OpenAI a présenté des processus financiers dans ChatGPT Work for Financial Services et l’application de bureau Codex. La session a montré comment les équipes pouvaient personnaliser ces processus à l’aide de compétences et de plugins, plutôt que de créer une application distincte.
L’équipe d’ingénierie en IA appliquée d’OpenAI a présenté un processus de gestion de patrimoine dans un espace de travail d’entreprise. La démonstration allait d’une modification de portefeuille à une présentation client expliquant les changements, en passant par l’attribution des profits et pertes.
ChatGPT Work for Financial Services associe des données tierces, des modèles adaptés aux tâches financières et des outils qui préparent des présentations et des feuilles de calcul à partir de modèles de documents. Des compétences réutilisables guident l’exécution de tâches précises, tandis que les plugins regroupent des compétences et des connecteurs MCP permettant au modèle d’accéder à des données et d’agir dans des systèmes externes.
Pour les équipes qui développent des outils d’IA internes, la session a présenté un choix entre maintenir une application sur mesure fondée sur des API et étendre les interfaces de ChatGPT et de Codex. Elle a aussi mis en lumière une difficulté moins visible : fournir rapidement des documents financiers récemment publiés, avec un contexte exploitable par le modèle.
La démonstration ne prouve ni la fiabilité en production ni les coûts de fonctionnement ; elle ne suffit donc pas à établir la viabilité économique de cette approche.
Les équipes qui développent des outils financiers internes disposent d’une autre voie de mise en œuvre à évaluer avant de s’engager dans la création d’une application distincte.
Des données récentes et un contexte exploitable restent des exigences techniques, même lorsque le processus s’exécute dans une interface d’IA existante.
Rédigé automatiquement par la rédaction de Made in 10 à partir de la source ci-dessus.
Physicl a levé dix millions de dollars en amorçage pour produire des données d’entraînement destinées à l’IA physique. Sa plateforme recrée des situations difficiles en 3D pour permettre aux développeurs de cibler les faiblesses de leurs modèles.
