Analizy pre-earnings: Ze 160 godzin do automatyzacji

W skrócie

Przygotowanie do wyników dla funduszu pokrywającego 30 pozycji zajmuje około 160 godzin analityka na kwartał
Opublikowany framework Brookera Belcourta (Every Inc., marzec 2026) kompresuje to do ok. 1 godziny przeglądu na Level 4
Skok z Level 2 do Level 4 wymaga ok. 100 godzin nauki kodowania na analityka
Level 4 ma realne ograniczenia: kruche schedulowanie, efemeryczny output, dostęp jednoosobowy
Level 5 (infrastruktura produkcyjna) rozwiązuje te problemy przez persistent overnight runs, dostęp dla wielu analityków i przetwarzanie równoległe
Dokładność danych ze źródeł strukturalnych (benchmark Daloopa): 89-91%. Ze źródeł webowych: 20-71%. Źródło danych waży więcej niż model.

160 godzin na kwartał na montaż, nie analizę

Przygotowanie do sezonu wyników w funduszu pokrywającym 30 pozycji zajmuje około 160 godzin na kwartał. To jeden analityk, pełny etat, przez miesiąc, który nie robi nic poza montażem trendów przychodowych, ewolucji marż, danych segmentowych i komentarzy zarządu.

Brooker Belcourt, który prowadził finanse w Perplexity, a teraz kieruje doradztwem dla usług finansowych w Every, skompresował to do mniej więcej godziny przeglądu. Jego opublikowany framework pokazuje, gdzie większość zespołów utyka.

Po osiągnięciu tego, co nazywa Level 4, Belcourt mówi, że 160 godzin skurczyło się do “czasu potrzebnego Claude Code na przetworzenie plus godzina, która spędzam na przeglądzie i dodawaniu perspektywy.”

Framework automatyzacji analiz pre-earnings warto zrozumieć w szczegółach, bo mapuje ścieżkę, która większość funduszy będzie musiała przejść.

Cztery poziomy automatyzacji wyników

Level 1: ChatGPT z własnym promptem. Większość analityków zaczyna tutaj. Wrzuć raport wynikowy albo 10-Q, daj szczegółowy prompt z prośbą o analizę beat/miss, trendy marż, zmiany prognozy i kluczowe cytaty z conference call. Output jest przyzwoity na pierwszy rzut. Ograniczenie: limit 8000 znaków promptu, brak połączenia z danymi zewnętrznymi i każda analiza uwięziona w oknie czatu, które znika po zamknięciu zakładki.

Level 2: Claude z umiejętnościami i połączeniami do danych. Analityk łączy Claude z zewnętrznymi danymi przez MCP (Model Context Protocol). Daloopa dostarcza ustrukturyzowane dane finansowe z hiperlinkami do dokumentów źródłowych. Wiele szablonów analizy działa jednocześnie: umiejętność podglądu wyników, umiejętność filozofii inwestycyjnej i umiejętność formatowania dashboardu. Output dramatycznie się poprawia, bo model pracuje z prawdziwymi danymi finansowymi zamiast tego, co analityk wkleił do promptu. Sufit: nadal ręczny workflow. Ktoś musi uruchomić każdą analizę.

Level 3: Claude Cowork z lokalnymi plikami. Tu do gry wchodzą własne dane analityka. Modele Excelowe, wewnętrzne notatki, wcześniejsze memo badawcze, transkrypty rozmów. Claude czyta te lokalne pliki i łączy je z zewnętrznymi źródłami danych. Możesz poprosić o porównanie twoich prognoz z konsensusem, albo oflagowanie miejsc, gdzie komentarz zarządu jest sprzeczny z twoją tezą z poprzedniego kwartału. Sufit: każde zadanie produkuje oddzielny output. Brak zunifikowanego widoku.

Level 4: Claude Code z własnym dashboardem. Jedno polecenie uruchamia cały workflow. Claude Code działa w sposób ciągły, wyciągając dane z wielu MCP, czytając wewnętrzne pliki, generując analizę i montując wszystko w interaktywny dashboard Streamlit z wykresami, tabelami i sformatowanym komentarzem. Trajektorie przychodów, ewolucja marż, rozkłady segmentów, porównania prognoz zarządu. Wszystko z jednego polecenia.

Na Level 4, Belcourt twierdzi, że kwartalne przygotowanie do wyników kompresuje się ze 160 godzin do mniej więcej czasu obliczeń plus godzina przeglądu. 99% redukcji pracy analityka.

Gdzie większość zespołów utyka

Skok z Level 1 do Level 2 jest prosty. Podłącz źródło danych, pisz lepsze prompty. Większość technicznie ciekawych analityków może tam dojść w kilka dni.

Skok z Level 2 do Level 4 to miejsce, gdzie się sypie. Sam Belcourt szacuje krzywą nauki na 100 godzin, zanim analityk poczuje się pewnie z narzędziami do kodowania. Jego warsztat za $5000 na jeden dzień istnieje właśnie dlatego, że ta 100-godzinna bariera zatrzymuje większość.

I nawet na Level 4 są praktyczne ograniczenia istotne dla wdrożenia instytucjonalnego:

Schedulowanie jest kruche. Aktywność Belcourta na Twitterze z marca 2026 pokazuje go publikującego screenshoty błędów przy próbach uruchomienia zaplanowanych zadań Perplexity. Tagował @perplexity_ai bezpośrednio. Zaplanowane zadania w chmurze na platformie Anthropic są ograniczone do trzech sesji dziennie na najwyższym planie, a znane błędy konektorów MCP uniemożliwiają ładowanie niektórych źródeł danych w zaplanowanych sesjach. Schedulowanie desktopowe wymaga, żeby maszyna analityka była włączona i Claude Desktop otwarty. Zamknij klapę laptopa i sesja się kończy.

Output jest efemeryczny. Dashboardy Streamlit generowane przez Claude Code nie przetrwają między sesjami. Każde uruchomienie zaczyna od zera. Nie ma bazy danych przechowującej wczorajszą analizę do porównania z dzisiejszą.

To rozwiązanie jednoosobowe. Dashboard działa na localhost. Jeden analityk, jedna maszyna. Udostępnienie outputu oznacza zrobienie screenshota lub eksport PDF. Nie ma URL-a, który kolega może otworzyć, żeby zobaczyć ten sam widok.

Pytanie o dokładność

Przed automatyzacją analiz wynikowych dokładność ma znaczenie. Badanie benchmarkowe Daloopa z lutego 2026 przetestowało trzy frontierowe modele AI (Claude Opus 4.5, GPT-5.2 i Gemini 3 Pro) na 500 pytaniach finansowych.

Źródło danych	Zakres dokładności
Wyszukiwanie webowe	20% do 71% (zależy od modelu i typu pytania)
Dane strukturalne (Daloopa)	89% do 91%

Wniosek nie brzmi, że modele AI są niewiarygodne. Źródło danych determinuje jakość outputu. Agent wyciągający ustrukturyzowane dane fundamentalne od dostawcy takiego jak Daloopa, Fiscal AI czy FactSet produkuje dramatycznie dokładniejszą analizę niż agent przeszukujący web w poszukiwaniu danych finansowych. Model waży mniej niż to, czym go karmisz.

Na potrzeby praktyczne: każdy zautomatyzowany system analiz wynikowych powinien opierać się na ustrukturyzowanych feedach danych, nie na web scrapingu. Zakres dokładności 89-91% na danych strukturalnych jest wystarczająco wysoki, żeby służyć jako pierwszy przegląd, który analityk weryfikuje i dopracowuje. Zakres 20-71% na danych ze źródeł webowych jest zbyt zawodny, żeby mu ufać, nawet jako punkt wyjścia.

Jak wygląda Level 5

Framework Belcourta kończy się na Level 4: pojedynczy analityk uruchamiający Claude Code z własnym dashboardem na swoim komputerze. Wymagania instytucjonalne idą dalej.

Produkcyjny system analiz pre-earnings dla funduszu z 20 do 50 pozycjami potrzebuje:

Persistent overnight scheduling. Agenci uruchamiają się o 3:00 w nocy, wyciągają dane z wielu źródeł, generują analizę dla każdej pozycji w portfelu i mają sformatowane briefy gotowe przed otwarciem rynku. Nie trzy sesje dziennie. Nie uzależnione od włączonego laptopa. Każda pozycja, każdy poranek, bez wyjątku.

Dostęp dla wielu analityków. Ta sama analiza dostępna dla każdego członka zespołu przez URL w przeglądarce. Bez lokalnej instalacji. Bez 100-godzinnej krzywej nauki. Otwórz stronę, przeczytaj analizę, zacznij pracować.

Przetwarzanie równoległe. Analiza 25 spółek jednocześnie, nie sekwencyjnie. Sezon wynikowy jest gęsty. Przetwarzanie pozycji jedna po drugiej oznacza, że wczesne analizy są przestarzałe, zanim późniejsze się skończą. Na GPW, gdzie wiele spółek z WIG20 raportuje w zbliżonych terminach, ta kompresja ma szczególne znaczenie.

Analiza oparta na źródłach. Każda liczba w outputcie linkuje do strukturalnego źródła danych. Nie “przychody wzrosły o około 48%.” Zamiast tego: “przychody Google Cloud wyniosły $17,7 miliarda w Q4, wg Fiscal AI, co reprezentuje 48% wzrost rok do roku.” Analityk może zweryfikować każdy punkt danych w sekundy.

Infrastruktura do tego istnieje już dzisiaj. MCP łączy z dostawcami danych instytucjonalnych. Cron scheduling na dedykowanych serwerach działa bez zależności od laptopów. 160-godzinny kwartalny workflow kompresuje się nie tylko dla jednego analityka na jednej maszynie, ale dla całego zespołu badawczego na każdej pozycji, którą pokrywają.

Prawdziwe pytanie

Technologia działa. Dokładność danych ze źródeł strukturalnych jest wystarczająco wysoka. Warstwy schedulowania, obsługi wielu spółek i dostępu webowego to problemy inżynieryjne ze znanymi rozwiązaniami.

Pytanie dla większości zespołów inwestycyjnych nie brzmi, czy to jest możliwe. Brzmi, czy chcą spędzić 100 godzin na analityka ucząc każdego budowania tego samodzielnie, czy wolą otrzymać gotową infrastrukturę w utrzymaniu, podczas gdy analitycy skupiają się na tym, do czego zostali zatrudnieni: podejmowaniu decyzji inwestycyjnych.

Framework czterech poziomów Belcourta to właściwa mapa. Ale celem podróży nie jest “każdy analityk zostaje ekspertem Claude Code.” Celem jest “każdy analityk przychodzi o 7:00 rano i analizy już na niego czekają.”

Najczęściej zadawane pytania

Ile czasu zajmuje przygotowanie do wyników bez automatyzacji?

Około 160 godzin analityka na kwartał dla funduszu pokrywającego 30 pozycji. Obejmuje to montaż trendów przychodowych, ewolucji marż, danych segmentowych i komentarzy zarządu dla każdej pozycji. To jeden analityk pracujący na pełny etat przez miesiąc.

Czym jest framework czterech poziomów Brookera Belcourta?

Progresja od podstawowych promptów ChatGPT (Level 1) przez analizę połączoną z danymi (Level 2), integrację z lokalnymi plikami (Level 3), do w pełni zautomatyzowanego dashboardu Claude Code (Level 4). Opublikowany przez Belcourta w Every Inc. w marcu 2026, oparty na jego doświadczeniu z prowadzenia finansów w Perplexity.

Jak dokładna jest analiza finansowa generowana przez AI?

Zależy całkowicie od źródła danych. Benchmark Daloopa z lutego 2026, obejmujący 500 pytań finansowych na trzech frontierowych modelach, wykazał 89-91% dokładności z ustrukturyzowanymi feedami danych i tylko 20-71% dokładności z wyszukiwaniem webowym. Ustrukturyzowane źródła danych (Daloopa, FactSet, Fiscal AI) produkują dramatycznie lepsze wyniki.

Jakie są ograniczenia Level 4 (dashboard Claude Code)?

Trzy główne ograniczenia: schedulowanie zależy od włączonej maszyny analityka, output nie przetrwa między sesjami, a dashboardy działają na localhost bez dostępu wieloosobowego. To właśnie luki, które infrastruktura instytucjonalna (Level 5) adresuje.

Czego wymaga produkcyjny system Level 5?

Persistent overnight scheduling (niezależny od laptopa), dostęp webowy dla wielu analityków (bez lokalnej konfiguracji), przetwarzanie równoległe całego portfela i analiza oparta na źródłach z linkowanymi punktami danych. Technologia i konektory istnieją; luka to inżynieria integracji i wdrożenia.

Źródła: Every Inc. “Build Your Own Bloomberg Terminal With AI” (Brooker Belcourt, marzec 2026), Daloopa AI Accuracy Benchmark (luty 2026, 500 pytań, 3 frontierowe modele), Brooker Belcourt Twitter @BrookerBelcourt (marzec 16-17 2026, problemy z schedulowaniem), Claude Help Center “Schedule recurring tasks” (ograniczenia planów), Anthropic Claude Code documentation (limity cloud schedulingu)

Ostatnia aktualizacja: 14 kwietnia 2026

Przez BetterAI | Budujemy infrastrukturę AI do analiz inwestycyjnych dla europejskich firm. Zobacz jak to działa