Cómo V7 dota de 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. ¿Qué informe del fondo está vigente? ¿Cómo se denomina 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 conciliar e invisible para los agentes. Para los equipos de finanzas, seguros e inmobiliario, la precisión de la recuperación en los flujos de trabajo es innegociable.

Después de crear juntos una aplicación de accesibilidad con visión artificial de uso generalizado, Rizzoli y Edwardsson fundaron V7⁠(se abre en una ventana nueva) 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 como una memoria que los agentes pueden consultar y utilizar.

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 pruebas citadas, e impulsa la búsqueda 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 para el razonamiento y el uso de herramientas en instrucciones complejas con múltiples pasos que una persona tardaría decenas de horas en completar. V7 también está empezando a utilizar GPT‑6 Astra en las consultas más exigentes del Grafo de Contexto, incluidos los análisis financieros de miles de documentos.

Al combinar contexto, modelos y herramientas, V7 afirma que los agentes completan en minutos flujos de trabajo de entre 50 y 100 pasos, alcanzan una precisión del 99,9 % y mantienen un registro auditable de cada decisión.

El Grafo de Contexto resuelve un problema concreto. Los agentes tienen que redescubrir el contexto con cada solicitud, lo que da lugar a 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 en busca de entidades, relaciones, hechos, atributos y métricas, y rellena un grafo que se puede recorrer de forma mucho más rápida y a un coste diez veces menor que con los enfoques de contexto largo.

El Grafo de Contexto proporciona 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; después, vincula cada hecho a un registro nuevo o existente y conserva las pruebas citadas que remiten a la fuente original. Si el grafo no contiene suficiente información, V7 Go puede buscar en los documentos subyacentes mediante RAG.

V7 también ha comprobado hasta qué punto importa la estructura de ese contexto. En HERB, una prueba de referencia para encontrar y conectar información repartida entre sistemas empresariales, el sistema de V7 basado únicamente en recuperación superó en un 69 % el punto de referencia oficial y redujo en un 38 % las alucinaciones en consultas sin respuesta posible. V7 Go utiliza ese contexto vinculado a las fuentes para que los flujos de trabajo complejos se fundamenten 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 una operación denominado memorando de información confidencial (CIM), incorpora datos financieros clave, condiciones de la operación y detalles de gestión, 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 larga duración, V7 Go mantiene los intercambios recientes en el contexto activo del modelo y almacena el material más antiguo en el grafo para recuperarlo cuando sea necesario.

Ese contexto compartido ya está agilizando el trabajo con gran cantidad de documentos de los clientes de V7:

• Las gestoras de activos pueden evaluar operaciones 21 veces más rápido que antes, reduciendo 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 y ahorró 12 000 $ en costes de especialistas por tarea

• Los equipos de seguros redujeron un 13,5 % los errores al tramitar siniestros frente a un proceso manual, tras proporcionar a sus agentes conocimiento histórico de todos los siniestros anteriores y las pólizas existentes

Los flujos de trabajo complejos y con múltiples pasos dependen de que un modelo siga de forma fiable instrucciones extensas, ejecute herramientas, interprete resultados y recorra una larga serie de pasos. Un solo error en una fase inicial puede tener consecuencias costosas y quebrar la confianza en los sistemas de IA. V7 Go guía a los modelos en tareas de largo alcance que abarcan código determinista, transferencias a modelos más pequeños, pasos de generación de archivos e integraciones, con un registro auditable de cada ejecución.

En los flujos de trabajo generados por IA, V7 Go asigna cada paso a un nivel rápido, medio o 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 de referencia actualizado continuamente 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 coste y los flujos de trabajo empresariales reales. OpenAI supera a la mayoría de los modelos en los comportamientos que más importan a V7. Además, OpenAI 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 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 coste por documento un 78 % menor que con GPT‑5.4 mini. V7 también trasladó las cargas de trabajo de V7 Go con gran cantidad de documentos de la API para completar chats a la API Responses. En sus pruebas, el cambio redujo aproximadamente un 5 % el uso de tokens en algunos flujos de trabajo con gran cantidad de archivos PDF y mejoró la fiabilidad del almacenamiento en caché.

V7 también probó GPT‑6 Astra con sus consultas más difíciles. GPT‑5.6 Sol había alcanzado resultados máximos en muchas de las pruebas de referencia de V7, así que la empresa creó un conjunto más exigente de preguntas de consulta de grafos con datos reales menos depurados procedentes de miles de documentos. El conjunto de datos de la prueba abarca cuatro niveles de dificultad. En el nivel de máxima dificultad, V7 informa de que GPT‑5.6 Sol obtuvo un 78 %, mientras que GPT‑6 Astra alcanzó una precisión del 89 %. Ambos modelos lograron cerca de un 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 utilizarlo desde ChatGPT y otros clientes compatibles. También pueden crear flujos de trabajo de V7 Go mediante MCP en Codex. Junto con un diseño de flujos de trabajo más sencillo, esto ha reducido de alrededor de una hora a unos 20 minutos el tiempo necesario para crear un flujo de trabajo de longitud media.

El objetivo a largo plazo de V7 es que esa memoria compartida sea más proactiva. El equipo trabaja para crear flujos de trabajo que se inicien cuando cambien los hechos del Grafo de Contexto, señalen incoherencias e indiquen qué análisis deben revisarse. Por ejemplo, una reformulación del informe de un fondo podría hacer que V7 Go señalara el trabajo que aún se basa en las cifras anteriores.

«Nuestro objetivo es ayudar a las empresas a dotarse de nuevas 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 un valor real de la IA no serán las que tengan más agentes. Serán las que dispongan del mejor contexto».