Så ger V7 AI-agenter ett institutionellt minne

Dagens modeller kan resonera sig igenom komplexa uppgifter, men de förstår inte automatiskt den bakomliggande verksamhetskontexten. Vilken fondrapport är aktuell? Vad kallas samma entitet i tre olika system?

Den kontexten finns i dokument, datarum, kalkylblad, e-post och interna verktyg – utspridd, obearbetad och osynlig för agenter. För team inom finans, försäkring och fastigheter är korrekt informationshämtning i arbetsflöden ett absolut krav.

Efter att tillsammans ha byggt en mycket använd app för tillgänglighet med datorseende grundade Rizzoli och Edwardsson V7⁠(öppnas i ett nytt fönster) 2018 för att hjälpa företag att lära AI-system hur deras verksamheter fungerar. V7 Go är en agentbaserad plattform för att bygga verksamhetskritiska arbetsflöden och organisera dold kontext till ett minne som agenter kan söka i och agera utifrån.

V7 Go använder GPT‑5.6 Luna för att hämta information från miljontals filer och organisera den i Context Graph, som kopplar samman entiteter, relationer och källbelägg och driver MCP-sökning och repeterbara arbetsflöden som kan omfatta hundratals steg. För arbetsflöden använder V7 Go GPT‑5.6 Terra och Sol för Resonemang och verktygsanvändning i komplexa instruktioner med många steg som tar människor tiotals timmar att slutföra. V7 börjar också använda GPT‑6 Astra för de mest krävande frågorna i Context Graph, däribland finansiella analyser av tusentals dokument.

När kontext, modeller och verktyg samverkar uppger V7 att agenter slutför arbetsflöden med 50–100 steg på några minuter, med 99,9 % träffsäkerhet och ett granskningsbart spår över varje beslut.

Context Graph löser ett specifikt problem. Agenter måste återskapa kontexten vid varje begäran, vilket leder till dussintals sökningar som kostar tid och Token och ofta missar viktig information som döljs i relationerna.

När data kommer in ansluter V7 Go till datakällor som SharePoint och Google Drive, söker igenom dem efter entiteter, relationer, fakta, attribut och mätvärden och fyller en graf som är mångdubbelt billigare och snabbare att söka igenom än metoder med lång kontext.

Context Graph ger agenter en strukturerad och aktuell informationskälla som de kan söka direkt i. När en ny fil kommer in identifierar V7 Go företag, fonder, personer eller andra entiteter i en ontologi, kopplar sedan varje faktauppgift till en ny eller befintlig post och bevarar källhänvisningar till originalkällan. Om grafen inte innehåller tillräckligt med information kan V7 Go fortfarande söka i de underliggande dokumenten med RAG.

V7 har också testat hur stor betydelse kontextens struktur har. På HERB, ett riktmärke för att hitta och koppla samman information från olika företagssystem, överträffade V7:s system med enbart informationshämtning den officiella baslinjen med 69 % och minskade hallucinationerna för frågor som inte gick att besvara med 38 %. V7 Go använder denna källkopplade kontext för att förankra komplexa arbetsflöden i varje företags egen information.

V7 Go använder den organiserade kontexten i arbetsflöden som granskning av riskkapitalaffärer och försäkringsbedömning. I demonstrationen nedan hämtar ett arbetsflöde information från ett affärsdokument som kallas Confidential Information Memorandum (CIM), för in viktiga finansiella uppgifter, affärsvillkor och ledningsinformation samt källhänvisar riskfält innan V7 Go skapar en granskningsanteckning.

Med Context Graph kan en Modell arbeta utifrån ett företags historik utan att behöva lära in den på nytt varje gång. För långvariga agenter behåller V7 Go de senaste utbytena i Modellens aktiva kontext och lagrar äldre material i grafen så att det kan hämtas vid behov.

Den gemensamma kontexten påskyndar redan dokumentintensivt arbete hos V7:s kunder:

• Kapitalförvaltare kan granska affärer 21 gånger snabbare än tidigare och korta en heldagsprocess till bara 15 minuter

• Ett team inom finansiella tjänster minskade granskningstiden från över 100 timmar till under 10 och sparade 12 000 dollar i expertkostnader per uppgift

• Försäkringsteam minskade felen i skadehanteringen med 13,5 % jämfört med en manuell baslinje efter att deras agenter fått historisk kunskap om alla tidigare skadeärenden och befintliga försäkringar

Komplexa arbetsflöden med många steg kräver en Modell som tillförlitligt följer långa instruktioner, kör verktyg, tolkar resultat och hanterar långa sekvenser av steg. Ett enda fel tidigt i processen kan få kostsamma följder och undergräva förtroendet för AI-system. V7 Go vägleder modeller genom långvariga uppgifter som omfattar deterministisk kod, överlämningar till mindre modeller, filgenerering och integrationer, med ett granskningsbart spår för varje körning.

I AI-genererade arbetsflöden kopplar V7 Go varje steg till en snabb, balanserad eller smart nivå. GPT‑5.6 Luna hanterar strukturerad extraktion och annat arbete med stora volymer, medan GPT‑5.6 Terra eller Sol driver chatt, Go Agent-flödet och steg som kräver mer Resonemang eller verktygsanvändning.

V7 testar nya modeller mot en kontinuerligt underhållen uppsättning riktmärken som omfattar korrekta källhänvisningar, extraktionskvalitet för hundratals dokumenttyper, korrekta svar, instruktionsföljning, svarstid, kostnad och verkliga arbetsflöden i företag. OpenAI överträffar de flesta modeller i de beteenden som är viktigast för V7. OpenAI godkände och genomförde dessutom V7:s kapacitetsökningar inom några timmar, jämfört med flera veckor hos andra leverantörer som V7 använder.

I V7:s senaste körmiljö slutförs viktiga arbetsflöden med flera externa anrop nu upp till 50 % snabbare. V7 uppmätte ytterligare en effektivitetsvinst med GPT‑5.6 Luna: 78 % lägre kostnad per dokument än med GPT‑5.4 mini. V7 flyttade också sina dokumentintensiva V7 Go-arbetsbelastningar från API för slutförda chattar. till Responses API. I V7:s tester minskade ändringen Token-användningen med cirka 5 % för vissa PDF-intensiva arbetsflöden och förbättrade cachningens tillförlitlighet.

V7 testade även GPT‑6 Astra på sina svåraste frågor. GPT‑5.6 Sol hade nått taket i många av V7:s befintliga riktmärken, så företaget skapade en mer utmanande uppsättning grafbaserade frågor med rörigare verkliga data från tusentals dokument. Testets data omfattar fyra svårighetsgrader. På den allra svåraste nivån uppger V7 att GPT‑5.6 Sol nådde 78 % och GPT‑6 Astra 89 % träffsäkerhet. Båda modellerna nådde nära 100 % på de enkla, medelsvåra och svåra nivåerna.

V7 Go gör redan sökning och inläsning i Context Graph tillgänglig via sin MCP-server, så att kunderna kan använda den från ChatGPT och andra kompatibla klienter. De kan också skapa V7 Go-arbetsflöden via MCP i Codex. Tillsammans med enklare utformning av arbetsflöden har detta minskat tiden för att skapa ett medellångt arbetsflöde från cirka en timme till omkring 20 minuter.

V7:s långsiktiga mål är att göra det gemensamma minnet mer proaktivt. Teamet arbetar mot arbetsflöden som startar när fakta i Context Graph ändras, uppmärksammar inkonsekvenser och visar vilka analyser som behöver granskas på nytt. En omarbetad fondrapport skulle exempelvis kunna få V7 Go att flagga arbete som fortfarande bygger på de gamla siffrorna.

”Vårt mål är att hjälpa företag att ställa om inför AI-eran, med arbetsflöden som löser verksamhetskritiska uppgifter och ett minne som överträffar vårt mänskliga minne”, säger Rizzoli. ”De finansföretag som får verkligt värde av AI kommer inte att vara de som har flest agenter. Det blir de som har bäst kontext.”