V7 ช่วยให้เอเจนต์ AI จดจำองค์ความรู้ขององค์กรได้อย่างไร

โมเดลในปัจจุบันสามารถให้เหตุผลเพื่อจัดการงานที่ซับซ้อนได้ แต่ไม่ได้เข้าใจบริบททางธุรกิจที่อยู่เบื้องหลังงานเหล่านั้นโดยอัตโนมัติ เช่น รายงานกองทุนฉบับใดเป็นฉบับปัจจุบัน หรือบริษัท กองทุน หรือบุคคลเดียวกันถูกเรียกชื่อแตกต่างกันอย่างไรในระบบทั้งสาม

บริบทเหล่านี้กระจายอยู่ในเอกสาร ห้องข้อมูล สเปรดชีต อีเมล และเครื่องมือภายในองค์กร โดยข้อมูลยังแยกกันอยู่ ไม่ได้เชื่อมโยงว่าอะไรหมายถึงสิ่งเดียวกัน ทำให้เอเจนต์ไม่สามารถนำข้อมูลเหล่านี้มาใช้ได้ สำหรับทีมในภาคการเงิน ประกันภัย และอสังหาริมทรัพย์ เวิร์กโฟลว์จำเป็นต้องค้นคืนข้อมูลได้อย่างแม่นยำ

หลังจาก Rizzoli และ Edwardsson ร่วมกันสร้างแอปช่วยการเข้าถึงที่ใช้คอมพิวเตอร์วิทัศน์จนมีผู้ใช้งานอย่างแพร่หลาย ทั้งคู่ได้ก่อตั้ง V7⁠(เปิดในหน้าต่างใหม่) ในปี 2561 เพื่อช่วยให้บริษัทต่างๆ สอนระบบ AI ให้เข้าใจวิธีดำเนินงานของธุรกิจ V7 Go คือแพลตฟอร์มเอเจนต์สำหรับสร้างเวิร์กโฟลว์ที่สำคัญต่อธุรกิจ พร้อมรวบรวมและจัดระเบียบบริบทที่ซ่อนอยู่ตามข้อมูลต่างๆ ให้ระบบจดจำ เพื่อให้เอเจนต์สามารถสืบค้นและนำข้อมูลไปใช้ในการทำงานได้

V7 Go ใช้ GPT‑5.6 Luna เพื่อดึงข้อมูลจากไฟล์หลายล้านไฟล์และจัดระเบียบไว้ใน Context Graph ซึ่งเชื่อมโยงบุคคล องค์กร และสิ่งต่างๆ ที่กล่าวถึงในข้อมูลเข้ากับความสัมพันธ์และหลักฐานอ้างอิงที่เกี่ยวข้อง เพื่อรองรับการค้นหาผ่าน MCP และเวิร์กโฟลว์ที่ทำซ้ำได้ซึ่งอาจมีขั้นตอนต่อเนื่องกันหลายร้อยขั้นตอน สำหรับ Workflows นั้น V7 Go ใช้ GPT‑5.6 Terra และ Sol ในการให้เหตุผลและใช้เครื่องมือตามคำสั่งที่ซับซ้อนและมีหลายขั้นตอน ซึ่งหากมนุษย์เป็นผู้ดำเนินการอาจต้องใช้เวลาหลายสิบชั่วโมง นอกจากนี้ V7 ยังเริ่มนำ GPT‑6 Astra มาใช้กับการสืบค้น Context Graph ที่ซับซ้อนและต้องใช้ความสามารถสูงที่สุด รวมถึงการวิเคราะห์ทางการเงินจากเอกสารหลายพันฉบับ

V7 ระบุว่า เมื่อบริบท โมเดล และเครื่องมือทำงานร่วมกัน เอเจนต์จะทำเวิร์กโฟลว์ 50–100 ขั้นตอนให้เสร็จภายในไม่กี่นาทีด้วยความแม่นยำ 99.9% พร้อมเก็บหลักฐานการตัดสินใจทุกครั้งที่ตรวจสอบย้อนหลังได้

Context Graph ออกแบบมาเพื่อแก้ปัญหาเฉพาะอย่างหนึ่ง โดยปกติแล้วเอเจนต์ต้องค้นหาบริบทขึ้นมาใหม่ในทุกคำขอ จึงอาจต้องสืบค้นหลายสิบครั้ง ซึ่งสิ้นเปลืองทั้งเวลาและโทเค็น อีกทั้งยังมักพลาดข้อมูลสำคัญที่แฝงอยู่ในความเชื่อมโยงระหว่างข้อมูล

เมื่อได้รับข้อมูล V7 Go จะเชื่อมต่อกับแหล่งจัดเก็บข้อมูลอย่าง SharePoint และ Google Drive จากนั้นสแกนเพื่อระบุสิ่งต่างๆ ที่กล่าวถึงในข้อมูล รวมถึงความสัมพันธ์ ข้อเท็จจริง คุณลักษณะ และตัวชี้วัด แล้วนำข้อมูลเหล่านี้ไปสร้างเป็นกราฟ ซึ่งช่วยให้การสืบค้นตามความสัมพันธ์ทำได้รวดเร็วขึ้นและมีต้นทุนต่ำลงประมาณหนึ่งลำดับขั้น เมื่อเทียบกับวิธีที่ใช้บริบทยาว

Context Graph ช่วยให้เอเจนต์มีข้อมูลที่จัดไว้อย่างเป็นระบบและเป็นปัจจุบัน ซึ่งสามารถสืบค้นได้โดยตรง เมื่อมีไฟล์ใหม่เข้ามา V7 Go จะระบุบริษัท กองทุน บุคคล หรือสิ่งอื่นๆ ที่กำหนดไว้ในโครงสร้างข้อมูล จากนั้นเชื่อมโยงข้อเท็จจริงแต่ละรายการเข้ากับข้อมูลรายการใหม่หรือที่มีอยู่แล้ว พร้อมเก็บหลักฐานอ้างอิงที่เชื่อมกลับไปยังแหล่งข้อมูลต้นฉบับ หากข้อมูลในกราฟยังไม่เพียงพอ V7 Go ก็ยังสามารถใช้ RAG ค้นหาเอกสารต้นฉบับที่เป็นแหล่งข้อมูลได้

V7 ยังได้ทดสอบด้วยว่าโครงสร้างของบริบทมีความสำคัญมากเพียงใด ใน HERB ซึ่งเป็นเกณฑ์มาตรฐานสำหรับการค้นหาและเชื่อมโยงข้อมูลที่กระจายอยู่ในระบบต่างๆ ขององค์กร ระบบของ V7 ที่ใช้เฉพาะการค้นคืนข้อมูลทำผลงานได้ดีกว่าเกณฑ์อ้างอิงอย่างเป็นทางการ 69% และลดการสร้างข้อมูลที่ไม่เป็นจริงสำหรับคำสั่งสืบค้นที่ไม่มีข้อมูลเพียงพอให้ตอบได้ลง 38% V7 Go ใช้บริบทที่เชื่อมโยงกลับไปยังแหล่งข้อมูลนี้ เพื่อให้เวิร์กโฟลว์ที่ซับซ้อนยึดโยงกับข้อมูลของแต่ละบริษัทเอง

V7 Go นำบริบทที่จัดไว้อย่างเป็นระบบนี้มาใช้ในเวิร์กโฟลว์ต่าง ๆ เช่น การคัดกรองดีลของบริษัทไพรเวทอิควิตี้และการพิจารณารับประกันภัย ในตัวอย่างด้านล่าง เวิร์กโฟลว์จะดึงข้อมูลจากเอกสารประกอบดีลที่เรียกว่า Confidential Information Memorandum (CIM) จากนั้นรวบรวมข้อมูลทางการเงินที่สำคัญ เงื่อนไขของดีล และรายละเอียดเกี่ยวกับฝ่ายบริหาร พร้อมระบุแหล่งอ้างอิงสำหรับข้อมูลด้านความเสี่ยง ก่อนที่ V7 Go จะจัดทำบันทึกสรุปผลการคัดกรอง

Context Graph ทำให้โมเดลสามารถทำงานโดยอาศัยข้อมูลที่บริษัทสั่งสมมาได้ โดยไม่ต้องทำความเข้าใจข้อมูลเดิมใหม่ทุกครั้ง สำหรับเอเจนต์ที่ทำงานต่อเนื่องในระยะยาว V7 Go จะเก็บการโต้ตอบล่าสุดไว้ในบริบทที่โมเดลใช้งานอยู่ และเก็บข้อมูลก่อนหน้านั้นไว้ในกราฟเพื่อดึงกลับมาใช้เมื่อต้องการ

บริบทร่วมนี้กำลังช่วยเร่งงานที่ใช้เอกสารจำนวนมากให้ลูกค้าของ V7 แล้ว ดังนี้

• ผู้จัดการสินทรัพย์คัดกรองดีลได้เร็วขึ้น 21 เท่า ลดกระบวนการที่เคยใช้เวลาทั้งวันเหลือเพียง 15 นาที

• ทีมบริการทางการเงินลดเวลาตรวจสอบจากกว่า 100 ชั่วโมงเหลือต่ำกว่า 10 ชั่วโมง ประหยัดค่าผู้เชี่ยวชาญได้ 12,000 ดอลลาร์สหรัฐต่องาน

• ทีมประกันภัยลดข้อผิดพลาดในการประมวลผลสินไหมได้ 13.5% เมื่อเทียบกับวิธีดำเนินการด้วยตนเอง หลังจากให้เอเจนต์เข้าถึงประวัติสินไหมทั้งหมดและกรมธรรม์ที่มีอยู่

เวิร์กโฟลว์ที่ซับซ้อนและมีหลายขั้นตอนต้องอาศัยโมเดลที่สามารถทำตามคำสั่งที่มีรายละเอียดมากได้อย่างน่าเชื่อถือ เรียกใช้เครื่องมือ ตีความผลลัพธ์ และดำเนินงานต่อเนื่องผ่านขั้นตอนจำนวนมากได้อย่างถูกต้อง ความผิดพลาดเพียงครั้งเดียวในขั้นตอนต้นทางอาจนำไปสู่ความเสียหายที่มีค่าใช้จ่ายสูงและบั่นทอนความไว้วางใจที่มีต่อระบบ AI V7 Go ช่วยกำกับโมเดลให้ทำงานที่ต้องดำเนินต่อเนื่องเป็นเวลานานได้ตลอดกระบวนการ ตั้งแต่การใช้โค้ดที่ให้ผลลัพธ์แน่นอน การส่งต่องานให้โมเดลขนาดเล็กกว่า ขั้นตอนการสร้างไฟล์ ไปจนถึงการทำงานร่วมกับระบบอื่น พร้อมบันทึกร่องรอยการทำงานทุกครั้งที่สามารถตรวจสอบย้อนหลังได้

ในเวิร์กโฟลว์ที่ AI สร้างขึ้น V7 Go จะกำหนดแต่ละขั้นตอนให้ใช้โมเดลในระดับ fast, medium หรือ smart โดย GPT‑5.6 Luna จะรับหน้าที่ดึงข้อมูลแบบมีโครงสร้างและงานอื่นๆ ที่ต้องประมวลผลในปริมาณมาก ส่วน GPT‑5.6 Terra หรือ Sol จะขับเคลื่อนการแชต เส้นทาง Go Agent และขั้นตอนที่ต้องใช้การให้เหตุผลหรือเครื่องมือมากขึ้น

V7 ประเมินโมเดลใหม่ด้วยชุดเกณฑ์มาตรฐานที่มีการดูแลและอัปเดตอย่างต่อเนื่อง โดยวัดทั้งความแม่นยำของการอ้างอิง คุณภาพของการดึงข้อมูลจากเอกสารหลายร้อยประเภท ความถูกต้องของคำตอบ ความสามารถในการทำตามคำสั่ง เวลาในการตอบสนอง ต้นทุน และเวิร์กโฟลว์ระดับองค์กรจากการใช้งานจริง OpenAI มีประสิทธิภาพเหนือกว่าโมเดลส่วนใหญ่ในด้านที่ V7 ให้ความสำคัญสูงสุด อีกทั้งยังอนุมัติและรองรับความต้องการเพิ่มขีดความสามารถของ V7 ได้ภายในเวลาไม่กี่ชั่วโมง ขณะที่ผู้ให้บริการรายอื่นที่ V7 ใช้ต้องใช้เวลาหลายสัปดาห์

ในระบบล่าสุดของ V7 เวิร์กโฟลว์หลักที่ต้องเรียกใช้บริการภายนอกหลายครั้งสามารถทำงานเสร็จเร็วขึ้นสูงสุด 50% นอกจากนี้ V7 ยังพบประสิทธิภาพที่ดีขึ้นอีกด้านเมื่อใช้ GPT‑5.6 Luna โดยมีต้นทุนต่อเอกสารต่ำกว่า GPT‑5.4 mini ถึง 78% นอกจากนี้ V7 ยังย้ายเวิร์กโหลด V7 Go ที่เน้นการประมวลผลเอกสารจาก Chat Completions API มาใช้ Responses API ซึ่งจากการทดสอบพบว่าช่วยลดการใช้โทเค็นลงประมาณ 5% ในเวิร์กโฟลว์บางประเภทที่ใช้ PDF จำนวนมาก และทำให้การแคชมีความน่าเชื่อถือมากขึ้น

V7 ยังนำ GPT‑6 Astra มาทดสอบกับคำสั่งสืบค้นที่ยากที่สุดของบริษัทด้วย เนื่องจาก GPT‑5.6 Sol ทำคะแนนในเกณฑ์มาตรฐานเดิมของ V7 หลายรายการได้สูงจนแทบไม่สามารถใช้แยกความแตกต่างด้านประสิทธิภาพได้อีก บริษัทจึงสร้างชุดคำถามสำหรับการสืบค้นกราฟที่ท้าทายยิ่งขึ้น โดยใช้ข้อมูลจากการใช้งานจริงที่มีความซับซ้อนและไม่เป็นระเบียบมากกว่าเดิม ครอบคลุมเอกสารหลายพันฉบับ ชุดข้อมูลสำหรับการทดสอบแบ่งออกเป็น 4 ระดับความยาก ในระดับยากมาก V7 รายงานว่า GPT‑5.6 Sol ทำคะแนนได้ 78% ขณะที่ GPT‑6 Astra มีความแม่นยำ 89% ส่วนในระดับง่าย ปานกลาง และยาก ทั้งสองโมเดลทำคะแนนได้เกือบ 100%

V7 Go เปิดให้สืบค้นและนำข้อมูลเข้าสู่ Context Graph ผ่านเซิร์ฟเวอร์ MCP ได้แล้ว ลูกค้าจึงสามารถใช้งานความสามารถเหล่านี้จาก ChatGPT และไคลเอนต์อื่นๆ ที่รองรับได้ นอกจากนี้ ลูกค้ายังสามารถสร้างเวิร์กโฟลว์ V7 Go ผ่าน MCP ใน Codex ได้อีกด้วย เมื่อผสานความสามารถเหล่านี้เข้ากับการออกแบบเวิร์กโฟลว์ที่เรียบง่ายขึ้น ระยะเวลาที่ใช้สร้างเวิร์กโฟลว์ขนาดปานกลางจึงลดลงจากประมาณ 1 ชั่วโมงเหลือราว 20 นาที

เป้าหมายระยะยาวของ V7 คือทำให้ข้อมูลที่ระบบจดจำและใช้ร่วมกันนี้สามารถนำมาใช้เชิงรุกได้มากขึ้น ทีมกำลังพัฒนาเวิร์กโฟลว์ที่เริ่มทำงานเมื่อข้อเท็จจริงใน Context Graph มีการเปลี่ยนแปลง ตรวจจับข้อมูลที่ไม่สอดคล้องกัน และแจ้งให้ผู้ใช้ทราบว่าการวิเคราะห์ใดควรนำกลับมาตรวจสอบอีกครั้ง ตัวอย่างเช่น หากมีการแก้ไขและออกงบรายงานของกองทุนใหม่ V7 Go ก็สามารถแจ้งเตือนว่างานใดยังคงอ้างอิงตัวเลขเดิมอยู่

“เป้าหมายของเราคือช่วยให้องค์กรปรับวิธีการทำงานให้พร้อมสำหรับยุค AI ด้วยเวิร์กโฟลว์ที่สามารถจัดการงานสำคัญต่อการดำเนินธุรกิจ และระบบจดจำข้อมูลที่ทำได้ดีกว่ามนุษย์อย่างเรา” Rizzoli กล่าว “บริษัทการเงินที่จะได้รับคุณค่าจาก AI อย่างแท้จริงไม่ใช่บริษัทที่มีเอเจนต์มากที่สุด แต่เป็นบริษัทที่มีบริบทที่ดีที่สุด”