Як V7 надає ШІ-агентам інституційну пам’ять

Сучасні моделі здатні виконувати складні завдання завдяки міркуванням, але не розуміють автоматично бізнес-контекст, що лежить у їх основі. Який звіт фонду є актуальним? Як та сама сутність називається в трьох різних системах?

Цей контекст міститься в документах, кімнатах даних, електронних таблицях, листах і внутрішніх інструментах: він розпорошений, неузгоджений і невидимий для агентів. Для команд у фінансовій, страховій сферах і нерухомості точність пошуку в робочих процесах є обов’язковою.

Створивши разом популярний застосунок комп’ютерного зору для підвищення доступності, Ріццолі й Едвардссон у 2018 році заснували V7⁠(відкривається у новому вікні), щоб допомогти компаніям навчати системи ШІ розуміти роботу їхнього бізнесу. V7 Go — агентна платформа для створення критично важливих робочих процесів і впорядкування прихованого контексту в пам’ять, до якої агенти можуть звертатися та на основі якої можуть діяти.

V7 Go використовує GPT‑5.6 Luna, щоб вилучати інформацію з мільйонів файлів і впорядковувати її в Context Graph, який поєднує сутності, зв'язки та підтверджувальні докази з посиланнями на джерела. На ньому працюють пошук через MCP і повторювані робочі процеси, що можуть налічувати сотні кроків. У робочих процесах V7 Go залучає GPT‑5.6 Terra і Sol для міркування та роботи з інструментами в складних багатокрокових інструкціях, виконання яких забирає в людей десятки годин. Крім того, V7 починає застосовувати GPT‑6 Astra для найвимогливіших запитів до Context Graph, зокрема для фінансового аналізу тисяч документів.

За даними V7, завдяки спільній роботі контексту, моделей та інструментів агенти за лічені хвилини виконують робочі процеси з 50–100 етапів із точністю 99,9%, зберігаючи журнал кожного рішення для аудиту.

Context Graph розв'язує цілком конкретну проблему. Агентам доводиться заново відшукувати контекст за кожним запитом, що потребує десятків пошуків, коштує часу й токенів і нерідко призводить до пропуску важливих відомостей, прихованих у зв'язках.

Щойно надходять дані, V7 Go підключається до сховищ, як-от SharePoint і Google Drive, сканує їх на наявність сутностей, зв'язків, фактів, атрибутів і метрик та заповнює граф, який на порядок дешевший і швидший в обході, ніж підходи з довгим контекстом.

Context Graph надає агентам структурований актуальний запис, до якого можна звертатися напряму. Коли надходить новий файл, V7 Go визначає компанії, фонди, людей чи будь-які інші сутності з онтології, зіставляє кожен факт із новим або наявним записом і зберігає підтверджувальні докази з посиланням на першоджерело. Якщо в графі бракує інформації, V7 Go все одно може шукати в самих документах за допомогою RAG.

V7 також перевірила, наскільки важлива структура цього контексту. У HERB, тесті на пошук і поєднання інформації, розпорошеної корпоративними системами, система V7, що виконує лише пошук, на 69% випередила офіційний базовий результат і на 38% зменшила кількість галюцинацій у відповідях на запитання, відповіді на які неможливо знайти. Завдяки такому контексту з посиланнями на джерела V7 Go тримає складні процеси в межах власної інформації кожної компанії.

V7 Go використовує впорядкований контекст у таких процесах, як попередній відбір угод у приватному капіталі та андеррайтинг у страхуванні. У демонстрації нижче процес вилучає інформацію з документа угоди, так званого конфіденційного інформаційного меморандуму (CIM), передає ключові фінансові показники, умови угоди, відомості про керівництво та поля ризиків із цитуванням джерел, після чого V7 Go формує довідку за результатами відбору.

Context Graph дає моделі змогу працювати з історією фірми, не вивчаючи її щоразу заново. Для агентів, що працюють тривалий час, V7 Go зберігає останні обміни повідомленнями в активному контексті моделі, а старіші матеріали переносить у граф, звідки їх можна отримати, коли вони знадобляться.

Цей спільний контекст уже прискорює роботу з великими обсягами документів у клієнтів V7:

• керуючі активами відбирають угоди в 21 раз швидше, ніж раніше: процес, що займав цілий день, тепер триває лише 15 хвилин;

• команда фінансових послуг скоротила час перевірки з понад 100 годин до менш як 10, заощадивши 12 000 доларів США на витратах на експертів у розрахунку на одне завдання;

• страхові команди зменшили кількість помилок в обробці страхових випадків на 13,5 % порівняно з ручним базовим рівнем, надавши своїм агентам історичні знання про всі попередні випадки та чинні поліси.

Складні багатоетапні робочі процеси залежать від того, чи модель надійно виконує довгі інструкції, запускає інструменти, інтерпретує результати та проходить довгий ланцюжок кроків. Одна помилка на початку може обернутися дорогими наслідками й підірвати довіру до систем ШІ. V7 Go скеровує моделі під час довготривалих завдань, що охоплюють детермінований код, передавання роботи меншим моделям, кроки створення файлів та інтеграції, і зберігає для кожного запуску журнал, який можна перевірити.

У процесах, згенерованих ШІ, V7 Go розподіляє кроки за трьома рівнями: швидким, середнім і розумним. GPT‑5.6 Luna виконує структуроване вилучення даних та інші масові завдання, а GPT‑5.6 Terra або Sol забезпечують роботу чату, шлях Go Agent і кроки, що потребують глибшого міркування чи використання інструментів.

V7 перевіряє нові моделі на набору тестів, який постійно оновлюють. Він охоплює точність цитування, якість вилучення даних із сотень типів документів, правильність відповідей, дотримання інструкцій, затримку, вартість і реальні корпоративні процеси. За поведінкою, яка найважливіша для V7, OpenAI випереджає більшість моделей. Крім того, OpenAI схвалила й запровадила потрібне V7 збільшення потужностей за кілька годин, тоді як в інших провайдерів, з якими працює V7, на це йшли тижні.

У найновішій тестовій оснастці V7 ключові процеси з кількома зовнішніми викликами тепер завершуються до 50% швидше. Ще одне підвищення ефективності V7 зафіксувала з GPT‑5.6 Luna: вартість обробки одного документа на 78% нижча, ніж із GPT‑5.4 mini. Також V7 перевела свої навантаження V7 Go, що працюють з великими обсягами документів, з Chat Completions API на Responses API. За результатами тестування, така зміна зменшила використання токенів приблизно на 5% для частини процесів із великою кількістю PDF і зробила кешування надійнішим.

V7 також випробувала GPT‑6 Astra на найскладніших запитах. GPT‑5.6 Sol уже «вичерпала» багато наявних тестів V7, тому компанія створила складніший набір запитів до графа на основі менш упорядкованих реальних даних із тисяч документів. Набір даних має чотири рівні складності. За даними V7, на найвищому рівні GPT‑5.6 Sol набрала 78%, а GPT‑6 Astra — 89% точності. На легкому, середньому й високому рівнях обидві моделі показали результат, близький до 100%.

V7 Go уже надає запити до Context Graph та завантаження даних через свій MCP-сервер, тож клієнти можуть користуватися ними з ChatGPT та інших сумісних клієнтів. Вони також можуть створювати процеси V7 Go через MCP у Codex. Разом зі спрощенням проєктування процесів це скоротило час на створення процесу середньої довжини приблизно з години до 20 хвилин.

Довгострокова мета V7 — зробити цю спільну пам'ять проактивнішою. Команда працює над процесами, які запускатимуться, коли змінюються факти в Context Graph, позначатимуть суперечності та вказуватимуть людям, які аналізи потребують повторного перегляду. Наприклад, переглянутий звіт фонду міг би спонукати V7 Go позначити роботу, що досі спирається на старі цифри.

«Наша мета — допомогти підприємствам переоснаститися для епохи ШІ: із процесами, що розв'язують критично важливі завдання, і пам'яттю, яка перевершує людську, — каже Рицолі. — Фінансові фірми, які отримають від ШІ реальну користь, будуть не ті, що мають найбільше агентів, а ті, що мають найкращий контекст».