Terminal X: AI zgadza się z seniorem w 88,6%, ale to test własny

• Terminal X podaje, że Eval Agent na GPT-6.1 Sol zgadzał się ze starszym recenzentem w 88,6% z 500 ocenionych osądów, wobec 86,4% dla następnego najlepszego modelu.
• Agent ocenia każdy wynik według rubryki z 54 kryteriami, a każda porażka staje się nową instrukcją dla systemu.
• Według firmy model wychwycił około 25% więcej odejść od mandatu funduszu i kosztował około 30% mniej za zapytanie.
• To własne pomiary firmy, opublikowane 20.10.2026 na blogu OpenAI jako historia klienta.

20.10.2026 OpenAI opublikowało historię klienta: startup Terminal X buduje agentów AI dla funduszy inwestycyjnych i twierdzi, że jego Eval Agent na GPT-6.1 Sol zgadzał się ze starszym recenzentem w 88,6% z 500 ocenionych osądów. To deklaracja firmy z jej własnych testów, nie niezależny benchmark. Ciekawsze od samej liczby jest to, jak Terminal X ją zmierzył.

88,6% wobec 86,4%: co tu naprawdę porównano

Na 500 ocenionych osądach Eval Agent na GPT-6.1 Sol zgodził się ze starszym recenzentem 88,6% razy. Następny najlepszy model osiągnął 86,4%. Różnica to 2,2 punktu procentowego (firma pisze o 220 punktach bazowych). To nie jest przepaść, tylko niewielka przewaga w teście, który Terminal X zaprojektował sam, pod własne zadania.

I tu jest sedno. Firma sama zaznacza, że modele wybiera na podstawie własnych wyników ewaluacji. Nie patrzy na ranking z internetu. Bierze swoje 500 osądów, swojego seniora jako wzorzec i sprawdza, który model trafia najbliżej. To postawa, którą warto skopiować, nawet jeśli nigdy nie dotkniesz funduszu inwestycyjnego.

Rubryka z 54 kryteriami zamiast ogólnego wrażenia

Problem, który rozwiązuje Terminal X, firma nazywa długiem pamięci (memory debt). Fundusz zachowuje dokumenty, ale gubi rozumowanie, bo mieszka ono w głowach kilku seniorów. Dokumenty zostają w archiwum, a osąd wychodzi z budynku razem z człowiekiem. Inżynierowie Terminal X, według firmy byli finansiści z JPMorgan i Blackstone, spędzają u klienta tygodnie. Odtwarzają zaufane memoranda i spisują procesy, których nikt nigdy nie zapisał, na przykład to, jak dział kredytowy ocenia pożyczkobiorcę.

Z tego powstają agenci należący do klienta, wdrażani on-premise albo w jego własnej chmurze. Żeby nie trzeba było ich oceniać ręcznie, działa Eval Agent. Sprawdza każdy wynik według rubryki z 54 kryteriami. Pyta na przykład, czy liczby, porównania i cytaty pochodzą z właściwych źródeł, czy narracja się trzyma i czy rekomendacja wynika z poglądu firmy.

• Każda kontrola kończy się wynikiem zaliczone albo niezaliczone.
• Każde niezaliczenie ma jednozdaniowy powód oraz lepsze źródło lub poprawiony tekst.
• Takie niezaliczenie staje się Memory, czyli nową instrukcją albo nowym przypadkiem testowym dla danego zespołu.

To nie magia, tylko system: poprawka analityka zamienia się w regułę, a nie ginie w mailu.

Dryf stylu: przypadek z mandatem

Firma podaje przykład błędu, w którym GPT-6.1 Sol wypadł lepiej. Fundusz typu buyout ma szukać kandydatów do wykupu z giełdy, notowanych poniżej wartości aktywów netto, wycenić biznes i ustrukturyzować finansowanie. Gdy modele scenariuszowe sugerują zwrot rynku, rekomendacje zaczynają zjeżdżać w stronę pozycji w długu zagrożonym albo finansowania ratunkowego. To już nie jest ten mandat. Eval Agent na GPT-6.1 Sol wychwycił według Terminal X około 25% więcej takich odejść niż następny najlepszy model.

Głębszy przegląd działa dwuetapowo: teza jest testowana najpierw względem mandatu, potem względem ostatnich transakcji. Niepewne werdykty agent puszcza ponownie i uzgadnia wyniki przed raportem. Według firmy ten proces oznaczył transakcje, które pojedynczy przebieg na porównywalnym modelu przepuścił.

Sol do osądu, Luna do taśmy: podział pracy i koszt

Terminal X nie używa jednego modelu do wszystkiego. GPT-6.1 Sol obsługuje etapy wymagające osądu i dużego kontekstu: syntezę tezy inwestycyjnej, wskazanie kluczowych kwestii i ocenę zgodności z mandatem. GPT-6 Luna bierze kroki masowe, gdzie ważniejsza jest oszczędność tokenów niż głębia. Według karty cen OpenAI (stan na 13.10.2026) GPT-6.1 Sol kosztuje 2 USD za milion tokenów wejścia i 10 USD wyjścia, a GPT-6 Luna 0,10 i 0,50 USD. Różnica jest na tyle duża, że przydział zadań ma znaczenie dla rachunku.

Firma deklaruje też, że GPT-6.1 Sol uruchamiał te same przepływy pracy przy około 30% niższym koszcie zapytania niż następny najlepszy model, przy podobnej szybkości. Dzięki oszczędności na długim kontekście Terminal X zmieścił w tym samym budżecie głębszy przegląd. Więcej o samym modelu znajdziesz w tekście GPT-6.1 Sol: według OpenAI prawie Astra za jedną piątą ceny. Warto też pamiętać, że OpenAI nie ma w wersji 6.1 modelu Astra, więc Sol jest tu najmocniejszym dostępnym wariantem 6.1.

Skala i dokąd to zmierza

Terminal X podaje, że zbudował 1700 firmowych Memories i uruchomił ponad milion niestandardowych przepływów pracy. Liczba tygodniowo aktywnych użytkowników to 81% miesięcznie aktywnych. Jedna firma private equity zgłosiła 2,4 mln USD rocznych oszczędności na due diligence i memorandach inwestycyjnych, ale to deklaracja Terminal X, a nie audytowany wynik. Kolejny krok to Memories dla pojedynczych inwestorów, nie tylko zespołów. Podobny kierunek, czyli agentów wchodzących w narzędzia pracy, opisywaliśmy przy okazji GPT-6 w Jirze i Rovo.

Co z tego zabrać, jeśli nie zarządzasz funduszem

Dla czytelnika z Polski jest tu haczyk: agenci Terminal X przetwarzają dokumenty po angielsku, koreańsku, japońsku i chińsku, a polskiego firma nie wymienia. Cennik sprawdzisz na stronie terminal-x.ai. To rozwiązanie wdrażane z inżynierami u klienta, nie aplikacja do zainstalowania wieczorem. Jedną rzecz możesz jednak skopiować od ręki: mierz wynik własną miarą, nie cudzym rankingiem. Podobnie rynek tnie ceny i rotuje modele, co widać choćby w tekście o cenach Claude Opus 5.5, więc test na własnych zadaniach daje więcej niż nagłówek z premierą.

Nie musisz mieć 54 kryteriów. Wystarczy pięć. Weź ostatnią odpowiedź AI, której użyłeś do czegoś ważnego w pracy, i w 10-15 minut spisz pięć pytań z odpowiedzią tak lub nie: czy liczby mają źródło, czy ton pasuje do odbiorcy, czy rekomendacja wynika z Twoich zasad i tak dalej. Przepuść przez nie ten tekst i przy każdym "nie" dopisz jednym zdaniem, co trzeba poprawić. Ta lista to Twoja pierwsza rubryka, a przy następnym zadaniu wklejasz ją do promptu.