Cara OpenAI Membangun ChatGPT untuk Bankir dan Analis — Joseph Kim, OpenAI

하이라이트

• ChatGPT untuk Layanan Keuangan dirancang khusus untuk perbankan investasi dan riset ekuitas dengan menggabungkan data keuangan, antarmuka khusus, dan templat perusahaan.

• Penggunaan Codex di luar bidang teknik melonjak dari hampir nol menjadi sekitar 90% pada Juni 2026 setelah peluncuran aplikasi desktop pada bulan Februari.

• OpenAI melisensikan data keuangan secara langsung dan menghosting indeks pencariannya sendiri menggunakan infrastruktur indeks web untuk meningkatkan keandalan.

• Komputasi yang dibutuhkan untuk mencapai tingkat kinerja model tertentu turun sekitar setengahnya setiap delapan bulan berdasarkan studi algoritma.

• Model internal OpenAI mengusulkan solusi untuk masalah teka-teki hadiah milenium Navier-Stokes dan menghasilkan 719 naskah penelitian matematika.

• Agen AI proaktif dan persisten pada masa depan akan bekerja di latar belakang, mengingat konteks, dan berinteraksi seperti rekan kerja manusia.

타임라인

1. 00:00 - 04:14

   Pengenalan ChatGPT untuk Layanan Keuangan

   Perkembangan kecerdasan model yang pesat belum dirasakan secara merata oleh para profesional di industri keuangan. OpenAI meluncurkan ChatGPT untuk Layanan Keuangan guna membantu para profesional mendapatkan nilai lebih dari pekerjaan sehari-hari. Produk ini dirancang bersama mitra desain utama seperti Morgan Stanley dan Evercore dengan menitikberatkan pada akses data langsung, antarmuka yang akrab, serta templat perusahaan yang sesuai dengan standar organisasi.

   • ChatGPT untuk Layanan Keuangan adalah produk khusus untuk perbankan investasi dan riset ekuitas.
   • Pengembangan produk ini berfokus pada data keuangan, antarmuka khusus, dan format perusahaan.
   • Morgan Stanley dan Evercore bertindak sebagai mitra desain dalam pembuatan produk ini.
2. 04:14 - 05:59

   Kesenjangan Kapabilitas dan Adopsi Produk

   Peningkatan kemampuan model yang luar biasa seringkali tidak sejalan dengan perubahan cara kerja harian para profesional keuangan. OpenAI menyebut jarak ini sebagai overhang kapabilitas atau kesenjangan kapabilitas. Data penggunaan Codex menunjukkan bahwa peluncuran aplikasi desktop pada bulan Februari 2026 menjadi titik infleksi yang mendongkrak adopsi di bidang hukum, keuangan, dan perekrutan hingga mencapai 90% pada bulan Juni.

   • Kesenjangan kapabilitas adalah jarak antara kemampuan model dan nilai yang didapatkan pengguna.
   • Penggunaan Codex di luar bidang teknik melonjak drastis setelah peluncuran aplikasi desktop pada Februari 2026.
   • Pengalaman produk yang tepat mempermudah penerapan kemampuan AI bagi non-insinyur.
3. 05:59 - 09:02

   Arsitektur Data dan Pelatihan Lanjutan

   Kualitas pekerjaan keuangan dibatasi oleh sumber informasi yang diakses, sehingga OpenAI memilih untuk melisensikan data keuangan secara langsung dan menghosting indeks pencariannya sendiri. Meskipun protokol MCP tetap digunakan untuk memberikan akses kepada model, pengelolaan infrastruktur mandiri memberikan kontrol kualitas yang lebih baik. Analogi yang digunakan adalah bahwa MCP bertindak sebagai buku petunjuk, sementara pelatihan lanjutan berfungsi seperti analis senior berpengalaman.

   • OpenAI melisensikan data keuangan secara langsung untuk mengatasi masalah latensi dan kualitas pencarian pada konektor MCP.
   • Infrastruktur pencarian sendiri memberikan kendali penuh atas keandalan dan kualitas data.
   • Pelatihan lanjutan membuat model lebih akrab dengan seluk-beluk data keuangan layaknya analis senior.
4. 09:02 - 15:00

   Tren Kemajuan Model dan Fenomena Ambang Batas

   Kemajuan model kecerdasan buatan dapat diprediksi melalui hukum penskalaan, peningkatan algoritma, dan penalaran. Model internal OpenAI bahkan telah mencapai pencapaian signifikan dalam bidang matematika tingkat lanjut, seperti mengusulkan solusi untuk masalah Navier-Stokes. Ketika sebuah model melewati ambang batas kegunaan, waktu yang dihabiskan untuk meninjau hasilnya menjadi jauh lebih sedikit daripada waktu yang dihemat, sehingga mengubah pola kerja secara drastis.

   • Peningkatan model didorong oleh penskalaan komputasi, peningkatan algoritma, dan pelepasan kendala.
   • Komputasi yang dibutuhkan untuk mencapai tingkat kinerja tertentu menurun separuhnya setiap delapan bulan.
   • Fenomena ambang batas menjelaskan mengapa kemajuan model terasa tiba-tiba setelah melewati tingkat kegunaan tertentu.
5. 15:00 - 18:52

   Masa Depan Keuangan dan Taruhan untuk Tahun 2027

   Dua kekuatan utama yang mendorong pekerjaan keuangan adalah peningkatan model secara umum dan pelatihan lanjutan khusus keuangan yang berfokus pada pemodelan Excel dan presentasi PowerPoint. Bentuk pelepasan kendala berikutnya adalah agen AI persisten yang mampu memegang teguh tujuan dan bekerja di latar belakang. Pada tahun 2027, proses pembuatan model keuangan diperkirakan akan bergeser total, di mana analis AI bertindak seperti rekan kerja dan mengungguli pakar manusia dalam penilaian ekonomi yang berorientasi ke depan.

   • Peningkatan mendasar model dan pelatihan lanjutan khusus keuangan akan mendorong kinerja sektor keuangan.
   • Agen AI yang proaktif dan persisten akan bekerja di latar belakang dan berinteraksi seperti manusia.
   • Model diproyeksikan akan mengungguli pakar manusia terbaik pada tugas keuangan krusial pada tahun 2027.