Sådan giver V7 AI-agenter organisationshukommelse

Nutidens modeller kan ræsonnere sig gennem komplekse opgaver, men de forstår ikke automatisk den underliggende forretningskontekst. Hvilken fondsrapport er den aktuelle? Hvad kaldes den samme enhed i tre forskellige systemer?

Denne kontekst findes i dokumenter, datarum, regneark, e-mails og interne værktøjer: spredt, uafklaret og usynlig for agenter. For teams inden for finans, forsikring og ejendomme er præcis informationssøgning i arbejdsgange et ufravigeligt krav.

Efter sammen at have udviklet en meget udbredt tilgængelighedsapp baseret på computersyn grundlagde Rizzoli og Edwardsson V7⁠(åbner i et nyt vindue) i 2018 for at hjælpe virksomheder med at lære AI-systemer, hvordan deres forretning fungerer. V7 Go er en agentbaseret platform til at opbygge forretningskritiske arbejdsgange og organisere skjult kontekst som hukommelse, agenter kan forespørge og handle ud fra.

V7 Go bruger GPT‑5.6 Luna til at udtrække oplysninger fra millioner af filer og organisere dem i Context Graph, som forbinder enheder, relationer og kildebelagt dokumentation og dermed driver MCP-søgning og repeterbare arbejdsgange, der kan omfatte hundredvis af trin. Til arbejdsgange bruger V7 Go GPT‑5.6 Terra og Sol til ræsonnering og brug af værktøjer på tværs af komplekse instruktioner med mange trin, som det tager mennesker snesevis af timer at udføre. V7 er også begyndt at bruge GPT‑6 Astra til de mest krævende forespørgsler i Context Graph, herunder finansielle analyser på tværs af tusindvis af dokumenter.

Når kontekst, modeller og værktøjer arbejder sammen, gennemfører agenter ifølge V7 arbejdsgange på 50-100 trin på få minutter med en nøjagtighed på 99,9 %, samtidig med at der bevares et revisionsspor for hver beslutning.

Context Graph løser et konkret problem. Agenter skal genfinde konteksten ved hver forespørgsel, hvilket medfører snesevis af søgninger, der koster tid og tokens, og ofte overser vigtige oplysninger gemt i relationerne.

Når der kommer data ind, opretter V7 Go forbindelse til lagre som SharePoint og Google Drive, scanner dem for enheder, relationer, fakta, attributter og nøgletal og udfylder en graf, som er markant billigere og hurtigere at navigere i end løsninger baseret på lange kontekster.

Context Graph giver agenter et struktureret og opdateret register, som de kan forespørge direkte. Når der kommer en ny fil, identificerer V7 Go virksomheder, fonde, personer eller andre enheder i en ontologi, knytter hvert faktum til en ny eller eksisterende post og bevarer dokumentationen med henvisning til den oprindelige kilde. Hvis grafen ikke indeholder nok oplysninger, kan V7 Go stadig søge i de underliggende dokumenter med RAG.

V7 har også undersøgt, hvor stor betydning kontekstens struktur har. På HERB, et benchmark for at finde og forbinde oplysninger på tværs af virksomhedssystemer, klarede V7's system, der udelukkende bruger informationssøgning, sig 69 % bedre end den officielle baseline og reducerede hallucinationer ved spørgsmål uden svar med 38 %. V7 Go bruger denne kildekoblede kontekst til at forankre komplekse arbejdsgange i den enkelte virksomheds egne oplysninger.

V7 Go bruger denne organiserede kontekst i arbejdsgange som screening af kapitalfondsinvesteringer og risikovurdering i forsikring. I demoen nedenfor udtrækker en arbejdsgang oplysninger fra et transaktionsdokument kaldet et Confidential Information Memorandum (CIM), indlæser centrale regnskabstal, transaktionsvilkår og ledelsesoplysninger samt kildebelægger risikofelter, før V7 Go udarbejder et screeningnotat.

Context Graph gør det muligt for en model at arbejde med en virksomheds historik uden at skulle lære den på ny hver gang. For agenter, der kører over længere tid, beholder V7 Go de seneste udvekslinger i modellens aktive kontekst og gemmer ældre materiale i grafen, så det kan hentes efter behov.

Denne fælles kontekst gør allerede dokumenttungt arbejde hurtigere for V7's kunder:

• Kapitalforvaltere kan screene investeringsmuligheder 21 gange hurtigere end før og reducere en heldagsproces til blot 15 minutter

• Et team inden for finansielle tjenester reducerede gennemgangstiden fra over 100 timer til under 10 og sparede 12.000 USD i ekspertomkostninger pr. opgave

• Forsikringsteams reducerede fejl i skadebehandlingen med 13,5 % sammenlignet med en manuel baseline, efter at deres agenter fik adgang til historisk viden om alle tidligere skader og eksisterende policer

Komplekse arbejdsgange med mange trin kræver, at en model pålideligt følger omfattende instruktioner, bruger værktøjer, fortolker resultater og navigerer gennem en lang række trin. En enkelt fejl tidligt i processen kan få dyre konsekvenser og underminere tilliden til AI-systemer. V7 Go guider modeller gennem langvarige opgaver, der omfatter deterministisk kode, overdragelser til mindre modeller, filgenerering og integrationer, med et revisionsspor for hver kørsel.

I AI-genererede arbejdsgange knytter V7 Go hvert trin til et hurtigt, mellemstort eller intelligent niveau. GPT‑5.6 Luna håndterer struktureret udtræk og andet arbejde med store datamængder, mens GPT‑5.6 Terra eller Sol driver chat, Go Agent-forløbet og trin, der kræver mere ræsonnering eller brug af værktøjer.

V7 tester nye modeller mod en løbende vedligeholdt benchmarksamling, der dækker præcisionen af kildehenvisninger, kvaliteten af dataudtræk på tværs af hundredvis af dokumenttyper, korrekte svar, efterlevelse af instruktioner, svartid, omkostninger og virkelige arbejdsgange i virksomheder. OpenAI klarer sig bedre end de fleste modeller på de egenskaber, V7 lægger størst vægt på. OpenAI godkendte og gennemførte desuden V7's nødvendige kapacitetsforøgelse inden for få timer, mod flere uger hos andre udbydere, som V7 benytter.

I V7's seneste harness gennemføres centrale arbejdsgange med flere eksterne kald nu op til 50 % hurtigere. V7 målte endnu en effektivitetsgevinst med GPT‑5.6 Luna: 78 % lavere omkostninger pr. dokument end med GPT‑5.4 mini. V7 flyttede også sine dokumenttunge V7 Go-arbejdsbelastninger fra Chat Completions API til Responses API. I V7's test reducerede ændringen tokenforbruget med cirka 5 % i visse PDF-tunge arbejdsgange og gjorde caching mere pålidelig.

V7 testede også GPT‑6 Astra på sine vanskeligste forespørgsler. GPT‑5.6 Sol havde nået et mætningspunkt i mange af V7's eksisterende benchmarks, så virksomheden udviklede et mere krævende sæt spørgsmål til grafforespørgsler baseret på mere uordnede data fra den virkelige verden på tværs af tusindvis af dokumenter. Testens datasæt omfatter fire sværhedsgrader. På niveauet »meget svært« oplyser V7, at GPT‑5.6 Sol opnåede 78 %, mens GPT‑6 Astra nåede en nøjagtighed på 89 %. Begge modeller opnåede tæt på 100 % på niveauerne let, mellem og svært.

V7 Go gør allerede forespørgsler og indlæsning i Context Graph tilgængelige via sin MCP-server, så kunderne kan bruge funktionerne fra ChatGPT og andre kompatible klienter. De kan også oprette V7 Go-arbejdsgange via MCP i Codex. Sammen med et enklere design af arbejdsgange har det reduceret den nødvendige tid til at oprette en mellemlang arbejdsgang fra omkring en time til cirka 20 minutter.

V7's langsigtede mål er at gøre denne fælles hukommelse mere proaktiv. Teamet arbejder hen imod arbejdsgange, der starter, når fakta i Context Graph ændres, markerer uoverensstemmelser og viser brugerne, hvilke analyser der bør gennemgås igen. En revideret fondsrapport kunne eksempelvis få V7 Go til at markere arbejde, som stadig bygger på de gamle tal.

»Vores mål er at hjælpe virksomheder med at omstille sig til AI-æraen med arbejdsgange, der løser forretningskritiske opgaver, og en hukommelse, der overgår os mennesker,« siger Rizzoli. »De finansvirksomheder, der får reel værdi ud af AI, bliver ikke dem med flest agenter. Det bliver dem med den bedste kontekst.«