V7이 AI 에이전트에 조직의 기억을 제공하는 방법

오늘날의 모델은 복잡한 작업을 추론할 수 있지만, 그 작업의 기반이 되는 비즈니스 맥락까지 자동으로 이해하지는 못합니다. 어떤 펀드 보고서가 최신일까요? 세 시스템에서 같은 엔터티를 각각 어떤 이름으로 부를까요?

이러한 맥락은 문서, 데이터 룸, 스프레드시트, 이메일, 내부 도구에 흩어져 있고, 제대로 정리되거나 연결되지 않은 채 에이전트가 파악할 수 없는 상태로 존재합니다. 금융, 보험, 부동산 분야의 팀에게 워크플로 내 검색 정확도는 절대 타협할 수 없는 요건입니다.

Rizzoli와 Edwardsson은 널리 사용되는 컴퓨터 비전 접근성 앱을 함께 개발한 뒤, 기업이 AI 시스템에 비즈니스 운영 방식을 학습시키도록 돕기 위해 2018년 V7⁠(새 창에서 열기)을 설립했습니다. V7 Go는 핵심 업무용 워크플로를 구축하고, 파묻힌 맥락을 에이전트가 쿼리하고 활용할 수 있는 메모리로 정리하는 에이전틱 플랫폼입니다.

V7 Go는 GPT‑5.6 Luna로 수백만 개 파일에서 정보를 추출해 컨텍스트 그래프에 정리합니다. 컨텍스트 그래프는 엔터티, 관계, 인용 근거를 연결해 MCP 검색과 수백 단계에 걸친 반복 가능한 워크플로를 지원합니다. V7 Go는 사람이 완료하는 데 수십 시간이 걸리는 복잡한 다단계 지침 전반의 추론과 도구 사용에 GPT‑5.6 Terra와 Sol을 활용합니다. V7은 수천 개 문서에 걸친 재무 분석을 비롯해 가장 까다로운 컨텍스트 그래프 쿼리에 GPT‑6 Astra를 활용하기 시작했습니다.

V7에 따르면 컨텍스트, 모델, 도구가 함께 작동하면서 에이전트는 모든 의사 결정에 대한 감사 가능한 기록을 유지하고 99.9%의 정확도를 달성하며, 50~100단계의 워크플로를 몇 분 안에 완료합니다.

컨텍스트 그래프는 한 가지 구체적인 문제를 해결합니다. 에이전트는 요청을 받을 때마다 맥락을 새로 찾아야 합니다. 그 결과 수십 번의 검색으로 시간과 토큰이 소모되고, 관계 속에 묻힌 핵심 정보를 놓치는 경우도 많습니다.

데이터가 들어오면 V7 Go는 SharePoint, Google Drive 같은 저장소에 연결해 엔터티, 관계, 사실, 속성, 지표를 탐색하고, 긴 컨텍스트 방식보다 훨씬 적은 비용으로 훨씬 빠르게 탐색할 수 있는 그래프를 구축합니다.

컨텍스트 그래프는 에이전트가 직접 쿼리할 수 있는 체계적이고 최신 상태의 기록을 제공합니다. 새 파일이 들어오면 V7 Go는 기업, 펀드, 인물 또는 온톨로지에 정의된 엔터티를 식별합니다. 그런 다음 각 사실을 신규 또는 기존 레코드에 연결하고 원본 출처로 연결되는 인용 근거를 보존합니다. 그래프에 정보가 충분하지 않으면 V7 Go는 RAG로 원본 문서를 검색할 수도 있습니다.

V7은 이러한 맥락의 구조가 결과에 얼마나 큰 영향을 미치는지도 테스트했습니다. 기업 시스템 전반에 분산된 정보를 찾아 연결하는 벤치마크인 HERB에서 V7의 검색 전용 시스템은 공식 기준선보다 69% 높은 성능을 보였으며, 답변할 수 없는 쿼리의 환각을 38% 줄였습니다. V7 Go는 출처와 연결된 이 맥락을 활용해 복잡한 워크플로가 각 기업의 자체 정보에 기반하도록 합니다.

V7 Go는 이렇게 정리된 맥락을 사모펀드 거래 심사와 보험 인수 심사 등의 워크플로에 활용합니다. 아래 데모에서는 워크플로가 기밀 정보 각서(CIM)라는 거래 문서에서 정보를 추출해 주요 재무 정보, 거래 조건, 경영진 세부 정보를 입력하고 위험 항목의 출처를 인용한 뒤, V7 Go가 심사 보고서를 작성합니다.

컨텍스트 그래프를 활용하면 모델이 매번 기업의 과거 맥락을 다시 파악할 필요 없이 이를 활용해 작업할 수 있습니다. 장기간 실행되는 에이전트의 경우 V7 Go는 최근 대화를 모델의 활성 컨텍스트에 유지하고, 이전 자료는 필요할 때 검색할 수 있도록 그래프에 저장합니다.

이 공유 컨텍스트는 이미 V7 고객사의 문서 중심 업무를 가속하고 있습니다.

• 자산운용사는 거래 심사 속도를 이전보다 21배 높여 하루 종일 걸리던 프로세스를 단 15분으로 단축할 수 있습니다.

• 한 금융 서비스 팀은 검토 시간을 100시간 이상에서 10시간 미만으로 줄여 작업당 전문가 비용 12,000달러를 절감했습니다.

• 보험 팀은 에이전트에 과거의 모든 보험금 청구와 기존 보험 계약에 관한 지식을 제공한 후, 수작업 기준선 대비 청구 처리 오류를 13.5% 줄였습니다.

복잡한 다단계 워크플로에서는 모델이 긴 지침을 안정적으로 따르고, 도구를 실행하고, 결과를 해석하며, 수많은 단계를 차례로 진행해야 합니다. 초기 단계의 오류 하나가 막대한 비용을 초래하고 AI 시스템에 대한 신뢰를 무너뜨릴 수 있습니다. V7 Go는 결정론적 코드, 소형 모델로의 작업 인계, 파일 생성 단계, 통합에 걸친 장기 작업을 모델이 수행하도록 안내하며, 모든 실행 과정을 감사할 수 있는 기록을 남깁니다.

AI가 생성한 워크플로에서 V7 Go는 각 단계를 빠른 티어, 중간 티어, 스마트 티어에 배정합니다. GPT‑5.6 Luna는 구조화된 추출과 기타 대량의 작업을 처리하고, GPT‑5.6 Terra 또는 Sol은 채팅, Go 에이전트 경로, 더 많은 추론이나 도구 사용이 필요한 단계를 처리합니다.

V7은 인용 정확도, 수백 가지 문서 유형의 추출 품질, 답변의 정확성, 지침 준수, 지연 시간, 비용, 실제 기업 워크플로를 다루며 지속적으로 관리되는 벤치마크 제품군으로 새로운 모델을 테스트합니다. OpenAI는 V7이 가장 중요하게 여기는 동작에서 대부분의 모델보다 뛰어난 성능을 보입니다. 또한 OpenAI는 V7의 용량 증설 요청을 몇 시간 안에 승인하고 적용했습니다. V7이 이용하는 다른 제공업체에서는 몇 주가 걸리는 일입니다.

V7의 최신 하네스에서는 여러 차례 외부 호출이 필요한 핵심 워크플로의 완료 시간이 최대 50% 단축되었습니다. V7은 GPT‑5.6 Luna에서도 효율 향상을 확인했습니다. 문서당 비용이 GPT‑5.4 mini 대비 78% 낮았습니다. V7은 문서 처리 비중이 큰 V7 Go 워크로드를 Chat Completions API에서 Responses API로 이전하기도 했습니다. 테스트 결과, 일부 PDF 중심 워크플로의 토큰 사용량이 약 5% 감소하고 캐싱 안정성도 향상되었습니다.

V7은 가장 어려운 쿼리를 대상으로 GPT‑6 Astra도 테스트했습니다. GPT‑5.6 Sol이 V7의 기존 벤치마크 다수에서 이미 성능 상한에 도달하자, V7은 수천 개 문서에 담긴 더 복잡한 실제 데이터를 활용해 난도가 더 높은 그래프 쿼리 문제 세트를 만들었습니다. 테스트 데이터 세트는 네 가지 난이도로 구성됩니다. V7에 따르면 최고 난도에서 GPT‑5.6 Sol은 78%, GPT‑6 Astra는 89%의 정확도를 기록했습니다. 두 모델 모두 쉬움, 중간, 어려움 수준에서 100%에 가까운 점수를 기록했습니다.

V7 Go는 이미 MCP 서버를 통해 컨텍스트 그래프 쿼리와 데이터 수집 기능을 제공하므로, 고객은 ChatGPT와 기타 호환 클라이언트에서 이를 사용할 수 있습니다. Codex에서 MCP를 통해 V7 Go 워크플로를 만들 수도 있습니다. 더 간단해진 워크플로 설계와 이러한 기능을 결합해 중간 길이의 워크플로를 만드는 데 걸리는 시간이 약 1시간에서 20분가량으로 줄었습니다.

V7의 장기 목표는 이 공유 메모리를 더 능동적으로 만드는 것입니다. V7 팀은 컨텍스트 그래프의 정보가 변경되면 자동으로 시작하고, 불일치를 표시하며, 재검토가 필요한 분석을 알려 주는 워크플로를 개발하고 있습니다. 예를 들어 펀드 보고서가 수정되면 V7 Go는 여전히 이전 수치를 사용하는 작업을 찾아 표시할 수 있습니다.

Rizzoli는 “우리의 목표는 기업이 AI 시대에 맞게 도구 체계를 재정비하도록 돕는 것입니다. 핵심 업무를 해결하는 워크플로와 인간보다 뛰어난 메모리를 제공하고자 합니다”라고 말합니다. “AI에서 실질적인 가치를 얻는 금융사는 에이전트가 가장 많은 곳이 아닐 것입니다. 가장 뛰어난 맥락을 갖춘 곳일 것입니다.”