Carane V7 Menehi Agen AI Memori Institusional

Model saiki bisa migunakake nalar kanggo ngrampungake tugas rumit, nanging ora kanthi otomatis mangerteni konteks bisnis sing ndhasari tugas kasebut. Laporan dana endi sing paling anyar? Kepiye entitas sing padha dijenengi ing telung sistem?

Konteks kasebut ana ing dokumen, ruang data, spreadsheet, email, lan piranti internal: kasebar, durung dituntasake, lan ora katon dening agen. Kanggo tim keuangan, asuransi, lan real estat, akurasi retrieval ing alur kerja ora bisa ditawar.

Sawise bebarengan nggawe aplikasi aksesibilitas visi komputer sing digunakake akeh wong, Rizzoli lan Edwardsson ngedegake V7⁠(mbukak ing jendhela anyar) ing 2018 kanggo mbantu perusahaan ngajari sistem AI babagan cara bisnise lumaku. V7 Go minangka platform agentik kanggo nggawe alur kerja kritis lan nata konteks sing kasimpen dadi memori sing bisa dikueri lan ditindaklanjuti dening agen.

V7 Go nggunakake GPT‑5.6 Luna kanggo ngekstrak informasi saka mayuta-yuta file lan nata ing Context Graph, sing nyambungake entitas, sesambungan, lan bukti sitiran kanggo nguwasani telusuran MCP lan alur kerja sing bisa dibaleni nganti atusan langkah. Kanggo Alur Kerja, V7 Go nggunakake GPT‑5.6 Terra lan Sol kanggo nalar lan nggunakake alat sajrone instruksi rumit kanthi pirang-pirang langkah sing butuh puluhan jam yen ditindakake manungsa. V7 uga wiwit nggunakake GPT‑6 Astra kanggo kueri Context Graph sing paling abot, kalebu analisis keuangan ing ewonan dokumen.

Kanthi konteks, model, lan alat sing makarya bebarengan, V7 nyatakake agen bisa ngrampungake alur kerja 50–100 langkah sajrone sawetara menit kanthi akurasi 99,9%, sinambi njaga rekaman saben keputusan sing bisa diaudit.

Context Graph ngrampungake masalah tartamtu. Agen kudu nggoleki maneh konteks ing saben panjaluk, saengga mbutuhake puluhan telusuran sing mbuwang wektu lan token, lan kerep ora nemokake informasi utama sing kasimpen ing sesambungan.

Nalika data mlebu, V7 Go nyambung menyang repositori kayata SharePoint lan Google Drive, mindhai entitas, sesambungan, fakta, atribut, lan metrik, banjur ngisi graf sing sepuluh kaping luwih murah lan luwih cepet ditelusuri tinimbang pendekatan konteks dawa.

Context Graph menehi agen rekaman terstruktur lan paling anyar sing bisa langsung dikueri. Nalika ana file anyar, V7 Go ngenali perusahaan, dana, wong, utawa entitas apa wae ing ontologi, banjur nyambungake saben fakta menyang rekaman anyar utawa sing wis ana, lan nyimpen bukti sitiran menyang sumber asline. Yen graf ora ngemot informasi sing cukup, V7 Go isih bisa nggoleki dokumen dhasare nganggo RAG.

V7 uga wis nguji sepira pentinge struktur konteks kasebut. Ing HERB, pathokan kanggo nemokake lan nyambungake informasi sing sumebar ing sistem perusahaan, sistem V7 sing mung nganggo retrieval ngluwihi pathokan resmi nganti 69% lan nyuda halusinasi ing pitakon sing ora bisa dijawab nganti 38%. V7 Go nggunakake konteks sing kaiket karo sumber kasebut supaya alur kerja rumit tetep adhedhasar informasi duweke saben perusahaan.

V7 Go nggunakake konteks sing wis ditata kasebut ing alur kerja kayata penyaringan transaksi ekuitas swasta lan underwriting asuransi. Ing demo ing ngisor iki, alur kerja ngekstrak informasi saka dokumen transaksi sing diarani Confidential Information Memorandum (CIM), ngolah data keuangan utama, syarat transaksi, rincian manajemen, lan nyitir kolom risiko sadurunge V7 Go nggawe cathetan penyaringan.

Context Graph ngidini model nggunakake riwayat perusahaan tanpa kudu sinau maneh saben wektu. Kanggo agen sing lumaku suwe, V7 Go nyimpen interaksi anyar ing konteks aktif model lan nyimpen materi lawas ing graf supaya bisa dijupuk nalika dibutuhake.

Konteks bebarengan kasebut wis nyepetake pakaryan sing akeh dokumene kanggo para pelanggan V7:

• Manajer aset bisa nyaring transaksi 21 kaping luwih cepet tinimbang sadurunge, ngowahi proses sedina muput dadi mung 15 menit

• Tim layanan keuangan nyuda wektu tinjauan saka luwih saka 100 jam dadi kurang saka 10 jam, lan ngirit biaya tenaga ahli $12.000 saben tugas

• Tim asuransi nyuda kesalahan pangolahan klaim nganti 13,5% dibandhingake pathokan manual, sawise agene diwenehi kawruh historis babagan kabeh klaim sadurunge lan polis sing isih ana

Alur kerja rumit kanthi pirang-pirang langkah gumantung marang model sing bisa dipercaya kanggo nuruti instruksi dawa, mbukak alat, napsirake asil, lan ngrampungake rerangken langkah sing dawa. Siji kesalahan ing tahap awal bisa nyebabake kerugian gedhe lan ngrusak kapercayan marang sistem AI. V7 Go nuntun model ngrampungake tugas jangka panjang sing nyakup kode deterministik, serah terima menyang model sing luwih cilik, langkah nggawe file, lan integrasi, kanthi rekaman saben proses sing bisa diaudit.

Ing alur kerja gaweyan AI, V7 Go netepake saben langkah menyang tingkatan cepet, Kecepatan Standar, lan pinter. GPT‑5.6 Luna nangani ekstraksi terstruktur lan pakaryan volume gedhe liyane, dene GPT‑5.6 Terra utawa Sol nguwasani obrolan, jalur Go Agent, lan langkah sing mbutuhake nalar utawa panggunaan alat luwih akeh.

V7 nguji model anyar nganggo rangkaian pathokan sing terus dianyari, kalebu akurasi sitiran, mutu ekstraksi ing atusan jinis dokumen, kabeneran jawaban, ketaatan marang instruksi, latensi, biaya, lan alur kerja perusahaan ing donya nyata. OpenAI ngluwihi kinerja mayoritas model ing prilaku sing paling diutamakake V7. OpenAI uga nyetujoni lan ngetrapake panjaluk paningkatan kapasitas V7 mung sajrone sawetara jam, dene panyedhiya liyane sing digunakake V7 mbutuhake pirang-pirang minggu.

Ing piranti uji paling anyar saka V7, alur kerja utama kanthi sawetara panggilan eksternal saiki bisa rampung nganti 50% luwih cepet. V7 uga ngukur paningkatan efisiensi liyane nganggo GPT‑5.6 Luna: biaya saben dokumen 78% luwih murah tinimbang nganggo GPT‑5.4 mini. V7 uga mindhah beban kerja V7 Go sing akeh dokumene saka chat completions API menyang Responses API. Ing pengujiane, owah-owahan iki nyuda panggunaan token kira-kira 5% kanggo sawetara alur kerja sing akeh PDF-e lan ningkatake linuwih caching.

V7 uga nguji GPT‑6 Astra nganggo pitakon sing paling angel. GPT‑5.6 Sol wis nggayuh wates ndhuwur ing akeh pathokan V7 sing wis ana, mula perusahaan nggawe pitakon kueri graf sing luwih nantang nganggo data donya nyata sing luwih semrawut saka ewonan dokumen. Set data pengujian kasebut nyakup patang tingkat kangelan. Ing tingkat angel banget, V7 nglaporake GPT‑5.6 Sol entuk skor 78%, dene akurasi GPT‑6 Astra tekan 89%. Kaloro model entuk skor meh 100% ing tingkat gampang, Kecepatan Standar, lan angel.

V7 Go wis nyedhiyakake kueri lan ingestion Context Graph liwat server MCP, mula pelanggan bisa nggunakake saka ChatGPT lan klien kompatibel liyane. Pelanggan uga bisa nggawe alur kerja V7 Go liwat MCP ing Codex. Bebarengan karo desain alur kerja sing luwih prasaja, iki wis nyuda wektu kanggo nggawe alur kerja dawa sedhengan saka watara sakjam dadi kira-kira 20 menit.

Tujuan jangka panjang V7 yaiku nggawe memori bebarengan kasebut luwih proaktif. Tim kasebut ngupayakake alur kerja sing diwiwiti nalika fakta ing Context Graph owah, menehi tandha marang inkonsistensi, lan nuduhake analisis endi sing kudu ditliti maneh. Contone, laporan dana sing disajekake maneh bisa nyurung V7 Go menehi tandha marang pakaryan sing isih gumantung marang angka lawas.

“Tujuan kita yaiku mbantu perusahaan nganyari pirantine kanggo jaman AI, kanthi alur kerja sing ngrampungake tugas kritis lan memori sing ngluwihi kemampuan manungsa,” ujare Rizzoli. “Perusahaan keuangan sing entuk manfaat nyata saka AI dudu perusahaan sing nduweni agen paling akeh. Nanging perusahaan sing nduweni konteks paling apik.”