Com V7 dota els agents d'IA de memòria institucional

Els models actuals poden raonar sobre tasques complexes, però no entenen automàticament el context empresarial subjacent. Quin informe del fons és el vigent? Quin nom rep la mateixa entitat en tres sistemes diferents?

Aquest context es troba en documents, sales de dades, fulls de càlcul, correus electrònics i eines internes: dispers, sense resoldre i invisible per als agents. Per als equips de finances, assegurances i immobiliari, la precisió de la recuperació d'informació dins dels fluxos de treball és innegociable.

Després de crear plegats una aplicació d'accessibilitat de visió per ordinador molt utilitzada, Rizzoli i Edwardsson van fundar V7⁠(s'obre en una finestra nova) el 2018 per ajudar les empreses a ensenyar als sistemes d'IA com funcionen els seus negocis. V7 Go és una plataforma agèntica per crear fluxos de treball essencials i organitzar el context ocult en una memòria que els agents poden consultar i utilitzar per actuar.

V7 Go utilitza GPT‑5.6 Luna per extreure informació de milions de fitxers i organitzar-la al Graf de context, que connecta entitats, relacions i proves citades, i impulsa la cerca mitjançant MCP i fluxos de treball repetibles que poden abastar centenars de passos. Per als fluxos de treball, V7 Go utilitza GPT‑5.6 Terra i Sol per al raonament i l'ús d'eines en instruccions complexes de diversos passos que una persona trigaria desenes d'hores a completar. V7 també comença a utilitzar GPT‑6 Astra en les consultes més exigents del Graf de context, incloses les anàlisis financeres de milers de documents.

Amb el context, els models i les eines treballant conjuntament, V7 afirma que els agents completen en minuts fluxos de treball de 50 a 100 passos, amb una precisió del 99,9% i un registre auditable de cada decisió presa.

El Graf de context resol un problema concret. Els agents han de redescobrir el context en cada sol·licitud, fet que comporta desenes de cerques que consumeixen temps i segments i que sovint passen per alt informació clau amagada en les relacions.

Quan arriben dades, V7 Go es connecta a repositoris com SharePoint i Google Drive, els analitza per detectar-hi entitats, relacions, fets, atributs i mètriques, i omple un graf que es pot recórrer amb un cost i una velocitat deu vegades millors que amb els enfocaments de context llarg.

El Graf de context ofereix als agents un registre estructurat i actualitzat que poden consultar directament. Quan arriba un fitxer nou, V7 Go identifica les empreses, els fons, les persones o qualsevol entitat d'una ontologia; després vincula cada fet a un registre nou o existent i conserva les proves citades que remeten a la font original. Si el graf no conté prou informació, V7 Go encara pot cercar els documents subjacents mitjançant RAG.

V7 també ha comprovat fins a quin punt és important l'estructura d'aquest context. A HERB, una prova de referència per trobar i connectar informació distribuïda entre sistemes empresarials, el sistema de V7 basat només en recuperació va superar en un 69% la referència oficial i va reduir en un 38% les al·lucinacions en consultes sense resposta. V7 Go utilitza aquest context vinculat a les fonts perquè els fluxos de treball complexos es basin en la informació pròpia de cada empresa.

V7 Go utilitza aquest context organitzat en fluxos de treball com l'avaluació d'operacions de capital privat i la subscripció d'assegurances. A la demostració següent, un flux de treball extreu informació d'un document d'operació anomenat memoràndum d'informació confidencial (CIM), incorpora les dades financeres clau, els termes de l'operació i els detalls de la direcció, i cita els camps de risc abans que V7 Go generi una nota d'avaluació.

El Graf de context permet que un model treballi amb l'historial d'una empresa sense haver-lo de tornar a aprendre cada vegada. Per als agents de llarga durada, V7 Go manté els intercanvis recents en el context actiu del model i desa el material anterior al graf per recuperar-lo quan calgui.

Aquest context compartit ja accelera les tasques amb molts documents dels clients de V7:

• Les gestores d'actius poden avaluar operacions 21 vegades més de pressa que abans i reduir a només 15 minuts un procés que durava tot un dia

• Un equip de serveis financers va reduir el temps de revisió de més de 100 hores a menys de 10 i va estalviar 12.000 $ en costos d'especialistes per tasca

• Els equips d'assegurances van reduir un 13,5% els errors en la tramitació de sinistres respecte del procés manual de referència després de donar als agents coneixement històric de tots els sinistres anteriors i les pòlisses vigents

Els fluxos de treball complexos i amb diversos passos depenen que un model segueixi instruccions llargues de manera fiable, executi eines, interpreti resultats i recorri una llarga seqüència de passos. Un sol error en una fase inicial pot tenir conseqüències costoses i minar la confiança en els sistemes d'IA. V7 Go guia els models en tasques de llarg recorregut que inclouen codi determinista, traspassos a models més petits, passos de generació de fitxers i integracions, amb un registre auditable de cada execució.

En els fluxos de treball generats per IA, V7 Go assigna cada pas a un nivell ràpid, mitjà o intel·ligent. GPT‑5.6 Luna s'encarrega de l'extracció estructurada i altres tasques de gran volum, mentre que GPT‑5.6 Terra o Sol impulsen el xat, la ruta de Go Agent i els passos que requereixen més raonament o ús d'eines.

V7 avalua els models nous amb un conjunt de proves de referència actualitzat contínuament que cobreix la precisió de les citacions, la qualitat de l'extracció en centenars de tipus de documents, l'exactitud de les respostes, el seguiment d'instruccions, la latència, el cost i fluxos de treball empresarials reals. OpenAI supera la majoria de models en els comportaments que més importen a V7. OpenAI també va aprovar i implementar en poques hores l'augment de capacitat que necessitava V7, mentre que altres proveïdors de V7 van trigar setmanes.

En l'entorn d'execució més recent de V7, els fluxos de treball clau amb diverses crides externes ara acaben fins a un 50% més de pressa. V7 va mesurar un altre guany d'eficiència amb GPT‑5.6 Luna: un cost per document un 78% inferior al de GPT‑5.4 mini. V7 també va migrar de l'API de complecions de xat a l'API de respostes les càrregues de treball de V7 Go amb un ús intensiu de documents. En les proves, el canvi va reduir aproximadament un 5% l'ús de segments en alguns fluxos de treball amb molts PDF i va millorar la fiabilitat de la memòria cau.

V7 també va provar GPT‑6 Astra amb les consultes més difícils. GPT‑5.6 Sol havia assolit el sostre de moltes de les proves de referència de V7, de manera que l'empresa va crear un conjunt més exigent de preguntes de consulta de grafs amb dades reals més desordenades, repartides entre milers de documents. El conjunt de dades de la prova abasta quatre nivells de dificultat. En el nivell molt difícil, V7 indica que GPT‑5.6 Sol va obtenir un 78%, mentre que GPT‑6 Astra va assolir una precisió del 89%. Tots dos models van obtenir prop del 100% en els nivells fàcil, mitjà i difícil.

V7 Go ja permet consultar i incorporar dades al Graf de context mitjançant el seu servidor MCP, perquè els clients el puguin utilitzar des de ChatGPT i altres clients compatibles. També poden crear fluxos de treball de V7 Go mitjançant MCP a Codex. Això, juntament amb un disseny més senzill dels fluxos de treball, ha reduït d'aproximadament una hora a uns 20 minuts el temps necessari per crear un flux de treball de longitud mitjana.

L'objectiu de V7 a llarg termini és fer que aquesta memòria compartida sigui més proactiva. L'equip treballa per crear fluxos de treball que s'iniciïn quan canviïn els fets del Graf de context, assenyalin incoherències i mostrin quines anàlisis cal tornar a revisar. Per exemple, la reformulació de l'informe d'un fons podria fer que V7 Go assenyalés les tasques que encara es basen en les xifres anteriors.

"El nostre objectiu és ajudar les empreses a adaptar les seves eines a l'era de la IA, amb fluxos de treball que resolguin tasques essencials i una memòria que superi la humana", afirma Rizzoli. "Les empreses financeres que obtinguin un valor real de la IA no seran les que tinguin més agents. Seran les que tinguin el millor context."