Die Demo ist die einfache Hälfte.

Problem

Derselbe Markt, zweimal recherchiert, ergab zwei verschiedene Peer-Sets. Das ist die Stelle, die weh tut: Ein Partner kann eine Shortlist nicht gegenüber dem Mandanten verteidigen, wenn der nächste Analyst eine andere gebaut hätte. Das Benchmarking von Peers und Targets ist repetitiv und manuell, aber der manuelle Teil war nie der eigentliche Preis.

Meine Rolle

Mit dem Deal-Team gescoped, die n8n-Workflows gebaut, Claude-Reasoning an Live-Websuche und semantisches Matching über den Referenzdatensatz angebunden und die Übergabe-Session durchgeführt, die es in die Hände des Teams gab.

unter 40 Min. Unternehmensrecherche-Pipeline und Peer-Finder verdichten zusammen mehrere Beratertage Arbeit auf unter 40 Minuten. Das Tempo war der Nebeneffekt. Der Punkt war, dass die Peer-Auswahl wiederholbar und erklärbar wurde statt analystenabhängig, und genau das ließ Partner den Output gegenüber dem Mandanten verteidigen.

Was ich gelernt habe Mein erster Entwurf war Multi-Agent: Agenten, die die Shortlist parallel aushandeln. Schwer zu steuern und noch schwerer zu erklären. Ein serieller Funnel, bei dem eine bewertete Stufe die nächste speist, war langsamer zu schreiben und deutlich leichter zu vertrauen, zu auditieren und zu verteidigen. Steuerbarkeit schlug Cleverness.

Problem

M&A-Datensätze kommen voller unsauberer Firmennamen und unklarer Eigentümerstrukturen. „Acme Corp", „ACME Corporation Ltd" und „acme inc" sind ein Unternehmen oder drei, je nachdem, wer die Tabelle bereinigt. Fuzzy-String-Matching allein führt entweder eigenständige Firmen zusammen oder spaltet eine über Schreibweisen auf, und Analysten verlieren Stunden mit der Abstimmung von Hand.

Meine Rolle

Die Pipeline in Python gebaut: die Normalisierungsregeln, den ML-Matcher, den Websuche-Fallback und die Review-Queue, dann in die M&A-Analytik integriert, die die bereinigten Entitäten weiterverarbeitete.

Weiterhin offen Wenn zwei Datensätze nur den Namen teilen und sonst nichts, etwa Apex Ltd in London und Apex Ltd in Delaware, markiert die Pipeline, statt zu entscheiden. Diese Warteschlange ist die Arbeit eines Menschen, und ich habe nicht versucht, sie wegzuautomatisieren.

Konsistenz Reduzierte den manuellen Bereinigungsaufwand und verbesserte die Konsistenz der Entitätsdaten über die M&A-Analytik hinweg. Konservativ formuliert: Ich bin gegangen, bevor ich die genau eingesparten Stunden messen konnte, also nenne ich keine Zahl, die ich nicht habe.

Was ich gelernt habe Deterministische Regeln sind langweilig, und sie haben meistens auch recht. Das Budget für ML und Websuche nur auf den Rest zu verwenden, den die Regeln nicht auflösen konnten, hielt die Pipeline schnell, günstig und auditierbar und ließ einen Menschen an den wirklich mehrdeutigen Fällen arbeiten, statt die Vermutung eines Modells durchzuwinken.

Problem

Das Team würde kein neues Werkzeug übernehmen. Das war das Erste, was mir gesagt wurde, und es stand nicht zur Debatte. Gleichzeitig beantwortete es lange, wiederkehrende Fragenlisten anhand hunderter Seiten an Dokumenten, langsam, und dieselbe Frage bekam je nachdem, wer welches PDF gelesen hat, eine andere Antwort. Also musste das Interface die Tabelle werden, die ohnehin offen war.

Meine Rolle

Den Copilot-Studio-Agenten gebaut, den SharePoint-Upload samt Monitoring, die Batch-Verarbeitung und das Zurückschreiben in die eigene Tabelle des Teams.

Prüfung in Sekunden Reduzierte die manuelle Dokumentenprüfung auf einen Bruchteil und machte sie projektübergreifend wiederverwendbar. Weil die Antwort mit ihrer Quellseite neben der Frage stand, konnte ein Prüfer sie in Sekunden verifizieren, statt das Dokument erneut zu lesen.

Was ich gelernt habe Der Mandant wollte kein neues Interface übernehmen, also wurde das Interface die Tabelle, die sie ohnehin nutzten. OCR auf gescannten Seiten blieb unzuverlässig, und ich habe das als bekannte offene Kante ausgeliefert, statt so zu tun, als sei es gelöst.