Slik gir V7 KI-agenter institusjonell hukommelse

Dagens modeller kan resonnere seg gjennom komplekse oppgaver, men de forstår ikke automatisk den underliggende forretningskonteksten. Hvilken fondsrapport er gjeldende? Hva heter den samme entiteten i tre forskjellige systemer?

Denne konteksten finnes i dokumenter, datarom, regneark, e-poster og interne verktøy – spredt, uavklart og usynlig for agenter. For team innen finans, forsikring og eiendom er nøyaktig informasjonsinnhenting i arbeidsflytene helt avgjørende.

Etter å ha utviklet en mye brukt tilgjengelighetsapp for maskinsyn sammen, grunnla Rizzoli og Edwardsson V7⁠(åpnes i et nytt vindu) i 2018 for å hjelpe selskaper med å lære KI-systemer hvordan virksomheten deres fungerer. V7 Go er en agentbasert plattform for å bygge virksomhetskritiske arbeidsflyter og organisere skjult kontekst i et minne som agenter kan søke i og handle ut fra.

V7 Go bruker GPT‑5.6 Luna til å hente ut informasjon fra millioner av filer og organisere den i Context Graph, som kobler sammen entiteter, relasjoner og kildebelagt informasjon og driver MCP-søk og repeterbare arbeidsflyter som kan omfatte hundrevis av trinn. I arbeidsflyter bruker V7 Go GPT‑5.6 Terra og Sol til resonnering og bruk av verktøy på tvers av komplekse instruksjoner med mange trinn som mennesker bruker titalls timer på å fullføre. V7 har også begynt å bruke GPT‑6 Astra på de mest krevende spørringene i Context Graph, blant annet finansanalyser på tvers av tusenvis av dokumenter.

Når kontekst, modeller og verktøy samarbeider, oppgir V7 at agentene fullfører arbeidsflyter med 50–100 trinn på få minutter, med en nøyaktighet på 99,9 % og et reviderbart spor etter hver beslutning.

Context Graph løser et konkret problem. Agenter må finne konteksten på nytt for hver forespørsel. Det fører til titalls søk som koster tid og tokener, og viktig informasjon som ligger skjult i relasjoner, blir ofte oversett.

Når data mottas, kobler V7 Go seg til datalagre som SharePoint og Google Drive, skanner dem etter entiteter, relasjoner, fakta, attributter og måledata og fyller en graf som er rundt ti ganger billigere og raskere å navigere enn metoder basert på lange kontekstvinduer.

Context Graph gir agenter en strukturert og oppdatert oversikt som de kan spørre direkte i. Når en ny fil mottas, identifiserer V7 Go selskaper, fond, personer eller andre entiteter i en ontologi. Deretter knyttes hvert faktum til en ny eller eksisterende post, og kildebelegget fra originalkilden bevares. Hvis grafen ikke inneholder nok informasjon, kan V7 Go fortsatt søke i de underliggende dokumentene med RAG.

V7 har også testet hvor mye strukturen i denne konteksten betyr. På HERB, en referansetest for å finne og koble sammen informasjon på tvers av virksomhetssystemer, overgikk V7s system med kun informasjonsinnhenting den offisielle referanseverdien med 69 % og reduserte hallusinasjoner ved spørsmål som ikke kunne besvares, med 38 %. V7 Go bruker denne kildetilknyttede konteksten til å forankre komplekse arbeidsflyter i hvert selskaps egen informasjon.

V7 Go bruker denne organiserte konteksten i arbeidsflyter som vurdering av oppkjøpsmuligheter innen private equity og risikovurdering i forsikring. I demonstrasjonen nedenfor henter en arbeidsflyt informasjon fra et transaksjonsdokument kalt Confidential Information Memorandum (CIM), behandler sentrale nøkkeltall, transaksjonsvilkår og opplysninger om ledelsen og kildebelegger risikofelter før V7 Go utarbeider et vurderingsnotat.

Med Context Graph kan en modell arbeide med selskapets historikk uten å måtte lære den på nytt hver gang. For agenter som kjører over tid, beholder V7 Go nyere utvekslinger i modellens aktive kontekst og lagrer eldre materiale i grafen, slik at det kan hentes frem ved behov.

Denne delte konteksten effektiviserer allerede dokumenttungt arbeid for V7s kunder:

• Kapitalforvaltere kan vurdere transaksjoner 21 ganger raskere enn før og redusere en heldagsprosess til bare 15 minutter

• Et team innen finansielle tjenester reduserte gjennomgangstiden fra over 100 timer til under 10 og sparte 12 000 dollar i ekspertkostnader per oppgave

• Forsikringsteam reduserte feil i skadebehandlingen med 13,5 % sammenlignet med en manuell referanseprosess, etter å ha gitt agentene historisk kunnskap om alle tidligere skader og eksisterende forsikringer

Komplekse arbeidsflyter med mange trinn er avhengige av at en modell følger lange instruksjoner pålitelig, kjører verktøy, tolker resultater og finner veien gjennom en lang rekke trinn. Én feil tidlig i prosessen kan få kostbare følger og svekke tilliten til KI-systemer. V7 Go veileder modeller gjennom langvarige oppgaver som omfatter deterministisk kode, overføring til mindre modeller, filgenerering og integrasjoner, med et reviderbart spor fra hver kjøring.

I KI-genererte arbeidsflyter tilordner V7 Go hvert trinn et raskt, middels eller avansert nivå. GPT‑5.6 Luna håndterer strukturert datauttrekk og annet arbeid med stort volum, mens GPT‑5.6 Terra eller Sol driver chat, Go Agent-prosessen og trinn som krever mer resonnering eller bruk av verktøy.

V7 tester nye modeller mot en kontinuerlig vedlikeholdt referansesamling som dekker korrekte kildehenvisninger, kvaliteten på datauttrekk fra hundrevis av dokumenttyper, korrekte svar, etterlevelse av instruksjoner, svartid, kostnader og reelle arbeidsflyter i virksomheter. OpenAI overgår de fleste modeller på egenskapene som er viktigst for V7. OpenAI godkjente og gjennomførte også kapasitetsøkningen V7 trengte, i løpet av få timer, mot flere uker hos andre leverandører V7 bruker.

I V7s nyeste rammeverk fullføres nå sentrale arbeidsflyter med flere eksterne kall opptil 50 % raskere. V7 målte enda en effektivitetsgevinst med GPT‑5.6 Luna: 78 % lavere kostnad per dokument enn med GPT‑5.4 mini. V7 flyttet også de dokumenttunge arbeidsoppgavene i V7 Go fra Chat Completions API (API for samtalesvar) til Responses API. I V7s tester reduserte endringen tokenbruken med rundt 5 % i enkelte PDF-tunge arbeidsflyter og gjorde hurtigbufringen mer pålitelig.

V7 testet også GPT‑6 Astra på sine vanskeligste spørringer. GPT‑5.6 Sol hadde nådd taket i mange av V7s eksisterende referansetester. Derfor laget selskapet et mer krevende sett med grafspørringer basert på mer uoversiktlige data fra den virkelige verden, fordelt på tusenvis av dokumenter. Testdatasettet omfatter fire vanskelighetsgrader. På det aller vanskeligste nivået oppgir V7 at GPT‑5.6 Sol fikk 78 %, mens GPT‑6 Astra oppnådde en nøyaktighet på 89 %. Begge modellene fikk nær 100 % på nivåene lett, middels og vanskelig.

V7 Go gjør allerede spørringer mot og innlesing i Context Graph tilgjengelig via MCP-serveren, slik at kundene kan bruke funksjonene fra ChatGPT og andre kompatible klienter. De kan også opprette arbeidsflyter i V7 Go via MCP i Codex. Sammen med enklere utforming av arbeidsflyter har dette redusert tiden det tar å opprette en middels lang arbeidsflyt, fra rundt én time til omtrent 20 minutter.

V7s langsiktige mål er å gjøre dette delte minnet mer proaktivt. Teamet arbeider mot arbeidsflyter som starter når fakta i Context Graph endres, avdekker uoverensstemmelser og viser hvilke analyser som bør gjennomgås på nytt. En korrigert fondsrapport kan for eksempel få V7 Go til å markere arbeid som fortsatt bygger på de gamle tallene.

«Målet vårt er å hjelpe virksomheter med å ruste seg for KI-alderen, med arbeidsflyter som løser virksomhetskritiske oppgaver, og et minne som overgår vårt eget», sier Rizzoli. «Finansforetakene som får reell verdi ut av KI, blir ikke de som har flest agenter. Det blir de som har den beste konteksten.»