Hoe V7 AI-agenten een institutioneel geheugen geeft
V7 zet bedrijfsbestanden om in context voor agenten; GPT‑6 Astra behaalt 89% nauwkeurigheid bij de moeilijkste tests met graafquery's.
Resultaten
89%
Nauwkeurigheid van GPT-6 Astra bij de moeilijkste zoekvragen
Resultaten
78%
Lagere kosten per document met GPT-5.6 Luna
Resultaten
+11,6 pnt.
Hogere nauwkeurigheid met GPT-5.6 Luna
De huidige modellen kunnen complexe taken beredeneren, maar begrijpen niet automatisch de onderliggende bedrijfscontext van die taken. Welk fondsrapport is actueel? Hoe wordt dezelfde entiteit in drie systemen genoemd?
Die context bevindt zich in documenten, datarooms, spreadsheets, e-mails en interne tools: verspreid, niet eenduidig en onzichtbaar voor agenten. Voor teams in de financiële sector, verzekeringen en vastgoed valt niet te onderhandelen over de nauwkeurigheid van retrieval binnen workflows.
Nadat Rizzoli en Edwardsson samen een veelgebruikte toegankelijkheidsapp op basis van computervisie hadden gebouwd, richtten ze in 2018 V7(opent in een nieuw venster) op om bedrijven te helpen AI-systemen te leren hoe hun bedrijf werkt. V7 Go is een agentplatform voor het bouwen van bedrijfskritieke workflows en zet verborgen context om in een georganiseerd geheugen dat agenten kunnen doorzoeken en op basis waarvan ze actie kunnen ondernemen.
V7 Go gebruikt GPT‑5.6 Luna om informatie uit miljoenen bestanden te halen en te ordenen in de Context Graph. Deze verbindt entiteiten, relaties en aangehaald bewijs en maakt MCP-zoekopdrachten en herhaalbare workflows van honderden stappen mogelijk. Voor workflows gebruikt V7 Go GPT‑5.6 Terra en Sol voor redenering en toolgebruik bij complexe instructies met meerdere stappen die mensen tientallen uren kosten. V7 begint GPT‑6 Astra ook te gebruiken voor de veeleisendste Context Graph-query's, waaronder financiële analyses van duizenden documenten.
Door context, modellen en tools te laten samenwerken, voltooien agenten volgens V7 workflows van 50 tot 100 stappen in enkele minuten, met een nauwkeurigheid van 99,9% en een controleerbaar spoor van elke genomen beslissing.
"Om moeilijke bedrijfstoepassingen in de financiële en verzekeringssector op te lossen, moet AI net zo goed leren hoe uw bedrijf werkt als het van het internet heeft geleerd."
De Context Graph lost een specifiek probleem op. Agenten moeten bij elk verzoek de context opnieuw achterhalen. Dat leidt tot tientallen zoekopdrachten die tijd en tokens kosten, terwijl belangrijke informatie in onderlinge verbanden vaak over het hoofd wordt gezien.
Wanneer gegevens binnenkomen, maakt V7 Go verbinding met opslagplaatsen zoals SharePoint en Google Drive. Het scant deze op entiteiten, relaties, feiten, kenmerken en meetwaarden en vult daarmee een graaf. Het doorlopen daarvan is een orde van grootte goedkoper en sneller dan bij benaderingen met een lange context.
De Context Graph biedt agenten een gestructureerd, actueel overzicht dat ze rechtstreeks kunnen bevragen. Wanneer een nieuw bestand binnenkomt, herkent V7 Go de bedrijven, fondsen, personen of andere entiteiten uit een ontologie. Vervolgens koppelt V7 Go elk feit aan een nieuw of bestaand record en bewaart het bijbehorende bewijs met een verwijzing naar de oorspronkelijke bron. Als de graaf onvoldoende informatie bevat, kan V7 Go de onderliggende documenten alsnog met RAG doorzoeken.
V7 heeft ook getest hoeveel invloed de structuur van die context heeft. Bij HERB, een benchmark voor het vinden en verbinden van informatie verspreid over bedrijfssystemen, presteerde het uitsluitend op retrieval gebaseerde systeem van V7 69% beter dan de officiële baseline en verminderde het hallucinaties bij onbeantwoordbare zoekvragen met 38%. V7 Go gebruikt die aan bronnen gekoppelde context om complexe workflows te baseren op de eigen informatie van elk bedrijf.
V7 Go gebruikt die geordende context in workflows zoals de screening van private-equitydeals en de acceptatie van verzekeringen. In de demo hieronder haalt een workflow informatie uit een dealdocument, een Confidential Information Memorandum (CIM). De workflow verwerkt belangrijke financiële cijfers, dealvoorwaarden en managementgegevens en vermeldt bronnen bij risicovelden, waarna V7 Go een screeningsnotitie opstelt.
Dankzij de Context Graph kan een model met de geschiedenis van een bedrijf werken zonder die telkens opnieuw te hoeven leren. Voor langdurig actieve agenten houdt V7 Go recente uitwisselingen in de actieve context van het model en slaat het ouder materiaal op in de graaf, zodat dit zo nodig kan worden opgehaald.
Die gedeelde context versnelt documentintensief werk bij klanten van V7 nu al:
Vermogensbeheerders kunnen deals 21 keer sneller screenen en brengen een proces van een hele dag terug tot slechts 15 minuten
Een team in de financiële dienstverlening verkortte de beoordelingstijd van meer dan 100 uur tot minder dan 10 uur en bespaarde per taak $ 12.000 aan kosten voor experts
Verzekeringsteams verminderden fouten bij de verwerking van claims met 13,5% ten opzichte van een handmatig proces, nadat hun agenten historische kennis hadden gekregen van alle eerdere claims en bestaande polissen
"Met GPT-5.6 Terra hebben we veel tussenstappen uit workflows kunnen verwijderen die voorheen alleen bestonden om de taak voor het model eenvoudiger te maken. Dit heeft ons dagen aan opleverwerk bespaard. Dankzij een sterker model en toegang tot meer context werkt een workflow bovendien vaak al bij de eerste versie goed."
Complexe workflows met meerdere stappen vereisen dat een model lange instructies betrouwbaar volgt, tools uitvoert, resultaten interpreteert en een lange reeks stappen doorloopt. Eén fout vroeg in het proces kan kostbare gevolgen hebben en het vertrouwen in AI-systemen schaden. V7 Go begeleidt modellen bij langdurige taken die deterministische code, overdrachten aan kleinere modellen, stappen voor het genereren van bestanden en integraties omvatten, met een controleerbaar spoor van elke uitvoering.
In door AI gegenereerde workflows koppelt V7 Go elke stap aan een snelle, gemiddelde of slimme categorie. GPT‑5.6 Luna verzorgt gestructureerde extractie en ander grootschalig werk, terwijl GPT‑5.6 Terra of Sol chat, het Go Agent-traject en stappen met meer redenering of toolgebruik aandrijven.
V7 test nieuwe modellen met een continu onderhouden benchmarkpakket voor nauwkeurigheid van bronvermeldingen, extractiekwaliteit bij honderden documenttypen, juistheid van antwoorden, opvolging van instructies, latentie, kosten en echte bedrijfsworkflows. OpenAI presteert beter dan de meeste modellen op de aspecten die V7 het belangrijkst vindt. OpenAI keurde en realiseerde de door V7 benodigde capaciteitsverhoging bovendien binnen enkele uren, tegenover enkele weken bij andere providers die V7 gebruikt.
"We kozen OpenAI als standaard omdat het het best presteert bij de meerstapsworkflows met tools waarop V7 Go steunt. In onze Context Graph-benchmark verlaagde GPT-5.6 Sol het foutenpercentage bij toolaanroepen van 2,7% met GPT-5.5 naar 0,2%."
In de nieuwste harness van V7 worden belangrijke workflows met meerdere externe aanroepen nu tot 50% sneller voltooid. V7 mat met GPT‑5.6 Luna nog een efficiëntiewinst: 78% lagere kosten per document dan met GPT‑5.4 mini. V7 verplaatste ook zijn documentintensieve V7 Go-workloads van de Chat Completions-API naar de Responses API. Uit tests bleek dat deze wijziging het tokengebruik bij sommige workflows met veel pdf's met ongeveer 5% verminderde en de betrouwbaarheid van caching verbeterde.
V7 testte GPT‑6 Astra ook met zijn moeilijkste zoekvragen. GPT‑5.6 Sol had bij veel bestaande benchmarks van V7 het plafond bereikt. Daarom stelde het bedrijf een uitdagendere reeks vragen samen waarvoor graafquery's nodig zijn, met rommeligere praktijkgegevens uit duizenden documenten. De dataset van de test omvat vier moeilijkheidsniveaus. Op het niveau "zeer moeilijk" behaalde GPT‑5.6 Sol volgens V7 een score van 78%, terwijl GPT‑6 Astra een nauwkeurigheid van 89% behaalde. Beide modellen scoorden bijna 100% op de niveaus eenvoudig, gemiddeld en moeilijk.
V7 Go stelt het doorzoeken en vullen van de Context Graph al beschikbaar via zijn MCP-server, zodat klanten deze vanuit ChatGPT en andere compatibele clients kunnen gebruiken. Ze kunnen via MCP ook V7 Go-workflows maken in Codex. Samen met een eenvoudiger workflowontwerp heeft dit de tijd om een middellange workflow te maken teruggebracht van ongeveer één uur tot circa 20 minuten.
Op langere termijn wil V7 dat gedeelde geheugen proactiever maken. Het team werkt aan workflows die worden gestart wanneer feiten in de Context Graph veranderen, inconsistenties signaleren en mensen laten zien welke analyses opnieuw moeten worden bekeken. Een herzien fondsrapport kan V7 Go er bijvoorbeeld toe aanzetten werk te markeren dat nog op de oude cijfers is gebaseerd.
"Ons doel is ondernemingen te helpen zich opnieuw toe te rusten voor het AI-tijdperk, met workflows die bedrijfskritieke taken oplossen en een geheugen dat beter presteert dan dat van ons mensen", zegt Rizzoli. "De financiële instellingen die echte waarde uit AI halen, zullen niet de instellingen met de meeste agenten zijn. Het zullen de instellingen met de beste context zijn."
