Kunstig intelligens
Franklin Templeton udvikler arbejdsgange til AI-baseret investeringsanalyse med OpenAI

NøglepunkterFranklin Templetons første AI-opsætning mislykkedes, fordi modellerne manglede et…
Vis mere
- Franklin Templetons første AI-opsætning mislykkedes, fordi modellerne manglede et semantisk lag, der forklarede, hvordan data hænger sammen.
- Codex-hackathons parrer tekniske eksperter med investeringspraktikere, så praktikerne bygger deres egne researchværktøjer.
- Firmaet ønsker, at AI skal frembringe forskelligartede researchperspektiver og markere risici frem for at indsnævre perspektiverne.
Franklin Templeton udvikler arbejdsgange med kunstig intelligens til aktieanalyse ved hjælp af OpenAI’s Codex og andre værktøjer, oplyste OpenAI i en kundecase offentliggjort den 5. november 2026. Det første mål er at hjælpe porteføljeforvaltere med at sammenligne forskellige analysesynspunkter og undersøge risiciene bag investeringsidéer. Oplysningerne beskriver et initiativ, der stadig bevæger sig fra eksperimenter mod produktion, og ikke en udrulning i hele virksomheden, der allerede er gennemført.
Kapitalforvalterens første AI-tilgang gik ud på at placere data i en database og forbinde modellerne med den, men løsningen gav ikke de svar, som teamene havde brug for, fordi modellerne ikke forstod, hvordan dataene hang sammen. Teamene tilføjede efterfølgende agenter og et semantisk lag, der er defineret som en struktureret model af, hvad virksomhedens data betyder, og hvordan de hænger sammen. Codex og andre værktøjer bruges til at udvikle dette sammenhængende intelligenslag.
Det planlagte system skal samle input fra analyse, risikostyring, compliance og handel, som hver især bidrager med forskellige perspektiver på en investering. Grundlaget kombinerer pålidelige forbindelser, kontekst om porteføljer og arbejdsgange samt agentbaserede funktioner, der skal frembringe handlingsrettet indsigt til analytikere og porteføljeforvaltere. Disse elementer skal gøre systemet genanvendeligt og underlagt klare styringsrammer, samtidig med at de giver investeringsbeslutningerne mere kontekst, end den oprindelige databaseforbindelse kunne levere.
En ny tilgang til en sekventiel analyseproces
Katrina Dudley, Franklin Templetons senior vice president for investeringer på de offentlige markeder, beskrev den tidligere aktieanalyseproces som menneskestyret og sekventiel. Analytikere foretager en indledende aktieanalyse, gennemgår regnskabstelefonmøder og undersøger konkurrenter inden for hvert forretningsområde, mens de forbereder sig på at fremlægge nye idéer for porteføljeforvalterne eller give opdateringer om eksisterende positioner i porteføljerne.
“Vi er gået fra at understøtte vores analyseproces til at gentænke arbejdsgangen for investeringsanalyse,” sagde Dudley. Det langsigtede mål er at gøre sammenhængende intelligens tilgængelig på tværs af investeringsteamene, fra analytikerne til lederne af hver investeringsgruppe, samtidig med at den menneskelige dømmekraft bevares side om side med systemets indsigt.
Implementeringen har blandt andet omfattet Codex-hackathons, hvor tekniske eksperter arbejder sammen med investeringsfolk, mens investeringsfolkene udvikler deres egne værktøjer. AI-forkæmpere på investeringsområdet arbejder på at omsætte eksperimenterne til arbejdsgange, der er klar til produktion. Sikkerhedsgennemgang, eksperthjælp, datakontroller og dataaftaler indgår i denne proces. Franklin Templeton har også afholdt praktiske workshops for teamene kort efter lanceringen af ny teknologi, og Dudley sagde, at ledelsen tilskynder til eksperimenter inden for klart fastlagte risikorammer, samtidig med at den accepterer, at ikke alle initiativer vil lykkes.
Analysediversitet og risiko præger udformningen
Virksomhedens tilgang tager højde for en begrænsning ved værktøjer, der lærer brugerpræferencer: Hvis et system lærer, at en bruger foretrækker én analyseleverandør, kan det vise flere rapporter fra den pågældende leverandør, hvilket potentielt indsnævrer de perspektiver, der indgår i investeringsprocessen. Franklin Templeton ønsker i stedet, at investeringsteamene får adgang til en bred vifte af analyser og meninger.
Virksomheden ønsker også, at AI fremhæver risikoen på linje med investeringscasen. “Vi har brug for, at AI forstår, at en god investeringsidé er velbegrundet, men at risiciene også er blevet analyseret, og at vores porteføljeforvaltere bliver gjort opmærksomme på dem,” sagde Dudley. Dette krav knytter teknologiens resultater direkte til de oplysninger, porteføljeforvalterne har brug for, når de vurderer en idé.
Dudley ønsker også, at analytikerne bruger mere tid ude i felten på at tale med eksperter og fagfolk, herunder ledere i private virksomheder, og bringer disse perspektiver tilbage til deres investeringsteams. Arbejdet rækker derfor videre end tilføjelsen af et enkelt værktøj: Det kombinerer softwareudvikling, dataarkitektur og investeringskontroller. Den afgørende prøve bliver, om eksperimenter målrettet bestemte roller kan udvikles til arbejdsgange i produktion med klare styringsrammer, samtidig med at analysediversiteten, den eksplicitte risikoanalyse og det menneskelige perspektiv, som Dudley anser for afgørende, bevares.












