Franklin Templeton usa Codex e agentes da OpenAI para apoiar pesquisa de investimentos

O ponto técnico central do caso da Franklin Templeton é a diferença entre ligar um modelo a um banco de dados e dar a ele estrutura. Na primeira tentativa, a equipe colocou os dados em um banco e conectou os modelos, mas as respostas não serviram: os modelos não entendiam como os dados se relacionavam. O resultado mudou quando entraram agentes e uma camada semântica, um modelo estruturado do que os dados da empresa significam e de como se conectam.

Sobre essa base, a empresa diz ter montado uma camada de inteligência conectada, com conectores confiáveis, contexto de portfólio e de workflow e capacidades de agentes. O Codex é uma das várias ferramentas usadas para construí-la, inclusive em hackathons, onde especialistas e profissionais de investimento criam suas próprias ferramentas. Os Investment AI champions levam os experimentos para produção, com revisão de segurança, suporte de especialistas e controles de dados. O foco inicial é equity research, antes um fluxo humano e sequencial (primeira análise da ação, teleconferências de resultados, concorrentes). Há também uma escolha de projeto: evitar a personalização que mostra mais do mesmo, para não enviesar o processo, e priorizar diversidade de pesquisa e destaque dos riscos de cada ideia.

Para quem constrói agentes sobre dados corporativos, o relato reforça que o gargalo costuma estar na semântica dos dados, e não só no modelo. A decisão de desligar o efeito de recomendação por preferência também é um requisito de produto que vale discutir em qualquer domínio em que viés de seleção custa caro. Trata-se de relato da própria empresa, sem métricas divulgadas.