Cara V7 memberi agen AI memori institusional

Model masa kini dapat menalar tugas kompleks, tetapi tidak otomatis memahami konteks bisnis yang mendasari tugas tersebut. Laporan dana mana yang terbaru? Apa nama entitas yang sama di tiga sistem berbeda?

Konteks tersebut tersimpan dalam dokumen, ruang data, spreadsheet, email, dan alat internal: terpencar, belum tertata, dan tak terlihat oleh agen. Bagi tim di sektor keuangan, asuransi, dan real estat, akurasi pengambilan informasi dalam alur kerja adalah syarat mutlak.

Setelah bersama-sama membuat aplikasi aksesibilitas visi komputer yang digunakan secara luas, Rizzoli dan Edwardsson mendirikan V7⁠(terbuka di jendela baru) pada 2018 untuk membantu perusahaan mengajarkan cara kerja bisnis mereka kepada sistem AI. V7 Go adalah platform berbasis agen untuk membuat alur kerja yang sangat penting dan menata konteks tersembunyi menjadi memori yang dapat dikueri serta ditindaklanjuti oleh agen.

V7 Go menggunakan GPT‑5.6 Luna untuk mengekstrak informasi dari jutaan file dan menatanya dalam Graf Konteks, yang menghubungkan entitas, hubungan, serta bukti kutipan untuk mendukung pencarian MCP dan alur kerja berulang yang dapat mencakup ratusan langkah. Untuk Alur Kerja, V7 Go menggunakan GPT‑5.6 Terra dan Sol guna melakukan penalaran dan menggunakan alat dalam instruksi kompleks bertahap yang membutuhkan puluhan jam untuk diselesaikan manusia. V7 juga mulai menggunakan GPT‑6 Astra untuk kueri Graf Konteks yang paling berat, termasuk analisis keuangan pada ribuan dokumen.

Dengan konteks, model, dan alat yang bekerja bersama, V7 menyatakan bahwa agen dapat menyelesaikan alur kerja 50–100 langkah dalam hitungan menit dengan akurasi 99,9%, sekaligus mempertahankan rekam jejak setiap keputusan yang dapat diaudit.

Graf Konteks memecahkan masalah khusus. Agen harus menemukan kembali konteks pada setiap permintaan. Akibatnya, diperlukan puluhan pencarian yang menghabiskan waktu dan token, sementara informasi penting yang tersembunyi dalam hubungan antardata sering terlewat.

Saat data masuk, V7 Go terhubung ke repositori seperti SharePoint dan Google Drive, memindainya untuk menemukan entitas, hubungan, fakta, atribut, dan metrik, lalu mengisi graf yang jauh lebih murah dan cepat ditelusuri daripada pendekatan berkonteks panjang.

Graf Konteks memberi agen catatan terstruktur dan terkini yang dapat langsung mereka kueri. Saat file baru masuk, V7 Go mengidentifikasi perusahaan, dana, orang, atau entitas apa pun dalam ontologi, lalu menghubungkan setiap fakta ke catatan baru atau yang sudah ada, serta mempertahankan bukti kutipan yang mengarah ke sumber asli. Jika graf tidak memuat cukup informasi, V7 Go tetap dapat menelusuri dokumen sumber dengan RAG.

V7 juga telah menguji seberapa penting struktur konteks tersebut. Pada HERB, tolok ukur untuk menemukan dan menghubungkan informasi yang tersebar di berbagai sistem perusahaan, sistem V7 yang hanya menggunakan pengambilan informasi mengungguli tolok ukur dasar resmi sebesar 69% dan mengurangi halusinasi pada kueri yang tidak dapat dijawab sebesar 38%. V7 Go menggunakan konteks yang terhubung ke sumber tersebut agar alur kerja kompleks tetap berpijak pada informasi milik tiap perusahaan.

V7 Go menggunakan konteks yang tertata ini dalam alur kerja seperti penyaringan transaksi ekuitas swasta dan penjaminan asuransi. Dalam demo berikut, sebuah alur kerja mengekstrak informasi dari dokumen transaksi bernama Confidential Information Memorandum (CIM), memasukkan data keuangan utama, ketentuan transaksi, dan detail manajemen, serta mengutip bidang risiko sebelum V7 Go menghasilkan catatan penyaringan.

Graf Konteks memungkinkan model bekerja dengan riwayat perusahaan tanpa harus mempelajarinya kembali setiap kali. Untuk agen yang berjalan dalam jangka panjang, V7 Go menyimpan interaksi terbaru dalam konteks aktif model dan menyimpan materi lama di graf agar dapat diambil saat dibutuhkan.

Konteks bersama tersebut telah mempercepat pekerjaan yang sarat dokumen di berbagai pelanggan V7:

• Manajer aset dapat menyaring transaksi 21 kali lebih cepat, memangkas proses sehari penuh menjadi hanya 15 menit

• Sebuah tim layanan keuangan memangkas waktu peninjauan dari lebih dari 100 jam menjadi kurang dari 10 jam, menghemat biaya tenaga ahli sebesar US$12.000 per tugas

• Tim asuransi mengurangi kesalahan pemrosesan klaim sebesar 13,5% dibandingkan proses manual, setelah membekali agen mereka dengan pengetahuan historis tentang seluruh klaim terdahulu dan polis yang ada

Alur kerja kompleks dengan banyak langkah bergantung pada kemampuan model untuk mengikuti instruksi panjang, menjalankan alat, menafsirkan hasil, dan menuntaskan rangkaian langkah secara andal. Satu kesalahan di tahap awal dapat menimbulkan kerugian besar dan merusak kepercayaan terhadap sistem AI. V7 Go memandu model menjalankan tugas jangka panjang yang mencakup kode deterministik, serah terima ke model yang lebih kecil, pembuatan file, dan integrasi, disertai rekam jejak setiap proses yang dapat diaudit.

Dalam alur kerja yang dihasilkan AI, V7 Go memetakan setiap langkah ke tingkat cepat, sedang, dan cerdas. GPT‑5.6 Luna menangani ekstraksi terstruktur dan pekerjaan bervolume tinggi lainnya, sementara GPT‑5.6 Terra atau Sol mendukung chat, jalur Agen Go, serta langkah yang memerlukan lebih banyak penalaran atau penggunaan alat.

V7 menguji model baru menggunakan rangkaian tolok ukur yang terus diperbarui, mencakup akurasi kutipan, kualitas ekstraksi pada ratusan jenis dokumen, ketepatan jawaban, kepatuhan terhadap instruksi, latensi, biaya, dan alur kerja perusahaan di dunia nyata. OpenAI mengungguli sebagian besar model dalam perilaku yang paling diprioritaskan V7. OpenAI juga menyetujui dan menerapkan peningkatan kapasitas yang dibutuhkan V7 dalam hitungan jam, dibandingkan berminggu-minggu pada penyedia lain yang digunakan V7.

Dalam harness terbaru V7, alur kerja utama dengan beberapa panggilan eksternal kini selesai hingga 50% lebih cepat. V7 juga mengukur peningkatan efisiensi lain dengan GPT‑5.6 Luna: biaya per dokumen 78% lebih rendah dibandingkan GPT‑5.4 mini. V7 juga memindahkan beban kerja V7 Go yang sarat dokumen dari API Penyelesaian Obrolan ke Responses API. Dalam pengujiannya, perubahan ini mengurangi penggunaan token sekitar 5% untuk sejumlah alur kerja yang sarat PDF sekaligus meningkatkan keandalan caching.

V7 juga menguji GPT‑6 Astra pada kueri tersulitnya. GPT‑5.6 Sol telah mencapai titik jenuh pada banyak tolok ukur V7 yang ada. Karena itu, perusahaan membuat rangkaian pertanyaan kueri graf yang lebih menantang dengan data dunia nyata yang lebih berantakan dari ribuan dokumen. Set data pengujian ini mencakup empat tingkat kesulitan. Pada tingkat sangat sulit, V7 melaporkan bahwa GPT‑5.6 Sol meraih skor 78%, sedangkan akurasi GPT‑6 Astra mencapai 89%. Kedua model meraih skor mendekati 100% pada tingkat mudah, sedang, dan sulit.

V7 Go telah menyediakan fungsi kueri dan penyerapan Graf Konteks melalui server MCP-nya, sehingga pelanggan dapat menggunakannya dari ChatGPT dan klien kompatibel lainnya. Pelanggan juga dapat membuat alur kerja V7 Go melalui MCP di Codex. Bersama desain alur kerja yang lebih sederhana, hal ini memangkas waktu yang dibutuhkan untuk membuat alur kerja berukuran sedang dari sekitar satu jam menjadi sekitar 20 menit.

Dalam jangka panjang, V7 ingin menjadikan memori bersama tersebut lebih proaktif. Tim ini tengah mengembangkan alur kerja yang dimulai saat fakta dalam Graf Konteks berubah, menandai ketidaksesuaian, dan menunjukkan analisis mana yang perlu ditinjau kembali. Sebagai contoh, laporan dana yang disajikan ulang dapat mendorong V7 Go untuk menandai pekerjaan yang masih mengandalkan angka lama.

“Tujuan kami adalah membantu perusahaan memperbarui perangkat kerjanya untuk era AI, dengan alur kerja yang menuntaskan tugas sangat penting dan memori yang melampaui kemampuan manusia,” kata Rizzoli. “Perusahaan keuangan yang memperoleh manfaat nyata dari AI bukanlah perusahaan dengan agen terbanyak. Mereka adalah perusahaan dengan konteks terbaik.”