Moshi chce z tržních dat vybírat to, co se týká tvého portfolia

TL;DR

• Užitečný přehled z AI má ukázat, proč se tě konkrétní zpráva týká. Moshi chce tento princip využít při sledování finančních trhů.
• Podle zakladatelky propojuje tržní data, zprávy a soukromé podklady obchodníka. Doporučovací systém má upozorňovat i na nepřímé souvislosti s jeho portfoliem.
• Pokud v týmu zavádíš podobný nástroj, vyzkoušej ho u jednoho opakovaného rozhodnutí. Sleduj, které podklady lidé skutečně použijí a co jim v nich chybí.

Ráno otevřeš přehled trhu připravený pomocí AI. Zprávy jsou stručné a dobře čitelné, ale pořád musíš sám zjistit, které z nich ovlivňují tvoji práci. Právě propojení nové informace s konkrétní situací uživatele je podstatou nástroje Moshi, jak ho představuje jeho zakladatelka Anekha Sokhal.

Bývalá obchodnice s energetickými deriváty v rozhovoru pro Latent Space z 22. října 2026 popisuje software pro finanční obchodníky, zaměřený nejprve na komoditní a energetické trhy a makroekonomické dění. Pro menší týmy je zajímavá především otázka, kterou tento přístup otevírá: podle čeho má AI poznat, že nová informace zaslouží tvoji pozornost?

Co Moshi propojuje s portfoliem

Podle Sokhal Moshi zpracovává několik různých vrstev informací. Vedle cenových řad a technických ukazatelů jde o údaje o nabídce a poptávce, zprávy, příspěvky na síti X nebo obsah podcastů. K nim přidává soukromé podklady uživatele, například interní data a materiály od analytiků, které obchodník sleduje.

Firma tato data podle jejího popisu čistí, třídí a propojuje do sítě vztahů. Výstup má dvě podoby: uživatel dostává vybrané informace související s jeho portfoliem a zároveň se může na data ptát prostřednictvím jazykového modelu.

Doporučovací systém má zachytit také nepřímé vazby. Sokhal uvádí příklad obchodníka s ropou, pro kterého může být důležitá událost v energetické společnosti. Samotná zpráva nemusí zmiňovat jeho pozici, přesto ji může ovlivnit.

Pro posouzení takového nástroje je proto užitečná konkrétní otázka: dokáže u upozornění vysvětlit vazbu na to, co právě sleduješ? Rozhovor popisuje záměr a fungování služby z pohledu zakladatelky. Nedokládá, jak přesně doporučení vycházejí ani zda zlepšují výsledky obchodování.

Rozpor mezi zdroji může být důležitý výstup

Sokhal popisuje, že obchodníci mají vlastní okruh důvěryhodných lidí a zdrojů. V komoditách mohou sledovat například provozovatele zařízení, kteří zveřejňují aktuální informace na sociálních sítích. Moshi má při zobrazování informací přidávat skóre důvěryhodnosti a související kontext.

Zajímavý je přístup k neshodám. Pokud různé zdroje uvádějí odlišné údaje, samotný rozpor může být pro obchodníka podstatný. Shrnutí, které ho zahladí do jedné jistě znějící věty, by tuto informaci ztratilo.

Při výběru podobného nástroje si proto nech ukázat případ, v němž se podklady rozcházejí. Zajímej se, zda dohledáš původ jednotlivých tvrzení a poznáš, co zůstává nejisté. Samotné skóre bez vysvětlení ti pro rozhodnutí nemusí stačit.

Přehled musí zapadnout do chvíle, kdy ho potřebuješ

Další problém se týká způsobu používání. Sokhal upozorňuje, že přehled vytvořený podle představ jeho autora nemusí vyhovovat někomu jinému. Z rozhovorů s vývojáři také popisuje situace, kdy lidé o nástroj stáli, ale hotové výstupy v e-mailu neotevírali.

Pro malý tým z toho plyne praktické doporučení: před tvorbou dalšího automatického souhrnu si ujasni, při jakém rozhodnutí ho někdo použije.

Vezměme ilustrační příklad člověka odpovědného za nákup ve firmě. Obecný přehled energetického trhu mu může přidat další čtení. Užitečnější by mohl být podklad k blížícímu se jednání s dodavatelem: co se změnilo, kterého nákupu se změna týká a na co se má zeptat. To je příklad použití stejného principu, nikoli doložená funkce Moshi pro firemní nákup.

AI zde může připravit souvislosti a otázky. Rozhodnutí o změně smlouvy zůstává odpovědné osobě.

Vlastní model posuzuj spolu s cestou dat

Moshi podle zakladatelky používá vlastní model kombinující obraz a jazyk pro zpracování dokumentů, například obtížně uspořádaných PDF. Volbu vlastního řešení spojuje s technickým týmem i se snahou neposílat svěřená data další straně. Zároveň připouští, že hotová služba může být vhodná pro tým, který potřebné vývojáře nemá.

Pro menší firmu je to důvod porovnat vedle kvality extrakce také podmínky zpracování dat a práci potřebnou k provozu. Vlastní model sám o sobě nedokládá správnost výsledků ani ochranu celého řešení.

První pokus může být malý: vyber jedno pravidelné rozhodnutí a nech pro něj připravit přehled z předem určených podkladů. U každé položky požaduj zdroj a vysvětlení, proč se rozhodnutí týká. Potom s příjemcem projdi, co použil, co musel ověřovat a co mu chybělo. Tím získáš konkrétní zadání pro další úpravu nástroje.

Zdroj

Latent Space: rozhovor s Anekhou Sokhal o Moshi, 22. října 2026