Como a Bridgewater transformou 100 milhões de documentos em uma vantagem

Autoria: AI Engineer · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: How Bridgewater Turned 100 Million Documents Into an Edge - Sam Green & Aaron Linsky, Bridgewater · Canal: AI Engineer · 16:08 · Assistir no YouTube

Tópicos: Agentes de IA, Aplicações empresariais de IA, Mercados e economia, RAG, busca e recuperação de informação

Resumo

Sam Green e Aaron Linsky apresentam o Vault, plataforma da Bridgewater que organiza mais de 100 milhões de documentos internos e externos para uso por investidores e agents. Eles explicam como adaptar busca, filtros e escala às necessidades diferentes de pessoas e agents, além de integrar a ferramenta aos hábitos de pesquisa já existentes. A plataforma também sustenta produtos de análise, previsões e estratégias de investimento. A meta é tornar os agents participantes proativos do processo de investimento e fazer com que as descobertas retornem ao Vault para aprimorar pesquisas futuras.

Pontos-chave

O Vault reúne dados não estruturados internos e externos, organizados de acordo com a ontologia interna da Bridgewater.
Dados atualizados e conectores adequados ajudam agents a encontrar evidências mais relevantes e responder considerando períodos específicos.
Pessoas e agents têm necessidades distintas: pessoas precisam de precisão, enquanto agents exigem capacidade de escala.
A equipe mediu a qualidade da busca com exemplos avaliados manualmente e melhorou a precisão dos resultados.
A filtragem nativa do Turbo Puffer combina velocidade com recall próximo ao da pré-filtragem.
Para incentivar a adoção, a Bridgewater levou ao Vault hábitos conhecidos, como buscas salvas e coleções.
O Vault está disponível em diferentes ferramentas, incluindo chat, Slack, IDE e CLI.
O Investor Workbench apresenta temas que podem exigir atenção e fornece resumos e evidências para avaliação.
A síntese produzida na colaboração entre investidores e agents é registrada de volta no Vault, permitindo que o conhecimento se acumule.

Capítulos

Início	Capítulo	Resumo
00:01	A origem e o propósito do Vault	Sam Green apresenta a evolução da pesquisa da Bridgewater e a criação do Vault para organizar dados não estruturados.
04:11	Uma comparação de respostas com e sem o Vault	Um exemplo mostra como o Vault fornece mais documentos relevantes e atualizados para responder a uma pergunta de investimento.
06:49	Busca para pessoas e agents	Aaron Linsky descreve as diferenças entre os usuários humanos e agents e explica melhorias de precisão, filtragem e escala.
11:30	Adoção e novos produtos de pesquisa	A equipe integrou ao Vault hábitos de pesquisa existentes e o utilizou como base para ferramentas de análise e previsão.
14:05	Agents proativos e conhecimento acumulado	O Investor Workbench direciona a atenção dos investidores e registra no Vault as descobertas de suas interações com agents.

Citações

Os humanos e os agents têm necessidades muito diferentes de uma plataforma de dados. — 00:31

São necessários dados de qualidade e os conectores certos para tornar os agents impactantes. — 06:18

Não podemos simplesmente colocar ferramentas incríveis na mesa dos investidores e esperar que sejam usadas. — 11:30

O Vault permite acumular conhecimento porque fornece as evidências certas e registra a síntese que investidores e agents produzem. — 15:37

O que faz um agent funcionar é o contexto certo e o entendimento certo do que está acontecendo no seu mundo. — 16:08

Conceitos e entidades

Bridgewater Associates (empresa): Empresa de investimentos que desenvolveu o Vault para incorporar dados não estruturados ao processo de investimento.
Sam Green (pessoa): Líder da equipe de IA aplicada da Bridgewater Associates e apresentador da palestra.
Aaron Linsky (pessoa): Responsável por engenharia de produto na Bridgewater Associates e coapresentador da palestra.
Vault (ferramenta): Plataforma da Bridgewater que indexa, organiza e disponibiliza documentos internos e externos para investidores e agents.
AiA (conceito): Sigla de artificial investment associate, iniciativa que coloca uma máquina no centro do processo contínuo de pesquisa da Bridgewater.
TurboPuffer (empresa): Provedor cuja abordagem de filtragem nativa foi adotada para combinar velocidade de busca e recall.
Investor Workbench (ferramenta): Experiência em que um agent acompanha temas importantes para um investidor e apresenta áreas que podem exigir sua atenção.
pocket analyst (ferramenta): Primeiro analista de IA da Bridgewater, que usa o Vault para realizar pesquisas em poucos minutos.
researcher (ferramenta): Sistema de pesquisa de próxima geração descrito como uma extensão do trabalho do pocket analyst ao longo de dias ou semanas.
forecaster (ferramenta): Sistema que produz previsões geradas por IA relevantes para a macroeconomia.

Tradução completa (pt-BR)

00:01 [música] >> Bom dia a todos. Sou Sam Green, líder da equipe de IA aplicada na Bridgewater Associates, e esta é minha colega Erin Lensky. Hoje estamos aqui para falar sobre o Vault, a plataforma de dados que criamos na Bridgewater para transformar dados não estruturados em um ativo de primeira classe no nosso processo de investimento.

00:31 Como parte da apresentação desta manhã, gostaríamos de compartilhar três lições que aprendemos ao criar o Vault. A primeira é que humanos e agents têm necessidades muito diferentes em relação a uma plataforma de dados. Por isso, é preciso criar soluções separadas para atender a essas necessidades diferentes. A segunda é que o maior impacto acontece quando uma única ferramenta consegue atender a esses dois conjuntos de necessidades ao mesmo tempo. E a terceira é que o verdadeiro prêmio é conseguir construir as bases necessárias para tornar os agents participantes proativos no seu processo de investimento

01:02 ou no que quer que você esteja fazendo com suas ferramentas, em vez de serem ferramentas reativas para os humanos usarem. Antes de me aprofundar no Vault, queria começar com um pouco de contexto sobre a Bridgewater. Nos últimos 50 anos, a Bridgewater tem buscado constantemente a melhor compreensão possível de como os mercados e as economias funcionam. E transformar essa compreensão em uma codificação sistemática que possamos usar para testar nossa lógica sob diferentes cenários ao longo do tempo. O que originalmente começou como um conjunto de regras do tipo se-então em um bloco de anotações amarelo evoluiu para um processo de composição contínua, com humanos no centro, sempre procurando a próxima mudança nos mercados. E, mais recentemente, temos trabalhado na criação do AiA, o assistente artificial de investimentos, que coloca uma máquina no centro desse processo contínuo. Em todas essas fases de evolução, mantivemos uma filosofia constante: queremos observar continuamente como o mundo está mudando e o que está acontecendo nele. Perceber quais dinâmicas ainda não estão

01:34 codificadas na nossa compreensão e usar esse aprendizado para melhorar e acumular conhecimento no futuro. Durante a maior parte da história da Bridgewater, isso significou criar e supervisionar modelos de séries temporais com dados estruturados. Esses dados estruturados precisavam ser cuidadosamente preparados para que pudessem ser usados com segurança no nosso processo de pesquisa e estivessem alinhados à nossa ontologia interna e ao nosso modelo do mundo, permitindo que aproveitássemos ao máximo os dados que havíamos criado. Com o surgimento dos modelos de linguagem,

02:06 surgiu uma enorme oportunidade de trabalhar com um universo muito mais amplo de dados. Notícias e pesquisas, transcrições, documentos de políticas e todas as conversas internas que antes ficavam simplesmente no ar. Ou seja, os memorandos internos, as transcrições de reuniões e os debates que acontecem dentro da empresa. Percebemos rapidamente que todos esses dados precisavam exatamente do mesmo tratamento para serem adequados à finalidade. Precisavam ser cuidadosamente limpos, governados e preparados para uso tanto em

02:37 perguntas de pesquisa pontuais hoje quanto em nossos estudos sistemáticos ao longo do tempo. Quando analisamos o panorama dos fornecedores de dados e das plataformas de dados, não havia nada que nos desse todo o controle necessário para criar e manter nossa vantagem em dados. Por isso, criamos o Vault, nosso repositório de dados não estruturados internos e externos. E a plataforma que indexa, organiza e prepara tudo isso para ser usado pelos nossos investidores humanos e agents.

03:08 Hoje, o Vault contém mais de 100 milhões de documentos, com milhares de novos documentos adicionados todos os dias, minuto a minuto, provenientes de 135 fontes externas — e esse número continua crescendo —, além de todos os dados de dentro da Bridgewater. E, crucialmente, esses dados não são simplesmente despejados na mesa dos nossos investidores. Eles são cuidadosamente alinhados à nossa ontologia interna, com enriquecimentos como países, conceitos, mercados e, o mais importante, o período discutido no

03:41 documento. Para dar vida a isso, quero começar com um exemplo rápido para motivar a discussão. O que fiz aqui foi enviar uma pergunta de investimento bastante básica e representativa a um cliente de chat empresarial. Perguntei: “Como o investimento em infraestrutura de IA está afetando o won sul-coreano, e os participantes do mercado esperam que isso continue?” E, como todos vocês certamente sabem, o agent vai à web e procura recursos que possa usar, porque pedi explicitamente que encontrasse

04:11 as perspectivas de outras pessoas sobre a questão. Vocês podem ver que ele se aprofunda e encontra 15 recursos aparentemente relevantes para usar antes de me dar uma resposta. Quando analisei a resposta que ele me deu, algumas coisas me chamaram a atenção. A primeira é que, embora tenha encontrado 15 fontes aparentemente relevantes, escolheu apenas uma ou duas para responder à minha pergunta. A segunda está no fim da resposta, onde o próprio agent reconhece que não respondeu à minha pergunta.

04:44 Ele não encontrou documentos suficientes na web aberta para estabelecer um consenso de mercado e atender aos parâmetros que defini. Quando investiguei ainda mais a fundo, o problema ficou pior. Uma das notas em que ele mais se baseou para responder à minha pergunta foi publicada em julho de 2026, embora eu tenha feito a pergunta e capturado essa resposta só no fim da semana passada, no início de outubro. Na era da IA e dos investimentos, quatro — três meses representam um período enorme de

05:15 tempo. Nem de longe é bom o suficiente usar esse recurso para responder à minha pergunta. Quando faço exatamente a mesma consulta com o Vault conectado, acontece algo totalmente diferente. Primeiro, a conexão com o Vault ajuda a orientar o agent para que procure um período específico ao responder à minha pergunta. Então, ele se concentra no período de 1º a 8 de outubro. Encontra uma variedade muito maior de recursos: 52 documentos candidatos relevantes para a consulta durante esse período específico, graças ao

05:46 corpus de conteúdo do Vault, muito mais amplo e relevante para questões de investimento. E, quando finalmente responde à minha pergunta, usa sete fontes, em vez de apenas uma ou duas. E me dá uma resposta rica, que o agent tem mais confiança de que vai atender à minha pergunta. Para nós, essa é a grande lição que aprendemos ao criar o Vault e que motiva a apresentação de hoje: são necessários bons dados e os conectores certos para que os agents tenham impacto. E agora vou passar a palavra para

06:18 Aaron, que vai falar sobre algumas das lições de engenharia de produto que aprendemos ao criar o Vault. >> Obrigado, Sam. Oi, sou Aaron. Lidero a engenharia de produto na Bridgewater. Vou apresentar alguns dos aprendizados que tivemos ao criar o Vault nos últimos anos. Vou começar por algo que talvez pareça óbvio, mas que ainda acho importante dizer: a busca é difícil. E fica ainda mais difícil quando estamos projetando para dois tipos diferentes de usuários. Neste caso, estamos projetando para humanos e agents. Vou explicar a diferença, começando por nós.

06:49 Os humanos precisam de precisão e de uma alta relação sinal-ruído, porque só conseguimos ler até certo ponto. Mesmo um leitor rápido consegue ler cerca de 300 palavras por minuto, e eu, pessoalmente, sou bem mais lento. Agents são um tipo diferente de leitor. São muito menos sensíveis à precisão. Se os dados estiverem lá, eles vão encontrá-los. E, basicamente, qualquer coisa que você lhes entregar receberá atenção. Eles escalam muito rapidamente e consomem conteúdo cerca de 100 vezes mais rápido: 30 mil palavras

07:20 por minuto. Por isso, precisamos criar o Vault para atender a ambos. E, ao pensar nas dimensões importantes, temos estas cinco no quadro: recuperação, precisão, filtragem, permissões e escala. Algumas importam para as pessoas, outras importam mais para os agents, e muitas importam para ambos. Vou me aprofundar em três delas: precisão para as pessoas, escala para os agents e filtragem para ambos. Então, precisão. Depois que abastecemos o Vault — o que exigiu um esforço heroico das nossas equipes de dados e jurídica —, a recuperação deixou de ser uma questão urgente. No entanto, a reclamação número um era: “A busca do Vault é ruim.” Como responsável pelo produto, é doloroso ouvir isso, mas minha resposta foi: “Vamos fazer um benchmark.” E foi o que fizemos. Reunimos perguntas e encontramos manualmente os melhores documentos, incluindo aqueles que pareciam úteis, mas não eram. Ao todo, foram cerca de 200 exemplos, e levamos menos de uma semana. Não foi divertido nem muito glamoroso,

07:52 por minuto. Então, precisamos construir o Vault para os dois. E, quando pensamos nas dimensões que importam, há estas cinco no quadro: cobertura, precisão, filtragem, permissões de acesso e escala. Algumas importam para as pessoas, outras importam mais para os agents, e muitas importam para ambos. Vou me aprofundar em três delas: precisão para as pessoas, escala para os agents e, depois, filtragem para ambos. Então, precisão. Depois que preenchemos o Vault,

08:23 o que foi um esforço hercúleo das nossas equipes de dados e jurídica, a cobertura deixou de ser uma questão urgente. No entanto, a principal reclamação era: a busca do Vault é ruim. Como responsável pelo produto, é doloroso ouvir isso, mas minha resposta foi: vamos fazer um benchmark. E foi o que fizemos. Reunimos perguntas e encontramos manualmente os melhores documentos, incluindo alguns que pareciam úteis, mas não eram. Ao todo, foram cerca de 200 exemplos, e levamos menos de uma semana. Não foi divertido nem muito glamoroso,

08:55 mas foi muito útil. E, depois que rodamos, ficou muito claro: a busca era ruim. A principal métrica que analisávamos era a precisão nos 10 primeiros resultados: entre os 10 primeiros resultados, quantos eram os documentos certos. E estávamos chegando a cerca de 60%. Então, as pessoas tinham razão: era ruim. Mas agora tínhamos uma maneira de medir todas as melhorias. E aqui no quadro estão cinco delas. Quando terminamos o Agentic Search, tínhamos chegado a 90–95% de recall nos 10 primeiros resultados.

09:27 ou precisão nos 10 primeiros resultados. Certo, essa foi a precisão. Agora, vamos à filtragem. Como qualquer pessoa, queremos os documentos mais relevantes. Mas, quando analisamos os rastros de produção, vimos que quase sempre havia alguma condição: uma determinada data, uma determinada fonte ou um ativo específico. E tudo isso exige filtragem avançada, e foi aí que nos deparamos com nosso primeiro grande problema de desempenho.

09:58 Vou explicar isso rapidamente; é um pouco técnico. Classicamente, há duas maneiras de filtrar um banco de dados vetorial. A filtragem posterior usa primeiro o índice vetorial e depois filtra os principais resultados pelos metadados. É rápida, mas o recall pode ser bem baixo, porque os resultados mais relevantes em termos globais talvez não correspondam aos seus filtros. Por outro lado, temos a pré-filtragem, em que primeiro filtramos e depois calculamos as distâncias para cada correspondência. A vantagem é

10:28 que o recall é muito bom, mas pode ser bem lenta, e precisávamos de algo intermediário. Foi isso que nos levou a testar e, por fim, mudar para o Turbo Puffer. A abordagem deles, que chamaram de filtragem nativa, procura apenas nos clusters mais próximos que contêm correspondências e, em seguida, calcula a pontuação apenas desses resultados. O que se obtém é algo tão rápido quanto a filtragem posterior, mas com um recall quase igual ao da pré-filtragem. E, por último, vou falar de escala. Para nós, a escala humana é bastante modesta:

10:58 100 consultas por hora. Temos 300 usuários. Eles vão fazer buscas de vez em quando. Nossos usuários levam minutos para ler os documentos que recebem. Os agents, por outro lado, operam em uma escala várias ordens de magnitude maior. Com facilidade, mais de 100 consultas por segundo, e enxames de agents podem chegar a milhares sem dificuldade. E, obviamente, como eu disse antes, eles leem os documentos em segundos. Então, também precisávamos de algo que pudesse escalar, e, mais uma vez, o Turbo Puffer deu conta disso com facilidade. Assim, cobrimos as cinco dimensões.

11:30 Não falei sobre permissões de acesso, mas vou falar disso mais tarde, hoje. Mas cobrimos tudo. Isso desbloqueou novos workflows. Mas não mudou a maneira como nossos pesquisadores trabalhavam. Eles ainda não acessavam o Vault todas as manhãs. E essa é a segunda lição que quero compartilhar: por mais incríveis que sejam as ferramentas, não podemos simplesmente colocá-las na mesa dos nossos investidores e esperar que sejam usadas. Precisamos migrar os hábitos antigos deles para uma nova forma. Então, analisamos o que eles já

12:01 faziam. Muitos viviam no e-mail. A pesquisa vinha diretamente dos corretores. Eles tinham listas de assinatura. Tinham regras que filtravam tudo para pastas. Funcionava. Era familiar. E sabiam que não estavam deixando nada passar. Então, tivemos de incorporar todos esses recursos ao Vault. Foi exatamente o que fizemos. Tudo pode ser pesquisado. As listas de assinatura viraram buscas salvas. E as pastas viraram coleções salvas. São os mesmos hábitos, só que em um novo lugar. E, depois que os levamos para lá, podemos abrir

12:31 espaço para novos hábitos. Assim, podemos — eles podem — fazer perguntas sobre todos os dados, como Sam mostrou. Podem acompanhar feeds dinâmicos por tópico. E podem entregar essas coleções aos agents para que tomem outras medidas. Foi então que ficou claro que tínhamos encontrado o encaixe entre produto e mercado. E, depois que encontramos esse encaixe, os usuários quiseram o produto em todos os lugares. Então, colocamos no chat. Criamos um aplicativo para celular. Está no Slack e na IDE deles. E, é claro, também disponibilizamos tudo isso para os agents, incluindo uma CLI, porque os agents adoram CLIs.

13:02 E então a principal pergunta é: certo, o que isso possibilita? Sam vai falar sobre o que estamos construindo agora. Mas, acima de tudo, isso nos ajuda a percorrer mais rápido esse ciclo de pesquisa. Com nosso analista de bolso, que é nosso primeiro analista de IA, dá para fazer horas de pesquisa em apenas alguns minutos, por alguns dólares. E isso depende do Vault. Agora, estamos expandindo com o researcher, que é a próxima geração. É a mesma ideia, estendida ao longo de dias ou semanas.

13:34 Também conseguimos treinar modelos personalizados para raciocinar de forma mais inteligente sobre os dados do Vault e usá-los junto com outros modelos de base para alimentar processos sistemáticos de tomada de decisão. O forecaster é o nosso primeiro, que gera previsões relevantes para a macroeconomia com IA. Também criamos sinais de investimento a partir do Vault, transformando dados não estruturados em estratégias estruturadas e negociáveis. Agora, vou passar a palavra a Sam para nos mostrar o recurso mais recente do Vault.

14:05 >> Obrigado. Como mencionei no começo da palestra, o verdadeiro prêmio é poder transformar os agents de um recurso reativo, pronto para responder à pergunta de uma pessoa, em participantes proativos que ajudam a direcionar nossos profissionais de alto valor para as áreas mais importantes às quais devem dedicar atenção. E estamos resolvendo esse problema com uma experiência que chamamos de bancada de trabalho do investidor, em que o agent está sempre ativo, acompanhando o que é

14:36 importante para aquele investidor e apresentando as áreas que mais precisam da atenção dele. A experiência se parece com isto e depende do Vault: um tópico é proposto e várias informações são apresentadas ao investidor, para que decida se deve investigar mais a fundo ou ignorar completamente aquele tópico. Aqui, vocês podem ver o cartão que um investidor vê para decidir se deve aprofundar a mesma questão sobre o impacto da IA nas moedas que vimos antes na palestra. E o investidor recebe tudo

15:07 de que precisa: um resumo feito por agent, caso queira examinar rapidamente as descobertas do agent. Também recebe as evidências exatas em que o agent se baseou, para poder avaliar por conta própria o que levou àquela recomendação. E, se decidir investigar mais a fundo, tem acesso direto ao resultado da pesquisa das ferramentas analíticas que Aaron acabou de descrever. E, quando investiga mais a fundo junto com o agent para analisar as dinâmicas que impulsionam essa questão, os aprendizados são automaticamente

15:37 registrados; os resultados da colaboração são automaticamente registrados de volta no Vault. E essa é, para nós, a lição principal. O Vault possibilita o acúmulo de conhecimento porque fornece as evidências certas, as informações internas e externas adicionais certas, ao alcance dos nossos investidores e agents, e registra automaticamente a síntese que eles produzem, colocando-a de volta no corpus para a próxima rodada. Isso nos faz percorrer o ciclo com mais rapidez e qualidade. E, quando pensamos de novo na pergunta com que começamos, o que é necessário para fazer um agent funcionar é o contexto certo e a compreensão certa do que está acontecendo no seu mundo. E então, quando pensamos em…

16:08 A pergunta que temos para vocês é: sua IA sabe o que está acontecendo no mundo? E ela se lembra do que sua empresa aprendeu sobre isso? Porque nós também estamos ensinando a nossa. E, se isso parece um desafio empolgante, adoraríamos conversar. Obrigado. >> [aplausos]

Transcrição original

[00:01] [music] >> Good morning everyone. I’m Sam Green, team lead for applied AI at Bridgewater Associates, and this is my colleague Erin Lensky. And today we’re here to talk to you about the Vault, the data platform that we’ve built at Bridgewater to turn unstructured data into a first-class asset in our investment process.

[00:31] And as part of the talk this morning, we’d like to share three lessons that we’ve learned building the Vault. The first is that humans and agents have very different needs from a data platform. And so you have to build for those different needs separately. The second is that the greatest impact occurs when a single tool can meet both of these sets of needs at the same time. And the third is that the real prize is when you can build the foundations needed to make agents a proactive participant in your investment process

[01:02] or whatever you’re doing with your with your your tools instead of a reactive reactive tool for your humans to use. Before I I dive deeper into talking about the Vault, I wanted to start with some some background about Bridgewater. Over the last 50 years, Bridgewater has been in the constant pursuit of the world’s best understanding of how markets and economies work. And turning that into a systematic encoding that we can use to stress test our logic over time. And what originally began as a set of

[01:34] if-then rules on a yellow legal pad evolved into a continuous compounding process with humans at the center constantly looking for the next thing that’s changing in markets. And more recently, we’ve been working on building AiA, the artificial investment associate, which puts a machine at the center of this continuous process. Across all these phases of evolution, we’ve had a constant philosophy in mind, which is that we want to be constantly looking at how the world is changing and what’s going on in the world. Noticing what what dynamics are not yet

[02:06] encoded in our understanding and use that learning to improve and compound for the future. For most of Bridgewater’s history, that meant building and overseeing time series models on structured data. And that structured data needed to be carefully built so that it could be safe for use in our research process and aligned to our internal ontology and world model so that we could get great leverage out of using the the data that we had built. With the emergence of language models,

[02:37] we had a huge new opportunity to engage with a with a much wider world of data. Um, you know, news and research, transcripts, policy documents, and all of the internal conversation that was previously just in the ether. So, the internal memos and meeting transcripts and debate happening inside the firm. We quickly realized that all of that data needed the exact same treatment to be fit for purpose. It needed to be carefully cleaned, governed, and made ready for use in both point-in-time

[03:08] research questions today and also our systematic study over time. And when we looked out at the landscape of data vendors and data platform providers, there was nothing that provided us with all of the control that we needed to build and maintain our data advantage. And so, we built the Vault, which is our repository of external and internal unstructured data. Um, and the platform that indexes, organizes, and makes all of it ready for use by our human investors and agents.

[03:41] Today, the Vault has more than 100 million documents in it with thousands more added every day, uh, minute by minute, from 135 external sources and again growing all the time, as well as all of the data from inside of Bridgewater. And crucially, all that data is not just dumped on our investors’ desks. It is carefully aligned to our internal internal ontology with enrichments like the countries, concepts, markets, and most importantly, time period discussed in

[04:11] the document. To bring this to life, I want to start with a quick motivating example. So, what I did here is I asked a fairly basic representative investment question to an enterprise chat client. I asked, “How is AI infrastructure investment impacting the Korean won, and do market participants expect this to continue?” And as as you’re all I’m sure familiar with, the agent goes to the web and looks for resources it can draw on because I’ve explicitly asked it to go find

[04:44] other people’s perspectives on the question. And you can see it it zooms in and it finds 15 relevant-looking resources to draw on before it gives me back its answer. And when I when I zoomed in on the answer it gave back, a couple of things stood out to me. The first is that even though it found 15 relevant-looking sources, it only picked one or two to answer to answer my question. And the second is down at the end of this response where the agent itself acknowledges that it hasn’t answered my question.

[05:15] It didn’t find enough documents on the open web to establish a market consensus and meet the meet the parameters that I laid out. When I double-clicked even further, the problem got even worse. One of the notes that it primarily drew on to answer my question was published way back in July of 2026, even though I asked this question and captured this answer just at the end of last week in early October. In the age of AI and in investing, four three months is a massive amount of

[05:46] time. It’s not even close to good enough to draw uh draw on this resource to answer my question. When I ask this exact same query attached to the vault, something totally different happens. The first is that the connection to the vault helps to prompt the agent that it should look for a specific period of time when answering my question. So, it zooms in on October 1st to October 8th. It finds a much wider array of resources, 52 candidate documents that are relevant to the query over this specific period of time because of the

[06:18] vault’s much more significant corpus of content that’s relevant to investing questions. And when it ultimately answers my question, it draws on seven instead of only one or two. And gives me back a rich answer that the agent is more confident is going to address my question. And so, for us, this is the the big lesson of from building the vault to kind of motivate the talk today, which is that it takes great data and the right connectors to make agents impactful. And I’m going to talk hand it over to

[06:49] Aaron now to talk about some of the product engineering takeaways from building the vault. >> Thanks, Sam. So, hi. I’m Aaron. I run product engineering at Bridgewater. I’m going to take us through a few of our learnings from building the vault over the past few years. I’m going to start with one that might seem obvious, but I still think it’s worth saying, which is search is hard. But, it gets even harder if we’re designing for two different consumers. And in this case, we’re designing for humans and agents. I’m going to go over the difference here

[07:20] starting with us. So, humans need precision and a high signal-to-noise ratio because we can only read so much. Even a fast reader manages about 300 words a minute, and personally, I’m much slower. Agents are a different kind of reader. They’re far less sensitive to precision. If the data is there, they’ll find it. And basically, anything you hand to them will get attended to. They scale super quickly and they come and they consume about uh a hundred times faster, 30,000 words

[07:52] per minute. And so we need to build Vault for both of these. And when we’re thinking about the dimensions that matter, there are these five on on the board. Recall, precision, filtering, entitlements, and scale. Some of them matter to people, some matter more to agents, many to both. I’m going to go deep on three of these. Precision for people, scale for agents, and then filtering for both. So, precision. Once we’ve filled the Vault,

[08:23] our which was a heroic effort by our data and legal teams, recall was no longer a pressing issue. However, the number one complaint was Vault search is bad. As a product owner, it’s painful to hear that, but my response was let’s benchmark it. And that’s what we did. We collected questions and found the best documents by hand, including ones that looked helpful but weren’t. In all In total it was about 200 examples and it took us less than a week. It was not fun or very glamorous,

[08:55] but it was very helpful. And after we ran it, it was very clear. Search was bad. The key metric we were looking at is precision at 10, which is of the top 10 results, how many are the right documents. And we were hitting about 60%. So, the people were right, it was bad. But now we had a way to measure all of the improvements. And here on the board are five of them. And by the time we got done with Agentic Search, we were up in the 90-95% uh recall at 10

[09:27] or precision at 10. All right, so that was precision. Now on to filtering. Like anyone, we want the most relevant documents. But when we looked at the production traces, what we were seeing is that almost always there was some condition, either as of a certain date or from a certain source or about a specific asset. And all of that requires advanced filtering, and that’s where we ran into our first major performance issue.

[09:58] So I’m going to quickly go through this of a little bit technical here of there’s classically two ways to fill filter a vector database. Post filtering will use that vector index first and then filter the top results by metadata. It’s fast, but recall could be pretty low because the globally relevant results might not match your filters. On the other side, we have pre-filtering where we’ll filter first and then calculate distances for every one of those matches. The advantage there is

[10:28] that the recall is very good, but it can be very slow, and we needed something in between. So that’s what led us to try and then ultimately switch to Turbo Puffer. Their approach, which they called native filtering, looks only in the nearest clusters that contain matches and then scores just those. What you end up getting is something that’s fast like post filtering, but with close to the same recall as pre-filtering. And lastly, I’m going to talk about scale. Human scale for us is pretty pedestrian,

[10:58] 100 queries an hour. We have 300 users. They’re going to search, you know, every so often. It takes our users minutes to read the docs that they’re that they’re receiving. Agents, on the other hand, are a few orders of magnitude beyond that. Easily 100 plus queries a second, and agent swarms can hit thousands easily. And they obviously, will read, as I said earlier, will read docs in seconds. So we needed something that could scale as well, and again, Turbo Puffer handled that easily, too. So we were covering all five dimensions.

[11:30] I didn’t talk about entitlements, but I’ll be talking about that later today. Um but we covered it all. It unlocked new workflows. But it didn’t change how our researchers worked. They still weren’t coming to Vault every morning. And that’s my second lesson that I want to share here is that no matter how amazing the tools are, we can’t just drop them on our investors’ desks and expect them to be used. We need to migrate their old habits into an a new form. And so we looked at what they were

[12:01] already doing. Many of them were living in email. The research came straight from the brokers. They had subscribed lists. They had rules that filtered everything into folders. It worked. It was familiar. And they knew that they weren’t missing anything. So we had to build all of these features into the Vault. That’s exactly what we did. Everything’s searchable. The subscribe lists became saved searches. And folders became saved collections. It’s the same habits, just a new home. And once we had them there, we can open

[12:31] up new habits. So we can ask they can ask questions across all the data as Sam showed. They can follow dynamic feeds by topic. And they can hand those collections over to their agents to take further action. And that’s when we clearly had product market fit. And once we had that fit, the users wanted it everywhere. So we put it in chat. We made a phone app. It’s in Slack in their IDE. And of course, we availed all of that to the agents as well. Um including a a CLI because agents love CLIs.

[13:02] And so the main question here is okay, so what does this enable? Sam’s going to talk about what we’re building right now. But first and foremost, it’s helping us to move around that research circle faster. With our pocket analyst, which is our first AI analyst, it can do it can do hours it can do hours of research in just a few minutes for a few dollars. And that’s relying on the Vault. And then we’re expanding now with the researcher, which is the next generation. It’s the same idea stretched across days or weeks.

[13:34] We’re also able to train custom models to more intelligently reason over the vault’s data and use those together with other foundation models to feed systematic decision-making processes. The forecaster is our first one, which produces AI-generated macro-relevant predictions. And then, we also have a built investment signals from the vault, turning unstructured data into structured, tradable strategies. Now, I’ll hand it to Sam to take us through Vault’s latest capability.

[14:05] >> Thanks. So, like I alluded to at the beginning of the talk, the real prize is when you can take agents from a reactive resource that can be ready to answer a a human’s question and instead make them proactive participants helping to steer your high-value professionals towards the most important areas for their attention. And the way that we’re solving that problem is in an experience we’re calling the investor workbench, where the agent is always on tracking what’s

[14:36] important to that investor and presenting them with the areas that are most in need of their attention. It looks like an experience like this that relies on the vault, where a topic is proposed and several pieces of information are presented to the investor to decide whether they should dig deeper or ignore that topic entirely. You can see here the card that an investor sees in order to decide whether to dig in deeper into the same AI impact on currencies question that we looked at earlier in the talk. And the investor receives everything

[15:07] they need, an agentic summary if they want a quick scan across the agent’s findings. They also get the exact evidence that the agent was drawing on, so they can assess for themselves what was leading to this recommendation. And if they choose to dig deeper, they have a direct connection to the research output from the analytical tools that Aaron was just describing. And when they dig deeper alongside the agent to look at the dynamics driving this question, the learnings are automatically

[15:37] captured, the results of their collaboration are automatically captured back in the vault. And so this for us is the key lesson. The vault enables compounding because it provides the right evidence, the right extra internal and external information at the fingertips of our investors and agents, and it automatically captures the synthesis that they generate and puts it back in the corpus for the next turn. And that makes us go around the circle faster and better. And so when we think back to our the the

[16:08] question we began with, what it takes to make an agent work is the right context and the right understanding of what’s going on in your world. And so our question for you is, does your AI know what’s going on in the world? And does it remember what your firm has learned about it? Because we are teaching ours too. And if these sounds like an sound like an exciting challenge, we’d love to talk. Thank you. >> [applause]