Jak firma V7 dává agentům AI institucionální paměť

Dnešní modely dokážou řešit komplexní úlohy, ale samy od sebe nerozumějí obchodnímu kontextu, z něhož tyto úlohy vycházejí. Která zpráva fondu je aktuální? Jak je tatáž entita pojmenována ve třech různých systémech?

Tento kontext se nachází v dokumentech, datových místnostech, tabulkách, e-mailech a interních nástrojích: je roztříštěný, nevyjasněný a pro agenty neviditelný. Pro týmy ve financích, pojišťovnictví a realitách je přesné vyhledávání v rámci pracovních postupů naprostou nutností.

Poté, co společně vytvořili široce používanou aplikaci počítačového vidění pro usnadnění přístupu, založili Rizzoli a Edwardsson v roce 2018 společnost V7⁠(otevře se v novém okně), aby firmám pomohli naučit AI systémy, jak jejich podnikání funguje. V7 Go je agentní platforma pro tvorbu kritických pracovních postupů, která mění skrytý kontext v uspořádanou paměť, na niž se agenti mohou dotazovat a podle ní jednat.

V7 Go používá GPT‑5.6 Luna k extrakci informací z milionů souborů a jejich uspořádání v Context Graphu, který propojuje entity, vztahy a citované důkazy a podporuje vyhledávání přes MCP i opakovatelné pracovní postupy o stovkách kroků. V pracovních postupech používá V7 Go GPT‑5.6 Terra a Sol k uvažování a práci s nástroji podle složitých vícekrokových pokynů, jejichž splnění lidem trvá desítky hodin. V7 také začíná používat GPT‑6 Astra pro nejnáročnější dotazy nad Context Graphem, včetně finanční analýzy tisíců dokumentů.

Díky spolupráci kontextu, modelů a nástrojů podle V7 agenti dokončují pracovní postupy o 50 až 100 krocích během několika minut s přesností 99,9 % a zároveň zachovávají auditovatelný záznam každého rozhodnutí.

Context Graph řeší konkrétní problém. Agenti musí při každém požadavku znovu dohledávat kontext, což vede k desítkám vyhledávání, která stojí čas i tokeny a často přehlédnou klíčové informace ukryté ve vztazích.

Když dorazí data, V7 Go se připojí k úložištím, jako jsou SharePoint a Google Drive, vyhledá v nich entity, vztahy, fakta, atributy a metriky a naplní graf, jehož procházení je řádově levnější a rychlejší než přístupy založené na dlouhém kontextu.

Context Graph poskytuje agentům strukturovaný a aktuální záznam, který mohou přímo dotazovat. Když dorazí nový soubor, V7 Go v ontologii identifikuje společnosti, fondy, osoby a další entity, propojí každý údaj s novým nebo existujícím záznamem a zachová citované doklady odkazující na původní zdroj. Pokud graf neobsahuje dostatek informací, V7 Go může pomocí RAG prohledávat i podkladové dokumenty.

V7 také testovala, nakolik záleží na struktuře tohoto kontextu. V benchmarku HERB, který hodnotí vyhledávání a propojování informací rozptýlených v podnikových systémech, překonal systém V7 založený pouze na vyhledávání oficiální výchozí řešení o 69 % a u nezodpověditelných dotazů snížil počet halucinací o 38 %. V7 Go využívá tento kontext propojený se zdroji, aby komplexní pracovní postupy vycházely z vlastních informací každé společnosti.

V7 Go tento uspořádaný kontext využívá v pracovních postupech, jako jsou prověřování investičních příležitostí v private equity a posuzování pojistných rizik. V ukázce níže pracovní postup získává informace z dokumentu k transakci zvaného Confidential Information Memorandum (CIM), zpracovává klíčové finanční údaje, podmínky transakce a informace o vedení a cituje údaje o rizicích, než V7 Go vytvoří hodnoticí zprávu.

Díky Context Graphu může model pracovat s historií firmy, aniž by se ji musel pokaždé znovu učit. U dlouhodobě pracujících agentů uchovává V7 Go nedávné interakce v aktivním kontextu modelu a starší materiály ukládá do grafu, odkud je podle potřeby načte.

Tento sdílený kontext již zákazníkům V7 urychluje práci s velkým množstvím dokumentů:

• Správci aktiv mohou prověřovat investiční příležitosti 21krát rychleji než dříve a zkrátit celodenní proces na pouhých 15 minut

• Tým finančních služeb zkrátil dobu kontroly z více než 100 hodin na méně než 10 a na každé úloze ušetřil 12 000 USD za práci odborníků

• Po zpřístupnění historických informací o všech předchozích pojistných událostech a stávajících pojistkách agentům snížily pojišťovací týmy chybovost při zpracování pojistných událostí o 13,5 % oproti ručnímu postupu

Komplexní vícekrokové pracovní postupy závisí na tom, zda model spolehlivě dodržuje dlouhé pokyny, spouští nástroje, interpretuje výsledky a zvládá dlouhou posloupnost kroků. Jediná chyba v rané fázi může mít nákladné důsledky a narušit důvěru v systémy AI. V7 Go provádí modely dlouhodobými úlohami zahrnujícími deterministický kód, předávání menším modelům, generování souborů i integrace a uchovává auditovatelný záznam každého spuštění.

V pracovních postupech generovaných AI přiřazuje V7 Go každý krok k rychlé, střední nebo chytré úrovni. GPT‑5.6 Luna zajišťuje strukturovanou extrakci a další úlohy s vysokým objemem, zatímco GPT‑5.6 Terra nebo Sol pohánějí chat, cestu Go Agent a kroky vyžadující náročnější uvažování či použití nástrojů.

Firma V7 testuje nové modely pomocí průběžně udržované sady benchmarků, která hodnotí přesnost citací, kvalitu extrakce ze stovek typů dokumentů, správnost odpovědí, dodržování pokynů, latenci, náklady a reálné podnikové pracovní postupy. OpenAI překonává většinu modelů v oblastech, na kterých V7 záleží nejvíce. OpenAI také během několika hodin schválila a realizovala požadované navýšení kapacity V7, zatímco ostatním poskytovatelům využívaným V7 to trvalo týdny.

V nejnovějším harnessu V7 nyní klíčové pracovní postupy s několika externími voláními končí až o 50 % rychleji. V7 zaznamenala s GPT‑5.6 Luna i další nárůst efektivity: náklady na dokument byly o 78 % nižší než s GPT‑5.4 mini. V7 také přesunula úlohy V7 Go náročné na zpracování dokumentů z API na dokončování chatu do Responses API. Při testování tato změna u některých pracovních postupů s velkým množstvím PDF snížila využití tokenů přibližně o 5 % a zvýšila spolehlivost ukládání do mezipaměti.

Firma V7 také otestovala GPT‑6 Astra na svých nejobtížnějších dotazech. GPT‑5.6 Sol již dosahoval maxima v mnoha stávajících benchmarcích V7, a proto společnost vytvořila náročnější sadu otázek pro dotazování grafu s využitím méně uspořádaných reálných dat z tisíců dokumentů. Testovací datová sada zahrnuje čtyři úrovně obtížnosti. V7 uvádí, že na nejobtížnější úrovni dosáhl GPT‑5.6 Sol skóre 78 %, zatímco GPT‑6 Astra dosáhl přesnosti 89 %. Na snadné, střední i obtížné úrovni dosáhly oba modely skóre blízkého 100 %.

V7 Go již prostřednictvím svého serveru MCP zpřístupňuje dotazování a příjem dat do Context Graphu, takže jej zákazníci mohou používat z ChatGPT a dalších kompatibilních klientů. Prostřednictvím MCP mohou také vytvářet pracovní postupy V7 Go v Codexu. Spolu s jednodušším návrhem pracovních postupů se tím zkrátila doba potřebná k vytvoření středně dlouhého postupu z přibližně jedné hodiny na asi 20 minut.

Dlouhodobým cílem V7 je, aby tato sdílená paměť fungovala proaktivněji. Tým pracuje na postupech, které se spustí při změně údajů v Context Graphu, upozorní na nesrovnalosti a ukážou lidem, které analýzy je třeba znovu prověřit. Například přepracovaná zpráva fondu by mohla pro V7 Go být podnětem k označení práce, která stále vychází ze starých údajů.

„Naším cílem je pomoci podnikům přizpůsobit nástroje éře AI pomocí pracovních postupů, které řeší kritické úlohy, a paměti, jež překonává tu lidskou,“ říká Rizzoli. „Finanční firmy, které budou z AI získávat skutečnou hodnotu, nebudou ty s největším počtem agentů. Budou to ty s nejlepším kontextem.“