Ifølge en artikkel publisert av PYMNTS, OpenAI har begynt å hente inn tidligere ansatte fra Wall Street som treningseksperter for sine neste generasjons kunstige intelligens-modeller. Denne strategien markerer et tydelig skifte fra generelle datasett hentet fra nettet til bruk av virksomhets- og fagspesifikke data med høy kvalitet.
Bakgrunn og motivasjon
OpenAI arbeider for å utvide sin virksomhet utover vanlige chat-roboter og over i område som genererer jevn, høyverdig inntekt. Ifølge artikkelen har selskapet engasjert over 100 tidligere investeringsbankansatte fra selskaper som Goldman Sachs, JPMorgan Chase og Morgan Stanley til prosjektet, kalt «Project Mercury». Disse konsulentene får rundt 150 USD per time for å bygge Excel-modeller for børsnoteringer, restruktureringer og oppkjøp, og for å raffinere modellresultater basert på deres ekspertise.
Å trene AI-systemer på ekte finansdata fremfor kun åpne nettsidetekster gir OpenAI tilgang til et strukturert og etterprøvbart datagrunnlag. Slik kan modellene bli mer nøyaktige og bedre tilrettelagt for bedriftsbruk – spesielt der regulering, revisjon og etterprøvbarhet er viktig.
Finansmodeller som treningsgrunnlag
Investeringsbankverdenen byr på et slags treningsmateriale som mange språkmodeller tidligere har slitt med: regneark med omfattende logikk, hierarkiske avhengigheter og mange trinn i beregninger. Offentlige data mangler ofte formler eller avhengigheter som ligger til grunn for finansmodeller. Dermed står firmaer som OpenAI overfor behovet for treningsdata som ikke bare består av tekst, men av strukturert analyse og tallmateriale.
Ved å bruke tidligere bankfolk som skriver og reviserer reelle modeller, forsøker OpenAI å bygge et treningssett der modellene lærer hvordan eksperter tenker rundt sammenhenger som gjeld, kontantstrøm, egenkapital og risiko. Dette gjør det mulig å finjustere modellene for oppgaver som verdsettelse, risikoanalyser og prestasjonsberegning.
Bevegelsen mot domene-spesifikke modeller
OpenAI er ikke alene om å satse på modeller som er spesialisert for enkelte domener. Andre aktører har også begynt å vri data- og treningsmodellene sine i retning av ekspertmerket annotering — for eksempel i medisin, robotikk og finans. Ved å bruke domeneeksperter og kuraterte datasett i stedet for store mengder generiske tekstdata, ønsker de å heve signal-til-støy-forholdet og øke presisjonen.
Denne tilnærmingen gjør det mulig å utvikle systemer som er mer robuste, har bedre etterprøvbarhet og kan brukes i mer regulerte miljøer. For OpenAI betyr det at de ønsker at deres AI-systemer i større grad kan anvendes av selskaper, i finans- og næringslivssammenheng, hvor kravene til nøyaktighet og stabilitet er høyere.
Impliksjoner og fremtidsutsikter
Ved å ta i bruk denne typen strukturert treningsmateriale, tar OpenAI et tydelig skritt inn i enterprise-markedet. Selskapet beveger seg mot å tilby AI-løsninger som ikke bare kan generere tekst og kode, men som kan håndtere komplekse, profesjonelle prosesser og logiske sammenhenger. Det vil kunne åpne for nye forretningsmodeller, høyere inntekter og bredere anvendelse i bransjer som finans, rådgivning og juridisk tjenesteyting.
Samtidig setter dette fokus på behovet for høyverdig data og ekspertinnsikt som treningsgrunnlag for AI. Når generelle modeller møter begrensninger, blir skreddersydd trening – med profesjonelle bidragsytere og strukturert materiale – stadig viktigere. Det gjenstår å se i hvilken grad OpenAI lykkes med denne satsingen, og hvordan konkurrentene responderer på dette domene-spesialiserte skiftet.
Avslutningsvis viser artikkelen fra PYMNTS at OpenAI ser ut til å gjøre en strategisk dreining mot å bygge mer avanserte og målrettede modeller. Ved å hente eksperter fra Wall Street og bruke ekte finans-modeller som treningsdata, posisjonerer selskapet seg for å tilby AI-løsninger med høyere grad av profesjonalitet og relevans for næringslivet.