Come V7 dà memoria istituzionale agli agenti IA

I modelli odierni sanno ragionare su attività complesse, ma non comprendono automaticamente il contesto aziendale su cui si basano. Qual è il rendiconto aggiornato del fondo? Come viene denominata la stessa entità in tre sistemi diversi?

Questo contesto si trova in documenti, data room, fogli di calcolo, e-mail e strumenti interni: è frammentato, non organizzato e invisibile agli agenti. Per i team dei settori finanziario, assicurativo e immobiliare, l’accuratezza del recupero delle informazioni nei flussi di lavoro è imprescindibile.

Dopo aver creato insieme un’app di accessibilità basata sulla visione artificiale e ampiamente utilizzata, nel 2018 Rizzoli ed Edwardsson hanno fondato V7⁠(si apre in una nuova finestra) per aiutare le aziende a insegnare ai sistemi di IA come funzionano le loro attività. V7 Go è una piattaforma agentica per creare flussi di lavoro di importanza critica e trasformare il contesto nascosto in una memoria che gli agenti possono interrogare e utilizzare per agire.

V7 Go utilizza GPT‑5.6 Luna per estrarre informazioni da milioni di file e organizzarle nel Context Graph, che collega entità, relazioni e prove citate e alimenta la ricerca MCP e flussi di lavoro ripetibili articolati in centinaia di passaggi. Per i flussi di lavoro, V7 Go utilizza GPT‑5.6 Terra e Sol per il ragionamento e l’uso di strumenti nell’ambito di istruzioni complesse e articolate in più fasi, che richiederebbero decine di ore di lavoro umano. V7 sta inoltre iniziando a usare GPT‑6 Astra per le query più impegnative del Context Graph, comprese le analisi finanziarie su migliaia di documenti.

Grazie alla collaborazione tra contesto, modelli e strumenti, V7 afferma che gli agenti completano in pochi minuti flussi di lavoro da 50–100 passaggi, con un’accuratezza del 99,9% e una traccia verificabile di ogni decisione presa.

Il Context Graph risolve un problema specifico. A ogni richiesta, gli agenti devono ricostruire il contesto, eseguendo decine di ricerche che consumano tempo e token e spesso tralasciando informazioni fondamentali nascoste nelle relazioni.

Quando arrivano nuovi dati, V7 Go si collega a repository come SharePoint e Google Drive, li analizza per individuare entità, relazioni, fatti, attributi e metriche e popola un grafo che può essere esplorato a costi e velocità migliori di un ordine di grandezza rispetto agli approcci basati su contesti estesi.

Il Context Graph offre agli agenti un archivio strutturato e aggiornato che possono interrogare direttamente. Quando arriva un nuovo file, V7 Go identifica aziende, fondi, persone o qualsiasi entità definita in un’ontologia, collega ogni fatto a un record nuovo o esistente e conserva le prove citate riconducibili alla fonte originale. Se il grafo non contiene informazioni sufficienti, V7 Go può comunque cercare nei documenti sottostanti tramite RAG.

V7 ha anche verificato quanto sia importante la struttura di questo contesto. In HERB, un benchmark per trovare e collegare informazioni distribuite nei sistemi aziendali, il sistema di V7 basato sulla sola ricerca ha superato del 69% il riferimento ufficiale e ridotto del 38% le allucinazioni nelle query prive di risposta. V7 Go utilizza questo contesto collegato alle fonti per ancorare i flussi di lavoro complessi alle informazioni specifiche di ciascuna azienda.

V7 Go utilizza questo contesto organizzato in flussi di lavoro come la valutazione delle operazioni di private equity e la sottoscrizione assicurativa. Nella demo seguente, un flusso di lavoro estrae informazioni da un documento relativo a un’operazione, chiamato Confidential Information Memorandum (CIM), inserisce i principali dati finanziari, i termini dell’operazione e i dettagli sulla dirigenza e cita i campi di rischio prima che V7 Go produca una nota di valutazione.

Il Context Graph consente a un modello di lavorare con lo storico di un’azienda senza doverlo apprendere di nuovo ogni volta. Per gli agenti che operano a lungo, V7 Go mantiene gli scambi recenti nel contesto attivo del modello e archivia nel grafo i materiali meno recenti, recuperandoli quando servono.

Questo contesto condiviso sta già accelerando le attività ad alta intensità documentale dei clienti V7:

• I gestori patrimoniali possono valutare le operazioni 21 volte più velocemente, riducendo a soli 15 minuti un processo che prima richiedeva un’intera giornata

• Un team di servizi finanziari ha ridotto il tempo di revisione da oltre 100 ore a meno di 10, risparmiando 12.000 dollari di costi per esperti per ogni attività

• I team assicurativi hanno ridotto del 13,5% gli errori nella gestione dei sinistri rispetto al processo manuale di riferimento, dopo aver fornito ai propri agenti lo storico di tutti i sinistri precedenti e delle polizze esistenti

I flussi di lavoro complessi e articolati in più fasi richiedono che un modello segua in modo affidabile istruzioni dettagliate, esegua strumenti, interpreti i risultati e porti a termine lunghe sequenze di passaggi. Un singolo errore a monte può avere conseguenze costose e compromettere la fiducia nei sistemi di IA. V7 Go guida i modelli in attività di lunga durata che comprendono codice deterministico, passaggi a modelli più piccoli, generazione di file e integrazioni, mantenendo una traccia verificabile di ogni esecuzione.

Nei flussi di lavoro generati dall’IA, V7 Go assegna ogni passaggio a un livello veloce, medio o intelligente. GPT‑5.6 Luna gestisce l’estrazione strutturata e altre attività ad alto volume, mentre GPT‑5.6 Terra o Sol alimentano le chat, il percorso Go Agent e i passaggi che richiedono più ragionamento o uso di strumenti.

V7 valuta i nuovi modelli con una suite di benchmark aggiornata continuamente, che misura accuratezza delle citazioni, qualità dell’estrazione su centinaia di tipi di documenti, correttezza delle risposte, rispetto delle istruzioni, latenza, costi e flussi di lavoro aziendali reali. OpenAI supera la maggior parte dei modelli nei comportamenti più importanti per V7. OpenAI ha inoltre approvato e implementato in poche ore gli aumenti di capacità richiesti da V7, contro le settimane necessarie agli altri fornitori utilizzati dall’azienda.

Nell’infrastruttura più recente di V7, i principali flussi di lavoro con diverse chiamate esterne vengono ora completati fino al 50% più velocemente. V7 ha misurato un ulteriore aumento dell’efficienza con GPT‑5.6 Luna: un costo per documento inferiore del 78% rispetto a GPT‑5.4 mini. V7 ha inoltre trasferito i carichi di lavoro di V7 Go ad alta intensità documentale dall’API Chat Completions all’API Responses. Nei test, il cambiamento ha ridotto di circa il 5% l’uso di token in alcuni flussi di lavoro basati soprattutto su PDF e ha migliorato l’affidabilità della memorizzazione nella cache.

V7 ha inoltre testato GPT‑6 Astra sulle query più difficili. GPT‑5.6 Sol aveva raggiunto risultati prossimi al massimo in molti dei benchmark esistenti di V7, così l’azienda ha creato una serie più impegnativa di domande basate su query su grafi, utilizzando dati reali più disordinati provenienti da migliaia di documenti. Il set di dati del test comprende quattro livelli di difficoltà. Al livello di difficoltà estrema, V7 riferisce che GPT‑5.6 Sol ha ottenuto il 78%, mentre GPT‑6 Astra ha raggiunto un’accuratezza dell’89%. Entrambi i modelli hanno ottenuto risultati vicini al 100% nei livelli facile, medio e difficile.

V7 Go consente già di interrogare e alimentare il Context Graph tramite il proprio server MCP, così i clienti possono utilizzarlo da ChatGPT e da altri client compatibili. Possono inoltre creare flussi di lavoro V7 Go tramite MCP in Codex. Insieme a una progettazione più semplice dei flussi di lavoro, questo ha ridotto da circa un’ora a circa 20 minuti il tempo necessario per creare un flusso di media lunghezza.

L’obiettivo a lungo termine di V7 è rendere più proattiva questa memoria condivisa. Il team sta sviluppando flussi di lavoro che si avviano quando cambiano i fatti nel Context Graph, segnalano le incoerenze e indicano quali analisi devono essere riesaminate. Ad esempio, la revisione del rendiconto di un fondo potrebbe indurre V7 Go a segnalare le attività che utilizzano ancora i dati precedenti.

“Il nostro obiettivo è aiutare le aziende a dotarsi di nuovi strumenti per l’era dell’IA, con flussi di lavoro che svolgano attività di importanza critica e una memoria che superi quella umana”, afferma Rizzoli. “Le società finanziarie che otterranno un valore concreto dall’IA non saranno quelle con il maggior numero di agenti. Saranno quelle con il contesto migliore.”