Como a V7 dá memória institucional a agentes de IA

Os modelos atuais conseguem raciocinar sobre tarefas complexas, mas não entendem automaticamente o contexto empresarial por trás delas. Qual relatório do fundo está atualizado? Como a mesma entidade é nomeada em três sistemas diferentes?

Esse contexto está em documentos, salas de dados, planilhas, e-mails e ferramentas internas: disperso, sem resolução e invisível para os agentes. Para equipes dos setores financeiro, de seguros e imobiliário, a precisão da recuperação de informações nos fluxos de trabalho é indispensável.

Depois de criarem juntos um aplicativo de acessibilidade por visão computacional amplamente utilizado, Rizzoli e Edwardsson fundaram a V7⁠(abre em uma nova janela) em 2018 para ajudar empresas a ensinar aos sistemas de IA como seus negócios funcionam. O V7 Go é uma plataforma com agentes de IA para criar fluxos de trabalho essenciais e organizar o contexto oculto em uma memória que os agentes podem consultar e usar para agir.

O V7 Go usa o GPT‑5.6 Luna para extrair informações de milhões de arquivos e organizá-las no Grafo de Contexto, que conecta entidades, relações e evidências citadas, viabilizando buscas via MCP e fluxos de trabalho repetíveis que podem abranger centenas de etapas. Nos fluxos de trabalho, o V7 Go usa o GPT‑5.6 Terra e o Sol para raciocínio e uso de ferramentas em instruções complexas com várias etapas, que levariam dezenas de horas para uma pessoa concluir. A V7 também está começando a usar o GPT‑6 Astra nas consultas mais exigentes do Grafo de Contexto, incluindo análises financeiras de milhares de documentos.

Com contexto, modelos e ferramentas trabalhando em conjunto, a V7 afirma que os agentes concluem fluxos de trabalho de 50 a 100 etapas em minutos, atingem 99,9% de precisão e mantêm um registro auditável de cada decisão tomada.

O Grafo de Contexto resolve um problema específico. Os agentes precisam redescobrir o contexto a cada solicitação, o que exige dezenas de buscas, consome tempo e tokens e muitas vezes deixa de encontrar informações importantes ocultas nas relações.

Quando os dados chegam, o V7 Go se conecta a repositórios como SharePoint e Google Drive, procura entidades, relações, fatos, atributos e métricas e preenche um grafo que custa uma ordem de magnitude menos e é uma ordem de magnitude mais rápido de percorrer do que abordagens de contexto extenso.

O Grafo de Contexto oferece aos agentes um registro estruturado e atualizado que eles podem consultar diretamente. Quando chega um novo arquivo, o V7 Go identifica empresas, fundos, pessoas ou qualquer entidade de uma ontologia, conecta cada fato a um registro novo ou existente e preserva as evidências citadas com referência à fonte original. Se o grafo não tiver informações suficientes, o V7 Go ainda poderá pesquisar os documentos subjacentes com RAG.

A V7 também testou a importância da estrutura desse contexto. No HERB, um benchmark para encontrar e conectar informações distribuídas por sistemas empresariais, o sistema da V7 baseado apenas em recuperação superou a referência oficial em 69% e reduziu em 38% as alucinações em consultas sem resposta possível. O V7 Go usa esse contexto vinculado às fontes para manter fluxos de trabalho complexos fundamentados nas informações de cada empresa.

O V7 Go usa esse contexto organizado em fluxos de trabalho como triagem de negócios de private equity e subscrição de seguros. Na demonstração abaixo, um fluxo de trabalho extrai informações de um documento de negociação chamado Memorando de Informações Confidenciais (CIM), reúne os principais dados financeiros, termos do negócio e detalhes da administração e cita os campos de risco antes de o V7 Go produzir uma nota de triagem.

O Grafo de Contexto permite que um modelo trabalhe com o histórico de uma empresa sem precisar reaprendê-lo a cada vez. Para agentes de longa duração, o V7 Go mantém as interações recentes no contexto ativo do modelo e armazena o material mais antigo no grafo para recuperá-lo quando necessário.

Esse contexto compartilhado já está acelerando o trabalho com muitos documentos entre os clientes da V7:

• Gestoras de ativos conseguem fazer a triagem de negócios 21 vezes mais rápido, reduzindo um processo de um dia inteiro para apenas 15 minutos

• Uma equipe de serviços financeiros reduziu o tempo de revisão de mais de 100 horas para menos de 10, economizando US$ 12 mil em custos com especialistas por tarefa

• Equipes de seguros reduziram em 13,5% os erros no processamento de sinistros em comparação com um processo manual, depois de conceder aos agentes conhecimento histórico de todos os sinistros anteriores e das apólices existentes

Fluxos de trabalho complexos e com várias etapas dependem de um modelo que siga instruções extensas com consistência, execute ferramentas, interprete resultados e percorra uma longa sequência de etapas. Um único erro nas etapas iniciais pode gerar consequências caras e abalar a confiança nos sistemas de IA. O V7 Go orienta modelos em tarefas de longo prazo que abrangem código determinístico, transferências para modelos menores, etapas de geração de arquivos e integrações, com um registro auditável de cada execução.

Nos fluxos de trabalho gerados por IA, o V7 Go atribui cada etapa às categorias rápida, média e inteligente. O GPT‑5.6 Luna cuida da extração estruturada e de outros trabalhos de alto volume, enquanto o GPT‑5.6 Terra ou Sol executa o chat, o percurso do agente Go e as etapas que exigem mais raciocínio ou uso de ferramentas.

A V7 testa novos modelos em um conjunto de benchmarks atualizado continuamente, que abrange precisão das citações, qualidade da extração em centenas de tipos de documentos, correção das respostas, cumprimento de instruções, latência, custo e fluxos de trabalho empresariais reais. A OpenAI supera a maioria dos modelos nos comportamentos que mais importam para a V7. A OpenAI também aprovou e implementou os aumentos de capacidade necessários para a V7 em poucas horas, em comparação com as semanas exigidas por outros provedores usados pela empresa.

No harness mais recente da V7, fluxos de trabalho importantes com várias chamadas externas agora terminam até 50% mais rápido. A V7 mediu outro ganho de eficiência com o GPT‑5.6 Luna: custo por documento 78% menor do que com o GPT‑5.4 mini. A V7 também migrou as cargas de trabalho do V7 Go com uso intensivo de documentos da API chat completions para a API Responses. Nos testes, a mudança reduziu em cerca de 5% o uso de tokens em alguns fluxos de trabalho com muitos PDFs e aumentou a confiabilidade do cache.

A V7 também testou o GPT‑6 Astra em suas consultas mais difíceis. O GPT‑5.6 Sol havia atingido o limite de muitos benchmarks existentes da V7. Por isso, a empresa criou um conjunto mais desafiador de perguntas de consulta em grafo, usando dados reais mais desorganizados, distribuídos por milhares de documentos. O conjunto de dados do teste abrange quatro níveis de dificuldade. No nível muito difícil, a V7 informa que o GPT‑5.6 Sol alcançou 78%, enquanto o GPT‑6 Astra obteve 89% de precisão. Ambos os modelos alcançaram quase 100% nos níveis fácil, médio e difícil.

O V7 Go já disponibiliza consultas e ingestão no Grafo de Contexto por meio de seu servidor MCP, permitindo que os clientes o usem no ChatGPT e em outros clientes compatíveis. Eles também podem criar fluxos de trabalho do V7 Go por meio do MCP no Codex. Combinado a um design de fluxo de trabalho mais simples, isso reduziu de cerca de uma hora para aproximadamente 20 minutos o tempo necessário para criar um fluxo de trabalho de extensão média.

O objetivo da V7 no longo prazo é tornar essa memória compartilhada mais proativa. A equipe está desenvolvendo fluxos de trabalho que começam quando os fatos no Grafo de Contexto mudam, sinalizam inconsistências e mostram às pessoas quais análises precisam ser revistas. Por exemplo, a republicação do relatório de um fundo poderia levar o V7 Go a sinalizar trabalhos que ainda dependem dos números antigos.

"Nosso objetivo é ajudar as empresas a se reequiparem para a era da IA, com fluxos de trabalho que resolvam tarefas essenciais e uma memória que supere a dos seres humanos", afirma Rizzoli. "As empresas financeiras que extraírem valor real da IA não serão aquelas com mais agentes. Serão aquelas com o melhor contexto."