועל. הפניה למקור יכולה לעזור לאנליסט לזהות את ההבדלים האלה. היא אינה מבטיחה שהמערכת בחרה בתקופה הנכונה, השתמשה בהגדרה המתאימה או ביצעה נכון את החישוב שבין הנתון למסקנה.
הפניה למקור היא נקודת התחלה לבדיקה, לא אישור שהמסקנה נכונה.
נניח שבית השקעות מבקש להכין השוואת רווחיות בין חברות. תוצר שימושי צריך להבחין בין נתון מדווח לבין התאמה שהאנליסט בחר לבצע, ולהבהיר אילו הנחות נכנסו למודל הפיננסי. אם מתקבל הסבר משכנע אך ההנחות נשארות עמומות, חלק מרכזי מעבודת הבקרה עדיין חסר. זהו תרחיש בדיקה מוצע למוצר, ולא תיאור של יכולת שאומתה בהשקה.
גם איכות הניסוח עלולה להטעות. מסמך מסודר יכול להיראות מוכן לשליחה ללקוח לפני שנבדקו הנתונים שבו. לכן יש לבחון בנפרד את נכונות המספרים, התאמת המקורות ותוקף הפרשנות. ההבטחה של סביבת עבודה משולבת מעניינת בדיוק משום שהיא עשויה להקל על הבדיקה הזאת. בלי בדיקה מעשית, אי אפשר לקבוע שהיא אכן מקצרת אותה או מפחיתה טעויות.
המשמעות לישראל: לבדוק כיסוי, עברית והרשאות
ההשקה אינה מעידה שהמוצר כבר פועל בבנקים בישראל. הזמינות שהוצגה היא למוסדות פיננסיים זכאים, ובתחקיר אין אישור לזמינות מקומית, ללקוחות ישראליים או לתנאי התקשרות עבורם. עבור גוף ישראלי, הצעד הראשון הוא בירור זכאות וכיסוי, לפני בחינת התועלת. עצם החיבור לספקי מידע מוכרים אינו מוכיח שכל חברה מקומית, דיווח בעברית או סוג מידע הדרוש למחלקת המחקר נכללים בו.
- כיסוי השוק המקומי: לבדוק אם המקורות כוללים את החברות, ניירות הערך והדיווחים שהצוות מנתח, ובאיזו רמת עדכניות.
- עברית ואנגלית: לבחון אם סיכום בעברית שומר על משמעות המונחים, ההסתייגויות וההבחנה בין תחזית לתוצאה.
- מטבעות ותקופות: לבדוק כיצד מטופלים נתונים בשקלים ובמטבעות זרים, ומה קורה כשמשווים תקופות דיווח שונות.
- הרשאות ומידע רגיש: לברר מי רשאי לגשת לחומר, אילו נתונים מותר להזין ומהם תנאי השמירה והעיבוד.
- רישוי ושימוש בתוצרים: לוודא שתנאי השימוש במידע מאפשרים את השימוש המתוכנן, במיוחד בחומרים המיועדים ללקוחות.
אין בתחקיר פרטים מאומתים על תמחור, תמיכה בעברית, מיקום אחסון הנתונים או התאמה לדרישות בישראל. אין להסיק ששילוב מקורות מקצועיים פותר את שאלות הפרטיות, הרישוי והציות.
לחברת פינטק ישראלית שמכינה מחקר על שווקים בחו״ל עשוי להיות תרחיש בדיקה שונה מזה של בנק העוסק בתיקי לקוחות מקומיים. הראשונה יכולה להתחיל במשימה הנשענת על מידע חיצוני מורשה; השני יצטרך לבחון בקפדנות גם את גבולות השימוש במידע לקוחות. ההבחנה חשובה: תועלת במשימת מחקר אינה אישור להעביר לאותה סביבה מסמכים פנימיים או מידע אישי.
מה הלאה: למדוד זמן בדיקה, לא רק זמן כתיבה
מוסד שיבחן את המוצר יכול להתחיל במחקר שכבר הושלם ונבדק, באמצעות מידע שמותר להשתמש בו. כך אפשר להשוות את התוצר החדש לבסיס מוכר: האם נבחרו אותם נתונים, האם ההפניות תומכות בטענות, ואילו טעויות או פערים נדרש האנליסט לתקן. כדאי לתעד גם את משך הבקרה ואת מספר התיקונים המהותיים, במקום למדוד רק כמה מהר הופיעה טיוטה על המסך.
זו הנקודה המרכזית בהשקה: OpenAI מציעה לחבר בין יצירת תוכן לבין מקורות המידע של העבודה הפיננסית. עבור הקהל הישראלי, מדובר במוצר שכדאי לבחון דרך משימות מוגדרות, לא בהוכחה שאפשר למסור למערכת שיקול דעת מקצועי. המבחן יהיה אם היא מסייעת להגיע למחקר שניתן לבדוק ולאשר בפחות עבודה כוללת, בלי לטשטש את האחריות של מי שחותם עליו.
שאלות נפוצות
מה זה ChatGPT for Financial Services?
זו סביבת עבודה של OpenAI למוסדות פיננסיים זכאים, המשלבת את GPT-6 Astra עם נתונים מספקים ובהם Daloopa, PitchBook ו-LSEG News. היא מיועדת להכנת מחקר, מודלים פיננסיים וחומרים ללקוחות, תוך שילוב הפניות למקורות בתוך העבודה.
האם ChatGPT for Financial Services זמין לבנקים בישראל?
הזמינות שהוצגה היא למוסדות פיננסיים זכאים, אך בתחקיר שסופק אין אישור לזמינות בישראל או להטמעה בבנק ישראלי. מוסד מקומי צריך לברר מול OpenAI את תנאי הזכאות, הכיסוי וההתקשרות.
האם אפשר לסמוך על מחקר פיננסי של ChatGPT כשיש מקורות?
הפניה למקור מאפשרת לבדוק את התשובה, אך אינה מבטיחה שהנתון פורש או חושב נכון. לפני שימוש בהחלטה פיננסית או העברה ללקוח, צריך לבדוק את התקופה, המטבע, ההנחות וההתאמה בין הטענה למקור.
דרגו את הכתבה
הדירוג עוזר לנו לדעת מה שווה לכם.
תגובות