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

Les modèles actuels peuvent raisonner sur des tâches complexes, mais ils ne comprennent pas automatiquement le contexte métier sous-jacent. Quel est le rapport de fonds à jour ? Comment une même entité est-elle nommée dans trois systèmes ?

Ce contexte se trouve dans des documents, des salles de données, des feuilles de calcul, des e-mails 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, la précision de la recherche au sein des workflows n’est pas négociable.

Après avoir créé ensemble une application d’accessibilité fondée sur la vision par ordinateur et largement utilisée, Rizzoli et Edwardsson ont lancé V7⁠(ouverture dans une nouvelle fenêtre) en 2018 afin d’aider les entreprises à apprendre aux systèmes d’IA comment elles fonctionnent. V7 Go est une plateforme agentique destinée à créer des workflows critiques et à organiser le contexte enfoui sous forme de mémoire que les agents peuvent interroger et exploiter.

V7 Go utilise GPT‑5.6 Luna pour extraire des informations 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 workflows reproductibles pouvant s’étendre sur des centaines d’étapes. Pour les workflows, V7 Go utilise GPT‑5.6 Terra et Sol afin d’assurer le raisonnement et l’utilisation d’outils dans le cadre d’instructions complexes en 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 l’analyse financière de milliers de documents.

Grâce à la collaboration du contexte, des modèles et des outils, V7 affirme que les agents exécutent en quelques minutes des workflows de 50 à 100 étapes, avec une précision de 99,9 %, tout en conservant une trace vérifiable de chaque décision.

Le graphe de contexte résout un problème précis. Les agents doivent redécouvrir le contexte à chaque requête, ce qui entraîne des dizaines de recherches coûteuses en temps et en tokens, sans toujours retrouver les informations clés enfouies dans les relations.

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

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, fonds, personnes ou toute autre entité d’une ontologie, relie chaque fait à un enregistrement nouveau ou existant et conserve les preuves citées renvoyant à la source d’origine. Si le graphe ne contient pas assez d’informations, V7 Go peut toujours rechercher dans les documents sous-jacents avec la RAG.

V7 a également évalué l’importance de la structure de ce contexte. Sur HERB, une évaluation consistant à trouver et relier des informations réparties entre différents systèmes d’entreprise, le système de V7 fondé uniquement sur la recherche a surpassé la référence officielle de 69 % et réduit de 38 % les hallucinations pour les requêtes sans réponse possible. V7 Go utilise ce contexte relié aux sources pour ancrer les workflows complexes dans les informations propres à chaque entreprise.

V7 Go utilise ce contexte organisé dans des workflows tels que l’évaluation d’opérations de capital-investissement et la souscription d’assurances. Dans la démonstration ci-dessous, un workflow extrait des informations d’un document d’opération appelé mémorandum d’informations confidentielles (CIM), rassemble les données financières clés, les modalités de l’opération et les informations sur la direction, puis cite les champs de risque avant que V7 Go ne produise une note d’évaluation.

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

Ce contexte partagé accélère déjà les tâches riches en documents chez les clients de V7 :

• Les gestionnaires d’actifs peuvent évaluer les opérations 21 fois plus vite, ramenant une journée entière de travail à seulement 15 minutes

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

• Les équipes d’assurance ont réduit de 13,5 % les erreurs de traitement des sinistres par rapport à une référence manuelle, après avoir donné à leurs agents accès à l’historique de tous les sinistres antérieurs et des contrats existants

Les workflows complexes en plusieurs étapes exigent qu’un modèle suive fidèlement de longues instructions, exécute des outils, interprète les résultats et enchaîne de nombreuses étapes. Une seule erreur en amont peut avoir des conséquences coûteuses et rompre la confiance envers les systèmes d’IA. V7 Go guide les modèles dans des tâches longues comprenant du code déterministe, des transferts vers des modèles plus petits, des étapes de génération de fichiers et des intégrations, avec une trace vérifiable de chaque exécution.

Dans les workflows générés par l’IA, V7 Go associe chaque étape à un niveau rapide, intermédiaire ou intelligent. GPT‑5.6 Luna gère l’extraction structurée et les autres tâches à haut volume, tandis que GPT‑5.6 Terra ou Sol alimentent les conversations, le parcours Go Agent et les étapes exigeant davantage de raisonnement ou l’utilisation d’outils.

V7 teste les nouveaux modèles à l’aide d’une suite d’évaluation continuellement actualisée, couvrant l’exactitude des citations, la qualité de l’extraction sur des centaines de types de documents, la justesse des réponses, le respect des instructions, la latence, les coûts et les workflows d’entreprise réels. OpenAI surpasse la plupart des modèles pour les comportements qui comptent le plus aux yeux de V7. OpenAI a également approuvé et mis en œuvre en quelques heures les augmentations de capacité requises par V7, contre plusieurs semaines chez les autres fournisseurs utilisés par V7.

Dans le dernier harnais de V7, les workflows clés comportant plusieurs appels externes s’achèvent désormais jusqu’à 50 % plus vite. 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 workloads V7 Go riches en documents de l’API Chat Completions vers l’API Responses. Lors de ses tests, ce changement a réduit l’utilisation de tokens d’environ 5 % pour certains workflows riches en PDF et amélioré la fiabilité de la mise en cache.

V7 a également testé GPT‑6 Astra sur ses requêtes les plus difficiles. GPT‑5.6 Sol avait atteint un plafond sur de nombreuses évaluations existantes de V7. L’entreprise a donc créé une série plus exigeante de questions portant sur des requêtes de graphe, à partir de données réelles plus désordonnées réparties dans des milliers de documents. Le jeu de données du test couvre quatre niveaux de difficulté. Au niveau très difficile, V7 indique que GPT‑5.6 Sol a obtenu 78 %, contre 89 % de précision pour GPT‑6 Astra. Les deux modèles ont obtenu près de 100 % aux niveaux facile, intermédiaire 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 workflows V7 Go via MCP dans Codex. Avec une conception plus simple des workflows, cela a ramené le temps nécessaire pour créer un workflow de longueur moyenne d’environ une heure à près de 20 minutes.

À plus long terme, V7 souhaite rendre cette mémoire partagée plus proactive. L’équipe développe des workflows qui se déclenchent lorsque des faits du graphe de contexte changent, signalent les incohérences et indiquent aux utilisateurs les analyses à réexaminer. Une version révisée du rapport d’un fonds pourrait, par exemple, amener V7 Go à signaler les travaux qui reposent encore sur les anciens chiffres.

« Notre objectif est d’aider les entreprises à s’outiller pour l’ère de l’IA, avec des workflows qui accomplissent des tâches critiques et une mémoire plus performante que celle des humains », explique Rizzoli. « Les entreprises financières qui tireront une réelle valeur de l’IA ne seront pas celles qui possèdent le plus d’agents. Ce seront celles qui disposeront du meilleur contexte. »