Perspektiv
ChatGPT bliver specialiseret til finans – Domæneviden er ikke det samme som dømmekraft
OpenAI har lanceret en særlig ChatGPT-udgave til finansielle virksomheder med indbyggede datasæt, kildehenvisninger og skabeloner. Nyheden viser, hvor AI-produkter er på vej hen: fra brede chatværktøjer til fagspecifikke arbejdsrum. Men adgang til bedre data kan ikke erstatte faglig vurdering.
Den brede chatbot får arbejdstøj på
De første generative AI-værktøjer blev solgt som universelle assistenter. Det samme chatfelt skulle kunne skrive en fødselsdagstale, forklare en kontrakt og analysere en virksomhed.
Nu kommer næste fase: Værktøjerne får adgang til bestemte datasæt, arbejdsgange, skabeloner og faglige begreber. De bliver mindre universelle på overfladen og mere integrerede i et bestemt arbejde.
OpenAI lancerede den 10. september 2026 ChatGPT for Financial Services. Produktet er målrettet finansielle institutioner og samler virksomhedens model med finansdata, eksisterende abonnementer, forbindelser til arbejdsredskaber og skabeloner til blandt andet regneark, dokumenter og præsentationer.
Nyheden handler derfor ikke kun om banker. Den viser, hvordan AI-markedet bevæger sig fra “spørg en model” til “arbejd i et fagligt miljø”. Det kan give bedre resultater. Det kan også gøre fejl mere overbevisende, fordi de kommer pakket ind i velkendte data og formater.
Hvad indeholder den nye løsning?
Ifølge OpenAI er produktet udviklet med Morgan Stanley og Evercore som designpartnere. Det begyndende fokus er investeringsbankvirksomhed og aktieanalyse, hvor medarbejdere bruger meget tid på at finde data, normalisere tal, bygge modeller og omsætte analysen til materiale for kolleger eller kunder.
OpenAI fremhæver tre lag:
- indbyggede premiumdata fra blandt andre Daloopa, PitchBook, LSEG News og Crunchbase
- forbindelser til eksisterende abonnementer og mere end 50 andre datatjenester og værktøjer
- GPT-6 Astra til informationssøgning, finansiel analyse og produktion af dokumenter, regneark og slides
Administratorer kan desuden udgive virksomhedens egne Excel-, Word- og PowerPoint-skabeloner. Det gør det muligt at få et resultat i den form, medarbejderne allerede arbejder med.
Produktet er ikke en almindelig forbrugerfunktion. OpenAI oplyser, at det er tilgængeligt for kvalificerede finansielle institutioner, som skal kontakte virksomheden om adgang.
Den vigtigste funktion er måske ikke modellen
I en finansiel analyse er tallet sjældent nok. Man skal også vide, hvor det kom fra, hvilken periode det dækker, hvordan det blev justeret, og hvilke noter der ændrer betydningen.
OpenAI fremhæver derfor detaljerede kildehenvisninger, som kan føre brugeren tilbage til bestemte tabeller og tekstpassager. Det er vigtigere end det lyder. En kildehenvisning gør ikke analysen korrekt, men den gør det muligt at efterprøve den.
Der er stor forskel på disse to svar:
“Selskabets indtjening blev forbedret markant.”
og:
“Den justerede indtjening steg, men beregningen udelukker disse tre omkostninger; her er tabellen og noten, hvor justeringen fremgår.”
Det andet svar giver en fagperson noget at arbejde med. Det første kræver tillid til formuleringen.
En kilde er ikke det samme som et bevis
Kildehenvisninger kan skabe falsk tryghed, hvis de kun bruges som blå links under et sikkert svar. Kontrollen begynder først, når nogen åbner kilden og vurderer sammenhængen.
En model kan blandt andet:
- hente det rigtige tal fra den forkerte periode
- blande rapporterede og justerede nøgletal
- overse en note om ændret regnskabspraksis
- sammenligne virksomheder med forskellige definitioner
- bruge en sekundær kilde, selv om en primær rapport findes
- beskrive sammenfald som en forklaring
Licenserede data kan være bedre struktureret og mere stabilt leveret end en tilfældig websøgning. Men kvaliteten afhænger stadig af datakilden, opdateringen, afgrænsningen og spørgsmålet.
Den menneskelige opgave flytter sig derfor. Mindre tid kan gå til at kopiere tal. Mere opmærksomhed skal gå til at forstå metode og konsekvens.
Specialisering består af mere end fagord
Et værktøj bliver ikke fagspecifikt, fordi det kan skrive “EBITDA”, “multipel” eller “kapitalstruktur”. Reel specialisering kræver mindst fire ting.
1. Faglige datakilder
Værktøjet skal have adgang til relevante og lovligt anvendelige data. Det skal være tydeligt, hvad der er offentligt, licenseret, internt eller fortroligt.
2. Fælles definitioner
To organisationer kan bruge samme ord forskelligt. Selv inden for samme virksomhed kan “kunde”, “omsætning” eller “risiko” have flere betydninger. Modellen skal arbejde med de definitioner, der gælder i situationen.
3. Kendte arbejdsformer
En god analyse skal kunne ende i de modeller, notater og præsentationer, som teamet faktisk bruger. Skabeloner er derfor ikke kun pynt. De kan bære krav til struktur, kilder og godkendelse.
4. Kontrol og ansvar
Nogen skal kunne se, hvilke data der blev anvendt, hvilke antagelser modellen foretog, og hvem der godkendte resultatet. Uden det er specialisering blot en mere troværdig overflade.
Sikkerhedsfunktioner skal vurderes konkret
OpenAI oplyser, at løsningen bygger på virksomhedsfunktioner som SAML-login, automatisk brugeradministration og rollebaseret adgang. Forretningsdata bruges ifølge leverandøren ikke til modeltræning som standard, og administratorer kan styre opbevaring, adgang til værktøjer samt læse- og skrivehandlinger.
Der kan også oprettes flere arbejdsrum for at understøtte informationsbarrierer. Det er relevant i finans, hvor en medarbejder ikke nødvendigvis må se materiale fra en anden sag eller afdeling.
Det er gode spørgsmål at få besvaret. Men funktionslisten må ikke stå alene. Virksomheden skal undersøge den konkrete aftale, dataplacering, logning, underleverandører, sletning og håndtering af hændelser.
En adgangskontrol beskytter kun, hvis rollerne er korrekte og løbende vedligeholdes. En log er kun nyttig, hvis nogen ved, hvornår den skal undersøges.
Finansiel AI er ikke én risikokategori
EU’s AI-forordning behandler ikke alt, der foregår i en bank, ens. Det afgørende er anvendelsen og dens konsekvens.
Et system, der hjælper en analytiker med at samle offentlige selskabsdata, er noget andet end et system, der vurderer en fysisk persons kreditværdighed eller adgang til en væsentlig tjeneste. Sidstnævnte kan høre til forordningens højrisikoområder og udløse særlige krav.
Man kan derfor ikke afgøre risikoen ud fra produktnavnet “Financial Services”. Hver arbejdsgang skal vurderes for sig:
- Hvem påvirkes af resultatet?
- Er der tale om analyse, anbefaling eller automatisk beslutning?
- Hvilke personoplysninger indgår?
- Kan en person forstå og udfordre udfaldet?
- Hvad sker der, hvis modellen tager fejl?
Den samme model kan være lavrisiko i én opgave og uacceptabel i en anden.
Fem spørgsmål til enhver fagspecifik AI-løsning
Nyheden giver en nyttig tjekliste, også til virksomheder uden for finans.
Hvor kommer fagligheden fra?
Spørg hvilke kilder, data og eksperter der har formet løsningen. “Trænet til branchen” er ikke et tilstrækkeligt svar.
Kan påstanden føres tilbage til grundlaget?
Kilder skal være præcise nok til kontrol. Et link til en hel rapport er mindre værd end en henvisning til den konkrete tabel og periode.
Hvilke definitioner kan I selv styre?
Undersøg om egne begreber, beregninger og skabeloner kan vedligeholdes uden at blive gemt i løse prompts hos enkelte medarbejdere.
Hvem kan gøre hvad?
Kortlæg læseadgang, skriveadgang, deling og eksport. Vurder også, om leverandørens support eller underleverandører kan få adgang i særlige situationer.
Hvordan måler I kvalitet?
Et hurtigt resultat er ikke nok. Mål fejl i tal, manglende kilder, rettelser, tid til kontrol og situationer, hvor modellen burde have sagt “det ved jeg ikke”.
Begynd med en analyse, I allerede forstår
Den bedste pilot er ikke den mest imponerende opgave. Det er en opgave, hvor I allerede har et kendt resultat og kan se, præcis hvor modellen sparer tid eller skaber fejl.
Vælg eksempelvis en tidligere analyse og fjern facit fra inputtet. Lad værktøjet finde data, dokumentere kilder, opstille antagelser og producere et udkast i jeres skabelon. Lad derefter en erfaren medarbejder gennemgå hvert led.
Registrér ikke kun, om konklusionen var rigtig. Notér også:
- hvor mange kilder der skulle åbnes manuelt
- hvilke antagelser der var skjulte
- hvor ofte tal og perioder blev forvekslet
- hvor meget tid kontrollen tog
- om et nyt teammedlem kunne forstå dokumentationen
Hvis kvaliteten kun kan opretholdes, fordi en ekspert omskriver hele resultatet, er løsningen endnu ikke en effektiv genvej.
Fra generel intelligens til fagligt ansvar
ChatGPT for Financial Services viser, at næste bølge af AI-produkter ikke kun konkurrerer på modelstyrke. De konkurrerer på adgang til troværdige data, integration i arbejdet, skabeloner, kontrol og dokumentation.
Det er sundt. En fagperson har mere brug for et svar, der kan undersøges, end et svar, der bare lyder sikkert.
Men domænepakningen må ikke forveksles med dømmekraft. Modellen kan finde, beregne og formulere. Det er stadig mennesker, der skal forstå interessen bag analysen, vurdere usikkerheden og tage ansvar for, hvordan resultatet bruges.
Læs også
- Research med AI – sådan finder og kontrollerer du kilder
- Sådan vurderer I en AI-leverandør
- AI og persondata – syv spørgsmål før du deler oplysninger
