Cómo V7 da memoria institucional a los agentes de IA

Los modelos actuales pueden razonar sobre tareas complejas, pero no comprenden automáticamente el contexto empresarial subyacente de esas tareas. ¿Cuál es el informe vigente del fondo? ¿Qué nombre recibe la misma entidad en tres sistemas distintos?

Ese contexto se encuentra en documentos, salas de datos, hojas de cálculo, correos electrónicos y herramientas internas: disperso, sin resolver e invisible para los agentes. Para los equipos de finanzas, seguros y bienes raíces, la precisión de la recuperación dentro de los flujos de trabajo es indispensable.

Después de crear juntos una aplicación de accesibilidad basada en visión por computadora y de uso generalizado, Rizzoli y Edwardsson fundaron V7⁠(se abre en una nueva ventana) en 2018 para ayudar a las empresas a enseñar a los sistemas de IA cómo funcionan sus negocios. V7 Go es una plataforma de agentes para crear flujos de trabajo esenciales y organizar el contexto oculto en una memoria que los agentes pueden consultar y aprovechar para actuar.

V7 Go utiliza GPT‑5.6 Luna para extraer información de millones de archivos y organizarla en el Grafo de Contexto, que conecta entidades, relaciones y evidencia citada para impulsar búsquedas mediante MCP y flujos de trabajo repetibles que pueden abarcar cientos de pasos. Para los flujos de trabajo, V7 Go utiliza GPT‑5.6 Terra y Sol a fin de razonar y usar herramientas con instrucciones complejas de varios pasos que a las personas les llevaría decenas de horas completar. V7 también está empezando a usar GPT‑6 Astra en las consultas más exigentes del Grafo de Contexto, incluido el análisis financiero de miles de documentos.

Con el contexto, los modelos y las herramientas trabajando en conjunto, V7 afirma que los agentes completan en minutos flujos de trabajo de 50 a 100 pasos, alcanzan una precisión del 99,9 % y mantienen un registro auditable de cada decisión.

El Grafo de Contexto resuelve un problema específico. Los agentes tienen que volver a descubrir el contexto con cada solicitud, lo que genera decenas de búsquedas que consumen tiempo y tokens, y a menudo pasan por alto información clave oculta en las relaciones.

Cuando llegan los datos, V7 Go se conecta a repositorios como SharePoint y Google Drive, los analiza para detectar entidades, relaciones, hechos, atributos y métricas, y llena un grafo que puede recorrerse con un costo y una rapidez diez veces mejores que con los enfoques de contexto extenso.

El Grafo de Contexto ofrece a los agentes un registro estructurado y actualizado que pueden consultar directamente. Cuando llega un archivo nuevo, V7 Go identifica las empresas, los fondos, las personas o cualquier entidad de una ontología; luego vincula cada dato con un registro nuevo o existente y conserva la evidencia citada de la fuente original. Si el grafo no contiene suficiente información, V7 Go aún puede buscar en los documentos subyacentes mediante RAG.

V7 también evaluó cuánto influye la estructura de ese contexto. En HERB, una prueba comparativa para encontrar y conectar información dispersa en sistemas empresariales, el sistema de V7 basado exclusivamente en recuperación superó la referencia oficial en un 69 % y redujo en un 38 % las alucinaciones en consultas sin respuesta posible. V7 Go utiliza ese contexto vinculado a las fuentes para mantener los flujos de trabajo complejos basados en la información propia de cada empresa.

V7 Go utiliza ese contexto organizado en flujos de trabajo como la evaluación de operaciones de capital privado y la suscripción de seguros. En la demostración siguiente, un flujo de trabajo extrae información de un documento de operación llamado Memorando de Información Confidencial (CIM), recopila datos financieros clave, términos de la operación y detalles de la gerencia, y cita los campos de riesgo antes de que V7 Go genere una nota de evaluación.

El Grafo de Contexto permite que un modelo trabaje con el historial de una empresa sin tener que volver a aprenderlo cada vez. Para los agentes de ejecución prolongada, V7 Go mantiene los intercambios recientes en el contexto activo del modelo y almacena el material anterior en el grafo para recuperarlo cuando sea necesario.

Ese contexto compartido ya está acelerando el trabajo con uso intensivo de documentos entre los clientes de V7:

• Las administradoras de activos pueden evaluar operaciones 21 veces más rápido que antes y reducir un proceso de un día completo a solo 15 minutos

• Un equipo de servicios financieros redujo el tiempo de revisión de más de 100 horas a menos de 10, con un ahorro de USD 12 000 en costos de especialistas por tarea

• Los equipos de seguros redujeron un 13,5 % los errores en el procesamiento de reclamaciones frente a una referencia manual, después de dar a sus agentes conocimiento histórico de todas las reclamaciones anteriores y las pólizas vigentes

Los flujos de trabajo complejos y de varios pasos dependen de que un modelo siga instrucciones extensas de manera confiable, ejecute herramientas, interprete resultados y avance por una larga serie de pasos. Un solo error en una etapa inicial puede tener consecuencias costosas y quebrar la confianza en los sistemas de IA. V7 Go guía a los modelos a través de tareas de larga duración que abarcan código determinista, transferencias a modelos más pequeños, pasos para generar archivos e integraciones, con un registro auditable de cada ejecución.

En los flujos de trabajo generados por IA, V7 Go asigna cada paso a los niveles rápido, medio e inteligente. GPT‑5.6 Luna se encarga de la extracción estructurada y otras tareas de gran volumen, mientras que GPT‑5.6 Terra o Sol impulsan el chat, la ruta de Go Agent y los pasos que requieren más razonamiento o uso de herramientas.

V7 prueba nuevos modelos con un conjunto de pruebas comparativas que mantiene actualizado continuamente y que abarca la precisión de las citas, la calidad de extracción en cientos de tipos de documentos, la exactitud de las respuestas, el seguimiento de instrucciones, la latencia, el costo y flujos de trabajo empresariales reales. OpenAI supera a la mayoría de los modelos en los comportamientos que más le importan a V7. OpenAI también aprobó e implementó en cuestión de horas los aumentos de capacidad que V7 necesitaba, frente a las semanas que tardaron otros proveedores que utiliza V7.

En el arnés de ejecución más reciente de V7, los flujos de trabajo clave con varias llamadas externas ahora terminan hasta un 50 % más rápido. V7 midió otra mejora de eficiencia con GPT‑5.6 Luna: un costo por documento un 78 % menor que con GPT‑5.4 mini. V7 también migró sus cargas de trabajo de V7 Go con uso intensivo de documentos de la API para completar chats a la API de Responses. En sus pruebas, el cambio redujo el uso de tokens alrededor de un 5 % en algunos flujos de trabajo con uso intensivo de PDF y mejoró la confiabilidad del almacenamiento en caché.

V7 también probó GPT‑6 Astra con sus consultas más difíciles. GPT‑5.6 Sol ya había alcanzado el límite de muchas de las pruebas comparativas existentes de V7, por lo que la empresa creó un conjunto más exigente de preguntas para consultar grafos, con datos reales más desordenados provenientes de miles de documentos. El conjunto de datos de la prueba abarca cuatro niveles de dificultad. En el nivel muy difícil, V7 informa que GPT‑5.6 Sol obtuvo un 78 %, mientras que GPT‑6 Astra alcanzó una precisión del 89 %. Ambos modelos obtuvieron cerca del 100 % en los niveles fácil, medio y difícil.

V7 Go ya permite consultar e incorporar datos al Grafo de Contexto mediante su servidor MCP, por lo que los clientes pueden usarlo desde ChatGPT y otros clientes compatibles. También pueden crear flujos de trabajo de V7 Go mediante MCP en Codex. Esto, junto con un diseño de flujos de trabajo más sencillo, redujo de alrededor de una hora a unos 20 minutos el tiempo necesario para crear un flujo de trabajo de extensión media.

El objetivo a largo plazo de V7 es hacer que esa memoria compartida sea más proactiva. El equipo trabaja para lograr flujos de trabajo que se inicien cuando cambien los datos del Grafo de Contexto, señalen inconsistencias y muestren qué análisis deben revisarse. Por ejemplo, la reformulación del informe de un fondo podría hacer que V7 Go señale el trabajo que aún depende de las cifras anteriores.

“Nuestro objetivo es ayudar a las empresas a renovar sus herramientas para la era de la IA, con flujos de trabajo que resuelvan tareas esenciales y una memoria que supere a la humana”, afirma Rizzoli. “Las empresas financieras que obtengan valor real de la IA no serán las que tengan más agentes. Serán las que tengan el mejor contexto”.