Wie V7 KI-Agenten ein institutionelles Gedächtnis gibt

Heutige Modelle können komplexe Aufgaben mithilfe von Reasoning bewältigen, verstehen aber nicht automatisch den zugrunde liegenden geschäftlichen Kontext dieser Aufgaben. Welcher Fondsbericht ist aktuell? Wie wird dieselbe Entität in drei Systemen bezeichnet?

Dieser Kontext steckt in Dokumenten, Datenräumen, Tabellen, E-Mails und internen Tools. Er ist verstreut, nicht aufbereitet und für Agenten unsichtbar. Für Teams in den Bereichen Finanzen, Versicherungen und Immobilien ist eine präzise Informationsabfrage innerhalb von Workflows unverzichtbar.

Nachdem Rizzoli und Edwardsson gemeinsam eine weitverbreitete barrierefreie Computer-Vision-App entwickelt hatten, gründeten sie 2018 V7⁠(wird in einem neuen Fenster geöffnet). Das Unternehmen hilft anderen Unternehmen dabei, KI-Systemen ihre Abläufe verständlich zu machen. V7 Go ist eine agentische Plattform, mit der sich geschäftskritische Workflows entwickeln und verborgene Kontextinformationen als ein von Agenten abfragbarer und nutzbarer Speicher organisieren lassen.

V7 Go extrahiert mit GPT‑5.6 Luna Informationen aus Millionen von Dateien und organisiert sie im Context Graph. Dieser verknüpft Entitäten, Beziehungen und zitierte Belege und ermöglicht so MCP-Suchen sowie wiederholbare Workflows mit Hunderten von Schritten. Für Workflows nutzt V7 Go GPT‑5.6 Terra und Sol für Reasoning und Tool-Nutzung bei komplexen, mehrstufigen Anweisungen, deren Bearbeitung Menschen Dutzende Stunden kosten würde. V7 beginnt außerdem, GPT‑6 Astra für die anspruchsvollsten Abfragen des Context Graph einzusetzen, darunter Finanzanalysen über Tausende von Dokumenten hinweg.

Durch das Zusammenspiel von Kontext, Modellen und Tools schließen Agenten laut V7 Workflows mit 50 bis 100 Schritten in wenigen Minuten und mit einer Genauigkeit von 99,9 % ab. Dabei bleibt jede Entscheidung lückenlos nachvollziehbar.

Der Context Graph löst ein konkretes Problem. Agenten müssen den Kontext bei jeder Anfrage neu erschließen. Das führt zu Dutzenden Suchvorgängen, die Zeit und Tokens kosten. Wichtige Informationen, die in Beziehungen verborgen sind, bleiben dabei oft unentdeckt.

Sobald Daten eingehen, verbindet sich V7 Go mit Speichern wie SharePoint und Google Drive, durchsucht sie nach Entitäten, Beziehungen, Fakten, Attributen und Kennzahlen und befüllt einen Graphen. Dieser lässt sich um eine Größenordnung günstiger und schneller durchsuchen als Ansätze mit langem Kontext.

Der Context Graph bietet Agenten einen strukturierten, aktuellen Datenbestand, den sie direkt abfragen können. Wenn eine neue Datei eingeht, erkennt V7 Go Unternehmen, Fonds, Personen oder beliebige andere Entitäten einer Ontologie. Anschließend verknüpft es jede Tatsache mit einem neuen oder vorhandenen Datensatz und bewahrt die zugehörigen Belege mit Verweis auf die Originalquelle auf. Enthält der Graph nicht genügend Informationen, kann V7 Go die zugrunde liegenden Dokumente weiterhin per RAG durchsuchen.

V7 hat auch getestet, wie wichtig die Struktur dieses Kontexts ist. Bei HERB, einem Benchmark für das Auffinden und Verknüpfen von Informationen aus verschiedenen Unternehmenssystemen, übertraf das rein abrufbasierte System von V7 die offizielle Baseline um 69 % und verringerte Halluzinationen bei nicht beantwortbaren Anfragen um 38 %. V7 Go nutzt diesen mit Quellen verknüpften Kontext, damit komplexe Workflows auf den eigenen Informationen des jeweiligen Unternehmens basieren.

V7 Go nutzt diesen strukturierten Kontext in Workflows, etwa bei der Prüfung von Private-Equity-Transaktionen und der Risikoprüfung von Versicherungen. In der folgenden Demo extrahiert ein Workflow Informationen aus einem Transaktionsdokument namens Confidential Information Memorandum (CIM), übernimmt wichtige Finanzkennzahlen, Transaktionsbedingungen und Angaben zum Management, belegt Risikofelder mit Quellen und erstellt anschließend mit V7 Go einen Prüfvermerk.

Mit dem Context Graph kann ein Modell die Historie eines Unternehmens nutzen, ohne sie jedes Mal neu erlernen zu müssen. Bei langfristig laufenden Agenten hält V7 Go die letzten Interaktionen im aktiven Kontext des Modells und speichert älteres Material im Graphen, damit es bei Bedarf abgerufen werden kann.

Dieser gemeinsame Kontext beschleunigt bereits dokumentintensive Aufgaben bei Unternehmen, die V7 nutzen:

• Vermögensverwaltungen können Transaktionen 21-mal schneller prüfen und einen zuvor ganztägigen Prozess in nur 15 Minuten abschließen

• Ein Finanzdienstleistungsteam verkürzte die Prüfzeit von mehr als 100 auf weniger als 10 Stunden und sparte pro Aufgabe 12.000 USD an Fachpersonalkosten

• Versicherungsteams verringerten Fehler bei der Schadenbearbeitung gegenüber einer manuellen Baseline um 13,5 %, nachdem ihre Agenten Zugriff auf historische Informationen zu allen früheren Schäden und bestehenden Policen erhalten hatten

Komplexe, mehrstufige Workflows setzen voraus, dass ein Modell lange Anweisungen zuverlässig befolgt, Tools ausführt, Ergebnisse interpretiert und eine lange Abfolge von Schritten bewältigt. Ein einziger Fehler zu Beginn kann hohe Kosten verursachen und das Vertrauen in KI-Systeme beeinträchtigen. V7 Go führt Modelle durch langfristige Aufgaben, die deterministischen Code, Übergaben an kleinere Modelle, Schritte zur Dateierstellung und Integrationen umfassen. Jeder Durchlauf lässt sich lückenlos prüfen.

In KI-generierten Workflows ordnet V7 Go jeden Schritt einer schnellen, mittleren oder leistungsstarken Stufe zu. GPT‑5.6 Luna übernimmt die strukturierte Extraktion und andere Aufgaben mit hohem Volumen. GPT‑5.6 Terra oder Sol unterstützen den Chat, den Go-Agent-Pfad und Schritte, die mehr Reasoning oder Tool-Nutzung erfordern.

V7 testet neue Modelle anhand einer kontinuierlich gepflegten Benchmark-Suite. Sie deckt die Genauigkeit von Quellenangaben, die Extraktionsqualität bei Hunderten von Dokumenttypen, die Richtigkeit von Antworten, das Befolgen von Anweisungen, Latenz, Kosten und reale Workflows in Unternehmen ab. OpenAI übertrifft die meisten Modelle bei den Verhaltensweisen, auf die V7 besonderen Wert legt. OpenAI genehmigte und realisierte die von V7 benötigte Kapazitätserhöhung zudem innerhalb weniger Stunden. Andere von V7 genutzte Anbieter brauchten dafür Wochen.

Im neuesten Harness von V7 werden zentrale Workflows mit mehreren externen Aufrufen nun bis zu 50 % schneller abgeschlossen. Mit GPT‑5.6 Luna erzielte V7 einen weiteren Effizienzgewinn: Die Kosten pro Dokument waren 78 % niedriger als mit GPT‑5.4 mini. V7 verlagerte außerdem seine dokumentintensiven V7-Go-Workloads von der Chat Completions API auf die Responses API. In den Tests senkte die Umstellung den Token-Verbrauch bei einigen PDF-intensiven Workflows um etwa 5 % und verbesserte die Zuverlässigkeit des Cachings.

V7 testete GPT‑6 Astra außerdem mit seinen schwierigsten Anfragen. GPT‑5.6 Sol hatte bei vielen bestehenden Benchmarks von V7 nahezu die maximal mögliche Leistung erreicht. Deshalb erstellte das Unternehmen einen anspruchsvolleren Satz von Fragen für Graphabfragen, der unübersichtlichere reale Daten aus Tausenden von Dokumenten nutzt. Der Testdatensatz umfasst vier Schwierigkeitsstufen. Auf der Stufe „sehr schwierig“ erreichte GPT‑5.6 Sol laut V7 eine Genauigkeit von 78 %, GPT‑6 Astra hingegen 89 %. Auf den Stufen „einfach“, „mittel“ und „schwierig“ erreichten beide Modelle nahezu 100 %.

V7 Go stellt Abfragen und die Datenaufnahme des Context Graph bereits über seinen MCP-Server bereit. Unternehmen können diese Funktionen daher in ChatGPT und anderen kompatiblen Clients nutzen. Über MCP können sie in Codex auch V7-Go-Workflows erstellen. Zusammen mit dem vereinfachten Workflow-Design hat dies die zur Erstellung eines mittellangen Workflows benötigte Zeit von etwa einer Stunde auf rund 20 Minuten verkürzt.

Langfristig will V7 diesen gemeinsamen Speicher proaktiver machen. Das Team arbeitet an Workflows, die bei Änderungen von Fakten im Context Graph automatisch starten, Unstimmigkeiten kennzeichnen und Menschen darauf hinweisen, welche Analysen erneut geprüft werden müssen. Ein korrigierter Fondsbericht könnte V7 Go beispielsweise veranlassen, Arbeiten zu kennzeichnen, die noch auf den alten Zahlen beruhen.

„Unser Ziel ist es, Unternehmen dabei zu helfen, sich für das KI-Zeitalter neu aufzustellen: mit Workflows, die geschäftskritische Aufgaben lösen, und einem Gedächtnis, das dem menschlichen überlegen ist“, sagt Rizzoli. „Die Finanzunternehmen, die echten Mehrwert aus KI ziehen, werden nicht diejenigen mit den meisten Agenten sein. Es werden diejenigen mit dem besten Kontext sein.“