V7 חוסכת 78% מהעלויות ומשפרת דיוק עם GPT‑5.6 Luna

המודלים של היום יכולים לנתח משימות מורכבות ולמצוא דרך לפתור אותן, אבל הם לא מבינים באופן אוטומטי את ההקשר העסקי שמאחוריהן. איזה דוח של הקרן הוא העדכני ביותר? באילו שמות מופיעה אותה ישות בשלוש מערכות שונות?

ההקשר הזה נמצא במסמכים, בחדרי מידע, בגיליונות אלקטרוניים, בהודעות דוא״ל ובכלים פנימיים — מפוזר, לא מגובש ובלתי נראה לסוכנים. עבור צוותים בתחומי הפיננסים, הביטוח והנדל״ן, דיוק באחזור מידע בתהליכי העבודה הוא דרישת יסוד.

לאחר שפיתחו יחד אפליקציית נגישות מבוססת ראייה ממוחשבת שזכתה לשימוש נרחב, ריצולי ואדוארדסון הקימו את V7⁠(נפתח בחלון חדש) ב-2018 כדי לעזור לחברות ללמד מערכות AI כיצד העסקים שלהן פועלים. V7 Go היא פלטפורמה אג'נטית לבניית תהליכי עבודה קריטיים לארגון ולארגון הקשר חבוי לכדי זיכרון שסוכנים יכולים לתשאל ולפעול על פיו.

V7 Go משתמשת ב-GPT‑5.6 Luna כדי לחלץ מידע ממיליוני קבצים ולארגן אותו בגרף ההקשר, שמחבר בין ישויות, קשרים וראיות עם הפניות למקורות. כך מתאפשרים חיפוש דרך MCP ותהליכי עבודה שניתנים להרצה חוזרת ויכולים לכלול מאות שלבים. בתהליכי העבודה, V7 Go משתמשת ב-GPT‑5.6 Terra וב-Sol לצורך reasoning ושימוש בכלים, כדי לבצע הוראות מורכבות ורבות-שלבים שביצוען בידי בני אדם נמשך עשרות שעות. V7 גם מתחילה להשתמש ב-GPT‑6 Astra לשאילתות התובעניות ביותר בגרף ההקשר, כולל ניתוח פיננסי של אלפי מסמכים.

לפי V7, השילוב בין הקשר, מודלים וכלים מאפשר לסוכנים להשלים תהליכי עבודה של 50–100 שלבים בתוך דקות ולהגיע לדיוק של 99.9%, תוך שמירה על תיעוד של כל החלטה לצורכי ביקורת.

גרף ההקשר פותר בעיה ממוקדת. סוכנים צריכים לגלות מחדש את ההקשר בכל בקשה. לשם כך הם מבצעים עשרות חיפושים שצורכים זמן וטוקנים, ולעיתים קרובות מחמיצים מידע חיוני שטמון בקשרים בין פריטי המידע.

עם הגעת הנתונים, V7 Go מתחברת למאגרים כמו SharePoint ו-Google Drive, סורקת אותם לאיתור ישויות, קשרים, עובדות, מאפיינים ומדדים, ומזינה אותם לגרף שהמעבר בו זול ומהיר בסדר גודל לעומת גישות המבוססות על הקשר ארוך.

גרף ההקשר מספק לסוכנים תיעוד מובנה ועדכני שאפשר לתשאל ישירות. כשמגיע קובץ חדש, V7 Go מזהה חברות, קרנות, אנשים או כל ישות שמוגדרת באונטולוגיה, מקשרת כל עובדה לרשומה חדשה או קיימת, ושומרת את הראיות עם הפניות למקור. אם הגרף אינו מכיל מספיק מידע, V7 Go עדיין יכולה לחפש במסמכי המקור באמצעות RAG.

V7 גם בחנה עד כמה המבנה של ההקשר הזה משפיע. ב-HERB, מבחן ביצועים לאיתור ולחיבור מידע המפוזר בין מערכות ארגוניות, המערכת של V7 המבוססת על אחזור בלבד השיגה ביצועים טובים ב-69% ממערכת הבסיס הרשמית, והפחיתה ב-38% הזיות בשאילתות שאין להן מענה. V7 Go משתמשת בהקשר המקושר למקורות כדי לבסס תהליכי עבודה מורכבים על המידע של כל חברה עצמה.

V7 Go משתמשת בהקשר המאורגן הזה בתהליכי עבודה כמו סינון עסקאות בקרנות השקעה פרטיות וחיתום ביטוח. בהדגמה שלהלן, תהליך העבודה מחלץ מידע ממסמך עסקה שנקרא מזכר מידע חסוי (CIM), מזין נתונים פיננסיים מרכזיים, תנאי עסקה ופרטי הנהלה, ומצרף הפניות למקורות בשדות הסיכון, לפני ש-V7 Go מפיקה סיכום סינון.

גרף ההקשר מאפשר למודל לעבוד עם ההיסטוריה של החברה בלי ללמוד אותה מחדש בכל פעם. עבור סוכנים שפועלים לאורך זמן, V7 Go שומרת את חילופי הדברים האחרונים בהקשר הפעיל של המודל, ומאחסנת חומר ישן יותר בגרף כדי לאחזר אותו בעת הצורך.

ההקשר המשותף הזה כבר מאיץ עבודה עתירת מסמכים אצל לקוחות V7:

• מנהלי נכסים יכולים לסנן עסקאות פי 21 מהר יותר מבעבר, ולקצר תהליך של יום עבודה מלא ל-15 דקות בלבד

• צוות שירותים פיננסיים קיצר את זמן הבדיקה מיותר מ-100 שעות לפחות מ-10, וחסך 12,000 דולר בעלויות מומחים לכל משימה

• צוותי ביטוח הפחיתו את שיעור הטעויות בטיפול בתביעות ב-13.5% לעומת תהליך ידני, לאחר שהעניקו לסוכנים שלהם ידע היסטורי על כל התביעות הקודמות והפוליסות הקיימות

תהליכי עבודה מורכבים ורבי-שלבים דורשים מודל שמסוגל לפעול באופן אמין לפי הוראות ארוכות, להפעיל כלים, לפרש תוצאות ולהתקדם לאורך רצף ארוך של שלבים. טעות אחת בשלב מוקדם עלולה לגבות מחיר יקר ולפגוע באמון במערכות AI. V7 Go מנחה מודלים לאורך משימות ממושכות שכוללות קוד דטרמיניסטי, העברת משימות למודלים קטנים יותר, יצירת קבצים ואינטגרציות, תוך תיעוד של כל הרצה לצורכי ביקורת.

בתהליכי עבודה שנוצרים באמצעות AI, מערכת V7 Go משייכת כל שלב לאחת משלוש רמות: מהירה, בינונית וחכמה. GPT‑5.6 Luna מטפל בחילוץ מידע מובנה ובמשימות אחרות בהיקף גדול, ואילו GPT‑5.6 Terra או Sol מפעילים את הצ'אט, את מסלול Go Agent ואת השלבים שדורשים יותר reasoning או שימוש בכלים.

V7 בוחנת מודלים חדשים באמצעות מערך מבחני ביצועים שמתעדכן באופן שוטף ובודק דיוק בהפניות למקורות, איכות חילוץ מידע ממאות סוגי מסמכים, נכונות תשובות, ציות להוראות, זמני תגובה, עלויות ותהליכי עבודה ארגוניים מהעולם האמיתי. המודלים של OpenAI עולים על רוב המודלים האחרים ביכולות החשובות ביותר ל-V7. OpenAI גם אישרה ויישמה את הגדלת הקיבולת שנדרשה ל-V7 בתוך שעות, לעומת שבועות אצל ספקים אחרים ש-V7 עובדת איתם.

ב-harness העדכני של V7, תהליכי עבודה מרכזיים שכוללים כמה קריאות חיצוניות מסתיימים כעת עד 50% מהר יותר. V7 מדדה שיפור נוסף ביעילות עם GPT‑5.6 Luna: עלות נמוכה ב-78% למסמך לעומת GPT‑5.4 mini. V7 גם העבירה את עומסי העבודה עתירי המסמכים של V7 Go מה-API להשלמת צ'אטים ל-Responses API. בבדיקות שערכה, השינוי הפחית את צריכת הטוקנים בכ-5% בחלק מתהליכי העבודה עתירי קובצי ה-PDF ושיפר את אמינות השימוש במטמון.

V7 בחנה גם את GPT‑6 Astra בשאילתות הקשות ביותר שלה. GPT‑5.6 Sol כבר הגיע לתקרת הביצועים ברבים מהמבחנים הקיימים של V7, ולכן החברה יצרה מערך מאתגר יותר של שאלות המבוססות על שאילתות גרף, תוך שימוש בנתונים פחות מסודרים מהעולם האמיתי, הפרוסים על פני אלפי מסמכים. מערך הנתונים של המבחן כולל ארבע רמות קושי. לפי V7, ברמת הקושי הגבוהה ביותר, GPT‑5.6 Sol הגיע לדיוק של 78%, ואילו GPT‑6 Astra הגיע לדיוק של 89%. שני המודלים השיגו ציונים הקרובים ל-100% ברמות הקלה, הבינונית והקשה.

V7 Go כבר מאפשרת לתשאל את גרף ההקשר ולקלוט בו מידע דרך שרת ה-MCP שלה, כך שלקוחות יכולים להשתמש בו מתוך ChatGPT ויישומי לקוח תואמים אחרים. הם יכולים גם ליצור תהליכי עבודה של V7 Go דרך MCP ב-Codex. בשילוב עם תכנון פשוט יותר של תהליכי עבודה, הדבר קיצר את הזמן הנדרש ליצירת תהליך באורך בינוני מכשעה לכ-20 דקות.

בטווח הארוך, V7 שואפת להפוך את הזיכרון המשותף הזה לבסיס לפעולה יזומה יותר. הצוות מפתח תהליכי עבודה שיופעלו כשעובדות בגרף ההקשר משתנות, יתריעו על חוסר עקביות ויראו למשתמשים אילו ניתוחים דורשים בחינה מחודשת. למשל, דוח מתוקן של קרן יכול לגרום ל-V7 Go לסמן עבודה שעדיין מסתמכת על הנתונים הישנים.

"המטרה שלנו היא לעזור לארגונים להצטייד מחדש לעידן ה-AI, עם תהליכי עבודה שמבצעים משימות קריטיות וזיכרון שעולה על הזיכרון שלנו, בני האדם", אומר ריצולי. "החברות הפיננסיות שיפיקו ערך אמיתי מ-AI לא יהיו אלה שיש להן הכי הרבה סוכנים. אלה יהיו החברות עם ההקשר הטוב ביותר."