Comment V7 dote les agents d’IA d’une mémoire institutionnelle

Les modèles actuels peuvent raisonner pour accomplir des tâches complexes, mais ils ne comprennent pas automatiquement le contexte opérationnel qui les sous-tend. Quel rapport de fonds est à jour? Comment la même entité est-elle nommée dans trois systèmes?

Ce contexte se trouve dans des documents, des salles de données, des feuilles de calcul, des courriels et des outils internes : il est dispersé, non résolu et invisible pour les agents. Pour les équipes des secteurs de la finance, de l’assurance et de l’immobilier, l’exactitude de la récupération au sein des flux de travail est non négociable.

Après avoir créé ensemble une application d’accessibilité par vision par ordinateur largement utilisée, Rizzoli et Edwardsson ont fondé V7⁠(s'ouvre dans une nouvelle fenêtre) en 2018 afin d’aider les entreprises à enseigner aux systèmes d’IA le fonctionnement de leurs activités. V7 Go est une plateforme agentique permettant de créer des flux de travail essentiels et d’organiser le contexte enfoui en une mémoire que les agents peuvent interroger et exploiter.

V7 Go utilise GPT‑5.6 Luna pour extraire des renseignements de millions de fichiers et les organiser dans le graphe de contexte, qui relie les entités, les relations et les preuves citées afin d’alimenter la recherche MCP et des flux de travail reproductibles pouvant compter des centaines d’étapes. Pour les flux de travail, V7 Go utilise GPT‑5.6 Terra et Sol pour le raisonnement et l’utilisation d’outils dans le cadre d’instructions complexes à plusieurs étapes qui demanderaient des dizaines d’heures à des humains. V7 commence également à utiliser GPT‑6 Astra pour les requêtes les plus exigeantes du graphe de contexte, notamment les analyses financières portant sur des milliers de documents.

Grâce au contexte, aux modèles et aux outils qui travaillent de concert, V7 affirme que les agents accomplissent en quelques minutes des flux de travail de 50 à 100 étapes avec une exactitude de 99,9 %, tout en conservant une piste vérifiable de chaque décision prise.

Le graphe de contexte résout un problème précis. Les agents doivent redécouvrir le contexte à chaque demande, ce qui entraîne des dizaines de recherches coûteuses en temps et en tokens, sans compter qu’ils passent souvent à côté de renseignements clés enfouis dans les relations.

Lorsque des données arrivent, V7 Go se connecte à des dépôts comme SharePoint et Google Drive, les analyse pour repérer les entités, les relations, les faits, les attributs et les mesures, puis alimente un graphe dont le parcours est dix fois moins coûteux et plus rapide que les approches à long contexte.

Le graphe de contexte fournit aux agents un registre structuré et à jour qu’ils peuvent interroger directement. Lorsqu’un nouveau fichier arrive, V7 Go identifie les entreprises, les fonds, les personnes ou toute autre entité d’une ontologie, puis relie chaque fait à un registre nouveau ou existant et conserve les preuves citées qui renvoient à la source originale. Si le graphe ne contient pas assez d’information, V7 Go peut tout de même effectuer une recherche dans les documents sous-jacents au moyen de la RAG.

V7 a également évalué l’importance de la structure de ce contexte. Sur HERB, un test de référence visant à trouver et à relier des renseignements répartis dans les systèmes d’une entreprise, le système de V7 fondé uniquement sur la récupération a surpassé la référence officielle de 69 % et réduit de 38 % les hallucinations pour les requêtes sans réponse possible. V7 Go utilise ce contexte lié aux sources pour ancrer les flux de travail complexes dans les renseignements propres à chaque entreprise.

V7 Go utilise ce contexte organisé dans des flux de travail comme l’évaluation d’occasions d’investissement en capital-investissement et la souscription d’assurance. Dans la démonstration ci-dessous, un flux de travail extrait des renseignements d’un document de transaction appelé note d’information confidentielle (CIM), traite les principales données financières, les modalités de la transaction et les détails sur la direction, puis cite les champs de risque avant que V7 Go produise une note d’évaluation.

Le graphe de contexte permet à un modèle d’utiliser l’historique d’une société sans devoir le réapprendre chaque fois. Pour les agents de longue durée, V7 Go conserve les échanges récents dans le contexte actif du modèle et stocke le contenu plus ancien dans le graphe afin de le récupérer au besoin.

Ce contexte partagé accélère déjà le travail axé sur les documents chez les clients de V7 :

• Les gestionnaires d’actifs peuvent évaluer les transactions 21 fois plus rapidement qu’avant, réduisant à seulement 15 minutes un processus qui prenait une journée entière

• Une équipe de services financiers a ramené le temps d’examen de plus de 100 heures à moins de 10 heures, économisant 12 000 $ en frais d’expertise par tâche

• Des équipes d’assurance ont réduit de 13,5 % les erreurs de traitement des réclamations par rapport à une référence manuelle, après avoir donné à leurs agents une connaissance historique de toutes les réclamations antérieures et des polices existantes

Les flux de travail complexes à plusieurs étapes exigent qu’un modèle suive de façon fiable de longues instructions, exécute des outils, interprète les résultats et parcoure une longue série d’étapes. Une seule erreur en amont peut entraîner des conséquences coûteuses et miner la confiance envers les systèmes d’IA. V7 Go guide les modèles dans des tâches de longue durée qui englobent du code déterministe, des transferts vers de plus petits modèles, des étapes de génération de fichiers et des intégrations, avec une trace vérifiable de chaque exécution.

Dans les flux de travail générés par l’IA, V7 Go associe chaque étape à un niveau rapide, moyen ou intelligent. GPT‑5.6 Luna prend en charge l’extraction structurée et d’autres travaux à volume élevé, tandis que GPT‑5.6 Terra ou Sol propulsent le clavardage, le parcours Go Agent et les étapes nécessitant davantage de raisonnement ou l’utilisation d’outils.

V7 teste les nouveaux modèles à l’aide d’une suite de tests de référence continuellement mise à jour, qui couvre l’exactitude des citations, la qualité de l’extraction pour des centaines de types de documents, la justesse des réponses, le respect des instructions, la latence, les coûts et les flux de travail réels en entreprise. OpenAI surpasse la plupart des modèles pour les comportements auxquels V7 accorde le plus d’importance. OpenAI a aussi approuvé et mis en œuvre les augmentations de capacité requises par V7 en quelques heures, comparativement à plusieurs semaines chez d’autres fournisseurs utilisés par V7.

Dans le plus récent harnais de V7, les principaux flux de travail comportant plusieurs appels externes s’exécutent maintenant jusqu’à 50 % plus rapidement. V7 a mesuré un autre gain d’efficacité avec GPT‑5.6 Luna : un coût par document inférieur de 78 % à celui de GPT‑5.4 mini. V7 a également migré ses charges de travail V7 Go axées sur les documents de l’API Chat Completions vers l’API Responses. Lors de ses essais, ce changement a réduit l’utilisation de tokens d’environ 5 % pour certains flux de travail comportant beaucoup de PDF et a amélioré la fiabilité de la mise en cache.

V7 a également testé GPT‑6 Astra avec ses requêtes les plus difficiles. GPT‑5.6 Sol avait atteint un plateau dans bon nombre des tests de référence existants de V7. L’entreprise a donc créé un ensemble plus difficile de questions portant sur des requêtes de graphe, à partir de données réelles plus désordonnées provenant de milliers de documents. Le jeu de données du test comprend quatre niveaux de difficulté. Au niveau très difficile, V7 indique que GPT‑5.6 Sol a obtenu 78 %, tandis que GPT‑6 Astra a atteint une exactitude de 89 %. Les deux modèles ont obtenu près de 100 % aux niveaux facile, moyen et difficile.

V7 Go permet déjà d’interroger et d’alimenter le graphe de contexte par l’intermédiaire de son serveur MCP. Les clients peuvent donc l’utiliser depuis ChatGPT et d’autres clients compatibles. Ils peuvent également créer des flux de travail V7 Go dans Codex par l’intermédiaire de MCP. Avec une conception simplifiée des flux de travail, cette approche a réduit d’environ une heure à quelque 20 minutes le temps nécessaire pour créer un flux de travail de longueur moyenne.

À long terme, V7 souhaite rendre cette mémoire partagée plus proactive. L’équipe travaille à créer des flux de travail qui se déclenchent lorsque des faits changent dans le graphe de contexte, signalent les incohérences et indiquent aux personnes quelles analyses doivent être réexaminées. Par exemple, la publication d’une version retraitée d’un rapport de fonds pourrait inciter V7 Go à signaler les travaux qui reposent encore sur les anciens chiffres.

« Notre objectif est d’aider les entreprises à se réoutiller pour l’ère de l’IA grâce à des flux de travail qui accomplissent des tâches essentielles et à une mémoire qui nous surpasse, nous les humains », explique Rizzoli. « Les sociétés financières qui tireront une réelle valeur de l’IA ne seront pas celles qui auront le plus d’agents. Ce seront celles qui disposeront du meilleur contexte. »