Franklin Templeton utvecklar arbetsflöden för AI-baserad aktieanalys med OpenAI

Franklin Templeton utvecklar arbetsflöden för aktieanalys med hjälp av Codex från OpenAI och andra verktyg, uppgav OpenAI i en kundberättelse som publicerades den 5 november 2026. Det första målet är att hjälpa portföljförvaltare att jämföra olika forskningsperspektiv och undersöka riskerna bakom investeringsidéer. Uppgifterna beskriver ett arbete som fortfarande är på väg från experiment till produktion, inte en utrullning som redan genomförts i hela företaget.

Kapitalförvaltarens första AI-lösning placerade data i en databas och kopplade modeller till den, men upplägget gav inte de svar som teamen behövde, eftersom modellerna inte förstod hur uppgifterna hängde ihop. Därefter lade teamen till agenter och ett semantiskt lager, som definieras som en strukturerad modell av vad företagets data betyder och hur den är kopplad. Codex och andra verktyg används för att utveckla det sammanhängande intelligenslagret.

Det planerade systemet ska sammanföra underlag från analys, risk, regelefterlevnad och handel, som bidrar med olika perspektiv på en investering. Grunden kombinerar betrodda kopplingar, sammanhang kring portföljer och arbetsflöden samt agentbaserade funktioner för att ta fram användbara insikter åt analytiker och portföljförvaltare. Dessa delar är tänkta att göra systemet återanvändbart och styrt, samtidigt som de ger investeringsbeslut ett rikare sammanhang än den ursprungliga databaskopplingen kunde erbjuda.

Ett omarbetat, stegvis analysarbete

Katrina Dudley, Franklin Templetons senior vice president med ansvar för investeringar på publika marknader, beskrev den tidigare processen för aktieanalys som människostyrd och sekventiell. Analytiker gör en första aktieanalys, går igenom resultatpresentationer och studerar konkurrenter utifrån affärsområde när de förbereder sig för att presentera nya idéer för portföljförvaltare eller lämna uppdateringar om befintliga portföljinnehav.

”Vi har gått från att förstärka vår analysprocess till att tänka om kring arbetsflödet för investeringsanalys”, sade Dudley. Det långsiktiga målet är att göra sammanhängande intelligens tillgänglig för investeringsteamen, från analytiker till ledarna för varje investeringsgrupp, samtidigt som mänskligt omdöme fortsatt vägs in tillsammans med systemets insikter.

Arbetet med införandet har bland annat omfattat Codex-hackatoner där tekniska experter arbetar sida vid sida med investeringsexperter medan de senare utvecklar egna verktyg. AI-ambassadörer inom investering arbetar med att omvandla experimenten till arbetsflöden som är redo för produktion. Säkerhetsgranskning, expertstöd, datakontroller och dataavtal ingår i den processen. Franklin Templeton har också ordnat praktiska utbildningslabb för team kort efter att ny teknik lanserats. Dudley sade att ledningen uppmuntrar experimenterande inom tydligt definierade riskramar, samtidigt som den accepterar att alla initiativ inte kommer att lyckas.

Analysmångfald och risk styr utformningen

Företagets strategi hanterar en begränsning hos verktyg som lär sig av användares preferenser: ett system som lär sig att en användare föredrar en viss analysleverantör kan visa fler rapporter från den leverantören och därmed riskera att begränsa vilka perspektiv som kommer in i investeringsprocessen. Franklin Templeton vill i stället att investeringsteamen ska få ta del av en mångfald av analyser och åsikter.

Företaget vill också att AI ska lyfta fram risker vid sidan av investeringstesen. ”Vi behöver att AI förstår att en utmärkt investeringsidé är väl underbyggd, men också att riskerna har analyserats och att våra portföljförvaltare görs medvetna om dem”, sade Dudley. Det kravet knyter teknikens resultat direkt till den information som portföljförvaltare behöver när de utvärderar en idé.

Dudley vill också att analytiker ska tillbringa mer tid ute på fältet med att tala med experter och yrkesverksamma, däribland chefer på privata företag, och ta med sig deras perspektiv tillbaka till investeringsteamen. Arbetet handlar därför om mer än att lägga till ett enskilt verktyg: det förenar mjukvaruutveckling, dataarkitektur och investeringskontroller. Det centrala testet är om experiment som utformats för specifika roller kan bli styrda arbetsflöden i produktion och samtidigt bevara mångfalden i analysen, den uttryckliga riskanalysen och det mänskliga perspektiv som Dudley anser vara avgörande.