Bối cảnh
Firm tài chính hoạt động trong môi trường regulated nặng — mọi báo cáo phải auditable và accountable. Mọi con số trong filing, deal pitch, hay research report phải verifiable so với source document.
Tool truyền thống có thể pull data nhưng vẫn cần analyst làm bước verification. Analytics system không interpret được câu hỏi freeform, không decompose thành step, không nhận ra một metric đơn giản đôi khi yêu cầu pull 3 line item khác nhau qua nhiều fiscal period. AI làm được phần interpret, nhưng nó tính toán trong cùng một step — nên số do model sinh ra có thể sai.
Vinoo Ganesh và John McRaven spent nhiều năm ở Palantir build data system cho defense, energy, và finance. Trước khi found Kepler, họ phỏng vấn 147 firm tài chính (private equity, hedge fund, investment bank) — mọi người đều nói cùng một thứ: ai cũng muốn dùng AI cho research, nhưng không ai trust output. Một managing director nói thẳng: “Tôi trust thứ tôi không audit được kiểu gì?”
Giải pháp: build deterministic infrastructure làm trust + verification layer cho AI. Hạ tầng đó cộng với Claude làm reasoning + interpretation layer chạy Kepler Finance — research platform cho finance, analyst hỏi bằng tiếng Anh và nhận answer verify được instantly.
Quick pitch
| Field | Value |
|---|---|
| Tên | Kepler |
| Năm sáng lập | 2025 |
| Founders | Vinoo Ganesh (CEO) và John McRaven (CTO) |
| Stack | AWS, Rust, Python, container cho orchestration |
| Growth | Index 26M+ SEC filing, 50M+ public document, 1M+ private document, 14,000+ công ty, 27 thị trường — trong dưới 3 tháng |
Xử lý task long, multi-step và flag ambiguity
Financial analysis có nhiều phép tính multi-step phức tạp, dữ liệu dày đặc, terminology overload, và zero tolerance cho lỗi. Kepler cần model:
- Hold long plan mà không drift
- Flag ambiguity
Ví dụ: nếu analyst hỏi “inventory days outstanding 8 quý gần nhất” của một công ty, model phải tìm ra: đúng formula, đúng fiscal period, và mọi restatement có thể ảnh hưởng số.
Team bench tất cả frontier model. Trên query đơn giản, model performance ngang nhau. Nhưng với plan multi-step có interdependency, mọi model trừ Claude bắt đầu shortcut hoặc lose constraint từ step 4-5 trở đi.
“Trên workload của chúng tôi, Claude là model duy nhất giữ được plan. Model khác bắt đầu mạnh nhưng âm thầm drop constraint ở step 5.”
— Vinoo Ganesh
Khác biệt rõ nhất là cách model handle uncertainty và keep human in loop. Khi một term có 2 nghĩa, hầu hết model pick một nghĩa rồi tiếp tục. Claude dừng và hỏi analyst quyết định.
“Behavior đó quan trọng hơn mọi benchmark score. Một assumption sai sớm trong financial analysis sẽ break toàn bộ downstream.”
— Vinoo Ganesh
Engineer context xung quanh Claude
Claude cho output tốt hơn khi được giao task định nghĩa chính xác + structured domain knowledge + định nghĩa + hard boundary giữa “tự resolve” và “escalate”.
“Trong finance, model không thể là toàn bộ system. Chúng tôi treat nó như một stage trong pipeline, job của nó là hand model đúng thứ cần để succeed ở stage đó. Prompt engineering optimize một call; content engineering optimize cả system xung quanh.”
— John McRaven
Team build deterministic execution environment Claude có thể invoke cho mọi operation cần provably correct (compute ratio, resolve fiscal period). Họ phát triển ontology riêng map financial concept tới definition + formula chính xác, customize được per-use. Security và access control enforce ở mọi step.
Trên cùng đó, họ build skill tái sử dụng được cho workflow phổ biến nhất trong pipeline:
- Enterprise value calculation cho complex capital structure (handle preferred share, convertible, minority interest)
- Segment revenue waterfall reconciliation qua period change
Skill coordinate giữa stage deterministic và non-deterministic, idempotent by design: cùng input luôn ra cùng output.
Decompose workflow thành multi-stage pipeline
Match model khác nhau cho stage khác nhau:
- Opus 4.7 cho complex reasoning: decompose intent, resolve ambiguity, sinh execution plan structured
- Sonnet 4.6 cho stage throughput cao, task constrained hơn
Họ cũng train model riêng cho recall (một số dùng Claude làm foundation, một số proprietary): đạt 94% accuracy task map financial statement label tới taxonomy code chuẩn — so với 38-46% của model khác.
Eval pipeline: bench mỗi prompt change, model upgrade, context modification
Team test mọi thay đổi với hàng nghìn case trước khi đưa vào production. Họ build automated eval pipeline so output Claude với known-correct answer ở mọi stage, check cả structured plan và computed result cuối.
Khi test fail, họ trace được issue ở:
- Reasoning của Claude
- Context được provide
- Downstream execution
Khi Anthropic ship model version mới, Kepler bench trong vài giờ và biết stage nào improve, stage nào regress, stage nào cần adjust prompt.
Scale với Claude
Kepler Finance index hơn:
- 26M SEC filing trên 14,000+ công ty
- 50M+ public document
- 1M+ private document
- 27 thị trường global
Claude làm volume unstructured data đó usable: interpret câu hỏi với toàn corpus, reconcile khác biệt terminology giữa công ty và time period.
Retrieval layer của Kepler pull figure từ filing đã verify, compute kết quả, assemble vào Excel template — analyst click một lần là trace được mỗi số tới đúng line item highlight trong source document.
Tách biệt giữa Claude reasoning và Kepler deterministic infrastructure cho phép team nhỏ build ở scale này. Claude làm interpretation layer (thay vì cần nhiều domain-specific NLP engineer), infra Kepler làm phần còn lại.
Financial institution yêu cầu compliance trước khi engage, nên Kepler build:
- Full audit logging
- Siloed customer environment
- End-to-end provenance từ đầu
- SOC 2 Type II certified, ISO 27001 đang in progress
Platform domain-agnostic by design. Pattern (Claude reason về câu hỏi + infrastructure guarantee answer) áp dụng được cho healthcare reconcile clinical trial data, legal team trace precedent, v.v.
Best practice từ team Kepler
| Rule | Detail |
|---|---|
| Giao đúng job cho Claude | Retrieval cho query engine. Computation cho formula engine. Bảo Claude interpret, decompose, reason. |
| Match model với stage | Opus cho reasoning phức tạp, Sonnet cho task constrained throughput cao. Chạy mọi thứ trên một model là leave quality hoặc cost trên bàn. |
| Đầu tư eval trước prompt | Build automated pipeline test output Claude vs known-correct answer ở mọi stage. Test mỗi stage độc lập + full pipeline end-to-end. Trong finance, silent regression là cách bạn lose client vĩnh viễn. |
| Build provenance từ ngày đầu | Professional được train để verify mọi thứ. Provenance phải shape toàn system, không phải add ở cuối. |
Ý nghĩa với Dev
Nếu bạn ship AI cho domain audit-heavy (medical, legal, finance, compliance):
- LLM không phải toàn bộ system — nó là stage interpret, không phải stage compute
- Match model với task complexity — đừng chạy Opus cho mọi thứ, đừng chạy Sonnet cho phần cần long-plan reasoning
- Eval pipeline phải có trước prompt — không chỉ smoke test, mà compare với ground truth ở mọi stage
- Provenance là constraint architecture — không thể bolt-on sau, phải shape data flow từ đầu
Nguồn
Claude Blog (Anthropic), 30 April 2026, series “How startups build with Claude”.