Cum le oferă V7 agenților AI memorie instituțională

Modelele actuale pot aplica raţionament pentru sarcini complexe, dar nu înțeleg automat contextul de afaceri care stă la baza acestora. Care raport al fondului este cel actual? Cum este denumită aceeași entitate în trei sisteme diferite?

Acest context se află în documente, camere de date, foi de calcul, e-mailuri și instrumente interne: este dispersat, necorelat și invizibil pentru agenți. Pentru echipele din domeniile financiar, al asigurărilor și imobiliar, acuratețea regăsirii informațiilor în fluxurile de lucru este indispensabilă.

După ce au creat împreună o aplicație de accesibilitate bazată pe viziune computerizată, folosită pe scară largă, Rizzoli și Edwardsson au fondat V7⁠(se deschide într-o fereastră nouă) în 2018, pentru a ajuta companiile să învețe sistemele AI cum funcționează afacerile lor. V7 Go este o platformă bazată pe agenți pentru crearea fluxurilor de lucru critice și organizarea contextului ascuns într-o memorie pe care agenții o pot interoga și folosi pentru a acționa.

V7 Go folosește GPT‑5.6 Luna pentru a extrage informații din milioane de fișiere și a le organiza în Graficul de context, care corelează entități, relații și dovezi citate, susținând căutarea MCP și fluxuri de lucru repetabile ce pot cuprinde sute de pași. Pentru fluxurile de lucru, V7 Go folosește GPT‑5.6 Terra și Sol pentru raţionament și utilizarea instrumentelor în cadrul unor instrucțiuni complexe, cu mai mulți pași, a căror finalizare le-ar lua oamenilor zeci de ore. V7 începe să folosească și GPT‑6 Astra pentru cele mai solicitante interogări ale Graficului de context, inclusiv pentru analize financiare care acoperă mii de documente.

V7 afirmă că, atunci când contextul, modelele și instrumentele funcționează împreună, agenții finalizează în câteva minute fluxuri de lucru cu 50–100 de pași, atingând o acuratețe de 99,9% și păstrând o evidență auditabilă a fiecărei decizii.

Graficul de context rezolvă o problemă concretă. Agenții trebuie să redescopere contextul la fiecare solicitare, ceea ce duce la zeci de căutări care consumă timp și tokeni și omit adesea informații esențiale ascunse în relațiile dintre date.

Când sosesc date noi, V7 Go se conectează la arhive precum SharePoint și Google Drive, le scanează pentru a identifica entități, relații, fapte, atribute și indicatori și populează un graf care poate fi parcurs de zece ori mai ieftin și mai rapid decât prin metodele bazate pe contexte ample.

Graficul de context le oferă agenților o evidență structurată și actualizată, pe care o pot interoga direct. Când sosește un fișier nou, V7 Go identifică firmele, fondurile, persoanele sau orice altă entitate dintr-o ontologie, apoi asociază fiecare fapt cu o înregistrare nouă sau existentă și păstrează dovezile citate cu trimitere la sursa originală. Dacă graful nu conține suficiente informații, V7 Go poate căuta în continuare în documentele de bază folosind RAG.

V7 a testat și cât de mult contează structura contextului respectiv. În HERB, un test de referință pentru găsirea și corelarea informațiilor distribuite în sistemele unei companii, sistemul V7 bazat exclusiv pe regăsirea datelor a depășit cu 69% nivelul de referință oficial și a redus cu 38% halucinațiile în cazul întrebărilor fără răspuns. V7 Go folosește acest context corelat cu sursele pentru a ancora fluxurile de lucru complexe în informațiile proprii ale fiecărei companii.

V7 Go folosește acest context organizat în fluxuri de lucru precum evaluarea tranzacțiilor de capital privat și subscrierea asigurărilor. În demonstrația de mai jos, un flux de lucru extrage informații dintr-un document de tranzacție numit Memorandum de informații confidențiale (CIM), preia datele financiare esențiale, termenii tranzacției și detaliile despre conducere și citează aspectele de risc, înainte ca V7 Go să genereze o notă de evaluare.

Graficul de context îi permite unui model să utilizeze istoricul unei firme fără a trebui să îl reînvețe de fiecare dată. Pentru agenții care rulează pe termen lung, V7 Go păstrează interacțiunile recente în contextul activ al modelului și stochează materialele mai vechi în graf, pentru a fi recuperate la nevoie.

Acest context comun accelerează deja activitățile cu volume mari de documente pentru clienții V7:

• Administratorii de active pot evalua tranzacțiile de 21 de ori mai repede, reducând la doar 15 minute un proces care dura o zi întreagă

• O echipă de servicii financiare a redus timpul de verificare de la peste 100 de ore la mai puțin de 10, economisind 12.000 USD din costurile cu experții pentru fiecare sarcină

• Echipele de asigurări au redus erorile de procesare a despăgubirilor cu 13,5% față de nivelul de referință manual, după ce le-au oferit agenților acces la istoricul tuturor cererilor anterioare și al polițelor existente

Fluxurile de lucru complexe, cu mai mulți pași, depind de capacitatea unui model de a urma în mod fiabil instrucțiuni ample, de a rula instrumente, de a interpreta rezultate și de a parcurge o serie lungă de pași. O singură eroare apărută într-o etapă inițială poate avea consecințe costisitoare și poate submina încrederea în sistemele AI. V7 Go ghidează modelele în sarcini de lungă durată care includ cod determinist, transferuri către modele mai mici, etape de generare a fișierelor și integrări, păstrând o evidență auditabilă a fiecărei rulări.

În fluxurile de lucru generate de AI, V7 Go atribuie fiecare pas unui nivel rapid, mediu sau inteligent. GPT‑5.6 Luna gestionează extragerea structurată și alte activități de volum mare, iar GPT‑5.6 Terra sau Sol susțin conversațiile, traseul Go Agent și pașii care necesită mai mult raţionament sau utilizarea instrumentelor.

V7 testează modelele noi folosind o suită de teste de referință actualizată continuu, care evaluează acuratețea citărilor, calitatea extragerii pentru sute de tipuri de documente, corectitudinea răspunsurilor, respectarea instrucțiunilor, latența, costurile și fluxurile de lucru reale ale companiilor. OpenAI depășește majoritatea modelelor în privința comportamentelor care contează cel mai mult pentru V7. De asemenea, OpenAI a aprobat și implementat în câteva ore creșterea de capacitate necesară companiei V7, față de câteva săptămâni în cazul altor furnizori utilizați de aceasta.

În cel mai recent cadru de testare al V7, fluxurile de lucru esențiale care implică mai multe apeluri externe se finalizează acum cu până la 50% mai repede. V7 a măsurat un alt câștig de eficiență cu GPT‑5.6 Luna: un cost per document cu 78% mai mic decât în cazul GPT‑5.4 mini. V7 și-a migrat și sarcinile V7 Go cu volume mari de documente de la API pentru completarea discuțiilor la API-ul Responses. În testele sale, schimbarea a redus utilizarea tokenilor cu aproximativ 5% pentru unele fluxuri de lucru cu multe fișiere PDF și a îmbunătățit fiabilitatea memorării în cache.

V7 a testat și GPT‑6 Astra pe cele mai dificile interogări ale sale. GPT‑5.6 Sol atinsese rezultate aproape maxime în multe dintre testele de referință existente ale V7, așa că firma a creat un set mai dificil de întrebări pentru interogarea grafului, folosind date reale mai dezordonate din mii de documente. Setul de date al testului cuprinde patru niveluri de dificultate. La nivelul foarte dificil, V7 raportează că GPT‑5.6 Sol a obținut 78%, iar GPT‑6 Astra a atins o acuratețe de 89%. Ambele modele au obținut rezultate apropiate de 100% la nivelurile ușor, mediu și dificil.

V7 Go oferă deja interogarea și ingestia datelor din Graficul de context prin serverul său MCP, astfel încât clienții să le poată folosi din ChatGPT și din alți clienți compatibili. De asemenea, clienții pot crea fluxuri de lucru V7 Go prin MCP în Codex. Împreună cu proiectarea mai simplă a fluxurilor de lucru, acest lucru a redus de la aproximativ o oră la circa 20 de minute timpul necesar pentru crearea unui flux de lungime medie.

Obiectivul pe termen lung al V7 este ca această memorie comună să devină mai proactivă. Echipa lucrează la fluxuri de lucru care pornesc atunci când se schimbă datele din Graficul de context, semnalează neconcordanțele și le arată oamenilor ce analize trebuie verificate din nou. De exemplu, un raport de fond revizuit ar putea determina V7 Go să semnaleze activitățile care încă se bazează pe cifrele vechi.

„Obiectivul nostru este să ajutăm companiile să se readapteze pentru era AI, prin fluxuri de lucru care rezolvă sarcini critice și o memorie care ne depășește pe noi, oamenii”, spune Rizzoli. „Companiile financiare care vor obține valoare reală din AI nu vor fi cele cu cei mai mulți agenți. Vor fi cele cu cel mai bun context.”