Como a V7 dá memória institucional aos agentes de IA

Os modelos atuais conseguem raciocinar sobre tarefas complexas, mas não compreendem automaticamente o contexto empresarial subjacente a essas tarefas. Qual é o relatório atual do fundo? Como é designada a mesma entidade em três sistemas diferentes?

Esse contexto encontra-se em documentos, salas de dados, folhas de cálculo, mensagens de correio eletrónico e ferramentas internas: disperso, por relacionar e invisível para os agentes. Para as equipas das áreas financeira, dos seguros e do imobiliário, a precisão da recuperação nos fluxos de trabalho é imprescindível.

Depois de criarem em conjunto uma aplicação de acessibilidade com visão computacional amplamente utilizada, Rizzoli e Edwardsson fundaram a V7⁠(abre numa nova janela) em 2018 para ajudar as empresas a ensinar aos sistemas de IA como funcionam os seus negócios. O V7 Go é uma plataforma agêntica para criar fluxos de trabalho essenciais e organizar contexto oculto numa memória que os agentes podem consultar e utilizar.

O V7 Go utiliza o GPT‑5.6 Luna para extrair informações de milhões de ficheiros e organizá-las no Grafo de Contexto, que liga entidades, relações e provas citadas, permitindo pesquisas MCP e fluxos de trabalho repetíveis que podem abranger centenas de etapas. Nos fluxos de trabalho, o V7 Go utiliza o GPT‑5.6 Terra e o Sol para raciocinar e utilizar ferramentas perante instruções complexas com várias etapas, cuja execução demoraria dezenas de horas a uma pessoa. A V7 também está a começar a utilizar o GPT‑6 Astra nas consultas mais exigentes ao Grafo de Contexto, incluindo análises financeiras de milhares de documentos.

Com o contexto, os modelos e as ferramentas a funcionar em conjunto, a V7 afirma que os agentes concluem em minutos fluxos de trabalho de 50 a 100 etapas, com 99,9% de precisão, mantendo um registo auditável de todas as decisões tomadas.

O Grafo de Contexto resolve um problema específico. Os agentes têm de redescobrir o contexto a cada pedido, o que leva a dezenas de pesquisas que consomem tempo e tokens e, muitas vezes, não encontram informações essenciais ocultas nas relações.

Quando os dados chegam, o V7 Go liga-se a repositórios como o SharePoint e o Google Drive, analisa-os em busca de entidades, relações, factos, atributos e métricas e preenche um grafo cuja consulta é dez vezes mais rápida e barata do que as abordagens de contexto extenso.

O Grafo de Contexto dá aos agentes um registo estruturado e atualizado que podem consultar diretamente. Quando chega um novo ficheiro, o V7 Go identifica as empresas, os fundos, as pessoas ou qualquer entidade de uma ontologia, associa cada facto a um registo novo ou existente e preserva as provas citadas com ligação à fonte original. Se o grafo não contiver informações suficientes, o V7 Go pode ainda pesquisar os documentos subjacentes através de RAG.

A V7 também testou até que ponto a estrutura desse contexto é importante. No HERB, uma referência para encontrar e relacionar informações dispersas 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 utiliza esse contexto ligado às fontes para manter os fluxos de trabalho complexos assentes nas informações de cada empresa.

O V7 Go utiliza esse contexto organizado em fluxos de trabalho como a avaliação de operações de capital privado e a subscrição de seguros. Na demonstração abaixo, um fluxo de trabalho extrai informações de um documento de operação chamado Memorando de Informação Confidencial (CIM), integra os principais dados financeiros, termos da operação e detalhes da gestão, e cita os campos de risco antes de o V7 Go produzir uma nota de avaliação.

O Grafo de Contexto permite que um modelo trabalhe com o historial de uma empresa sem ter de o reaprender de cada vez. Para agentes de longa duração, o V7 Go mantém as interações recentes no contexto ativo do modelo e guarda o material mais antigo no grafo, para ser recuperado quando necessário.

Este contexto partilhado já está a acelerar o trabalho com muitos documentos dos clientes da V7:

• Os gestores de ativos conseguem avaliar operações 21 vezes mais depressa, reduzindo um processo de um dia inteiro a apenas 15 minutos

• Uma equipa de serviços financeiros reduziu o tempo de análise de mais de 100 horas para menos de 10, poupando 12 000 dólares em custos de especialistas por tarefa

• As equipas de seguros reduziram os erros no processamento de sinistros em 13,5% face a uma referência manual, depois de darem aos seus agentes conhecimento histórico de todos os sinistros anteriores e apólices existentes

Os fluxos de trabalho complexos e com várias etapas dependem de um modelo que siga instruções extensas de forma fiável, execute ferramentas, interprete resultados e percorra uma longa sequência de etapas. Um único erro numa fase inicial pode ter consequências dispendiosas e abalar a confiança nos sistemas de IA. O V7 Go orienta modelos em tarefas prolongadas que abrangem código determinístico, transferências para modelos mais pequenos, etapas de geração de ficheiros e integrações, mantendo um registo auditável de cada execução.

Nos fluxos de trabalho gerados por IA, o V7 Go atribui cada etapa aos níveis rápido, intermédio e inteligente. O GPT‑5.6 Luna trata da extração estruturada e de outros trabalhos de grande volume, enquanto o GPT‑5.6 Terra ou Sol alimentam o chat, o percurso do Agente Go e as etapas que exigem mais raciocínio ou utilização de ferramentas.

A V7 testa novos modelos com um conjunto de referências continuamente atualizado que abrange a exatidão das citações, a qualidade da extração em centenas de tipos de documentos, a correção das respostas, o cumprimento de instruções, a latência, o 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 em poucas horas o aumento de capacidade de que a V7 necessitava, em comparação com as semanas exigidas por outros fornecedores utilizados pela V7.

No harness mais recente da V7, os principais fluxos de trabalho com várias chamadas externas terminam agora até 50% mais depressa. A V7 mediu outro ganho de eficiência com o GPT‑5.6 Luna: um custo por documento 78% inferior ao do GPT‑5.4 mini. A V7 também transferiu as cargas de trabalho do V7 Go com muitos documentos da API chat completions para a API Responses. Nos testes, a mudança reduziu a utilização de tokens em cerca de 5% em alguns fluxos de trabalho com muitos PDF e melhorou a fiabilidade da colocação em cache.

A V7 também testou o GPT‑6 Astra nas suas consultas mais difíceis. O GPT‑5.6 Sol já atingia o máximo em muitos dos testes de referência da V7, pelo que a empresa criou um conjunto mais exigente de perguntas sobre consultas a grafos, recorrendo a dados reais menos estruturados de milhares de documentos. O conjunto de dados do teste abrange quatro níveis de dificuldade. No nível muito difícil, a V7 indica que o GPT‑5.6 Sol obteve 78%, enquanto o GPT‑6 Astra alcançou uma precisão de 89%. Ambos os modelos obtiveram resultados próximos de 100% nos níveis fácil, intermédio e difícil.

O V7 Go já disponibiliza a consulta e a ingestão do Grafo de Contexto através do seu servidor MCP, para que os clientes possam utilizá-lo a partir do ChatGPT e de outros clientes compatíveis. Também podem criar fluxos de trabalho do V7 Go através de MCP no Codex. Em conjunto com uma conceção mais simples dos fluxos de trabalho, isto reduziu de cerca de uma hora para aproximadamente 20 minutos o tempo necessário para criar um fluxo de trabalho de extensão média.

O objetivo de longo prazo da V7 é tornar essa memória partilhada mais proativa. A equipa está a desenvolver fluxos de trabalho que arrancam quando os factos no Grafo de Contexto mudam, assinalam incoerências e mostram às pessoas que análises precisam de ser revistas. Por exemplo, a reformulação do relatório de um fundo pode levar o V7 Go a assinalar trabalhos que ainda dependem dos números antigos.

“O nosso objetivo é ajudar as empresas a reequiparem-se 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 tirarão verdadeiro partido da IA não serão as que tiverem mais agentes. Serão as que tiverem o melhor contexto.”