GPT-6 Astra mejora la investigación financiera según pruebas de Hebbia
La nueva versión de OpenAI lidera en trazabilidad de fuentes y calidad de presentaciones para analistas de inversión, con ventajas de hasta 14 puntos porcentuales sobre sus competidores.
Antes de recomendar una adquisición, un banquero necesita procesar estados financieros, contratos con clientes y presentaciones de management. Ahí es donde herramientas como Matrix de Hebbia buscan hacer la diferencia, enlazando respuestas directamente con los documentos originales.
Hebbia probó el modelo GPT-6 Astra de OpenAI en escenarios reales de research financiero y los resultados muestran mejoras claras. En sus tests internos realizados entre agosto y septiembre de 2026, el nuevo modelo logró una ventaja de 13,6 puntos porcentuales sobre el mejor competidor a la hora de citar los tipos de fuentes requeridas. Además, el 99,5% de los extractos citados resultaron relevantes para la pregunta planteada.
Según la empresa, esto es clave cuando se trabaja con data rooms de miles de documentos. “Traceability is really important to our users because they’re basing millions of dollars of decisions on what the AI actually comes back with”, explicó Kavita, de Hebbia. Las citas permiten verificar el origen y dan confianza de que la IA encontró la respuesta correcta.
El segundo gran avance aparece en la generación de presentaciones. GPT-6 Astra cumplió el 97,9% de los requisitos de presentación aplicables, lo que representa una ventaja de 14,4 puntos porcentuales frente al mejor modelo alternativo. A diferencia de otros sistemas que destacan en pulido visual o en seguir instrucciones pero no en ambos, este es el primero que Hebbia vio liderar en las dos dimensiones al mismo tiempo.
En un caso hipotético, un banquero que evalúa la adquisición de una empresa de software industrial con 2.000 archivos puede cargar todo en Matrix. El sistema analiza concentración de clientes, términos de contratos y churn, cruza con filings de pares e información de la industria, y luego genera un summary de due diligence y un valuation deck directamente en la plantilla de la firma.
GPT-6 Astra selecciona documentos o celdas de Matrix para sustentar cada respuesta y luego convierte el análisis en slides de PowerPoint nativos que respetan la estructura y las pautas del usuario. Las citas se pueden abrir para ver el documento subyacente con el pasaje resaltado, y los footnotes de las slides llevan de vuelta al material original.
Esto reduce el tiempo que los analistas dedican a reformatear decks y chequear fuentes, permitiéndoles enfocarse en evaluar realmente el deal. Hebbia busca que la primera versión generada por IA sea lo suficientemente buena como para que un humano solo necesite ajustes menores antes de enviarla al comité de inversión.
Kavita ve un futuro con agentes que monitoreen información en segundo plano y alerten sobre señales relevantes. “Imagine getting an important signal a few hours before your competitors”, dijo. Según ella, esto permitiría procesar más oportunidades sin depender solo de la búsqueda manual.
Los tests de Hebbia fueron realizados con los mismos casos de investigación financiera y criterios de calificación para cada modelo. Expertos del dominio escribieron o auditaron los criterios contra los documentos fuente. La empresa planea seguir construyendo sobre estos resultados para ayudar a profesionales de finanzas a evaluar deals con research totalmente traceable.
Para el ecosistema de startups y pymes de Buenos Aires y LATAM, este tipo de avances en IA aplicada a finanzas pueden bajar la barrera para hacer análisis más profundos sin equipos enormes. Aunque todavía el acceso a modelos frontier como GPT-6 Astra suele requerir suscripciones enterprise, la dirección es clara: herramientas que no solo responden, sino que entregan trabajo verificable y presentable.