A V7 V7 Go nevű platformja a vállalati fájlokat és adathalmazokat strukturált, lekérdezhető Context Graphgá alakítja, amelyet AI‑ügynökök közvetlenül használhatnak. A cél az, hogy a modellek ne mindig újra „fedezzék fel” a vállalati kontextust minden egyes kérésnél — például hogy melyik alapjelentés a legfrissebb, vagy hogyan neveznek egy entitást különböző rendszerekben.
Miért kellett ez a megoldás?
A vállalati kontextus gyakran dokumentumokban, adattermekben, táblázatokban, e‑mailekben és belső eszközökben szétszórva van. Ez pontatlan vagy hiányos visszakeresésekhez, többszörös lekérdezésekhez és hallucinációkhoz vezethet, különösen pénzügyi, biztosítási és ingatlanügyekben, ahol a visszakeresési pontosság kritikus.
Hogyan működik a Context Graph?
- V7 Go csatlakozik tárhelyekhez, például SharePointhoz és Google Drive‑hoz, feltérképezi a fájlokat, és entitásokat, kapcsolatokat, attribútumokat és metrikákat azonosít.
- Ezeket az információkat egy gráfba szervezi, amely közvetlenül lekérdezhető, és gyorsabban, olcsóbban bejárható, mint a hosszú kontextusú megközelítések.
- Minden tényt egy új vagy meglévő rekordhoz kapcsol, és megőrzi a hivatkozott bizonyítékot (az eredeti forrást). Ha a gráf nem tartalmaz elegendő adatot, V7 Go a hagyományos dokumentumkeresést (RAG) is használja.
Modellek és feladatköri szerepek
V7 több modellt kombinál a különböző feladatokra:
- GPT‑5.6 Luna végzi a nagy volumenű, strukturált kinyerést és a Context Graph feltöltését.
- GPT‑5.6 Terra és GPT‑5.6 Sol a Workflowsban a beszélgetésre, eszközhasználatra és összetett, több lépéses következtetésekre szolgál.
- A legösszetettebb Context Graph lekérdezéseknél V7 elkezdte használni GPT‑6 Astra modellt.
A cég szerint ezzel az összekapcsolt kontextussal és eszközökkel az ügynökök 50–100 lépéses munkafolyamatokat percek alatt lefuttatnak, 99,9% pontosság mellett, és minden döntésről auditálható nyomot vezetnek.
Teljesítmény, benchmarkok és teszteredmények
V7 saját mérései alapján a Context Graph jelentősen csökkenti a hibákat és a hallucinációkat:
- A HERB benchmarkon, amely vállalati rendszerek között szétszórt információ megtalálását és összekapcsolását méri, a V7 visszakeresés‑csak rendszere 69%-kal felülmúlta az hivatalos alapvonalat, és 38%-kal csökkentette a hallucinációkat a megválaszolhatatlan kérdések esetén.
A cég továbbá nehezebb, valós adatokból álló gráf‑lekérdezéses tesztet állított össze négy nehézségi szinten. A „very‑hard” (legnehezebb) szinten GPT‑5.6 Sol 78%-ot ért el, míg GPT‑6 Astra 89% pontosságot mutatott. Az easy, medium és hard szinteken mindkét modell közel 100%-os eredményt produkált.
Ügyfélsikerek és konkrét hatékonysági adatok
V7 által közölt ügyfél‑eredmények a Context Graph használatával:
- Eszközkezelők (asset managers) 21× gyorsabban képesek szűrni ügyleteket — egy korábban egész napos folyamat 15 percre rövidült.
- Egy pénzügyi szolgáltató csapata több mint 100 órás felülvizsgálati időt csökkent 10 óra alá, ami feladatonként 12 000 USD szakértői költségmegtakarítást jelentett.
- Biztosítási csapatok az ügyfélkárigény‑feldolgozás hibaarányát 13,5%-kal csökkentették a manuális baselinehoz képest, miután az ügynökök hozzáférést kaptak az összes korábbi kárügy és meglévő kötvények történetéhez.
Költség- és teljesítményoptimalizációk
- V7 mérési adatai szerint a GPT‑5.6 Luna használata 78%-kal alacsonyabb dokumentumonkénti költséget eredményezett a GPT‑5.4 minihez képest.
- Bizonyos PDF‑nehéz munkafolyamatoknál a Chat Completions API‑ról a Responses API‑ra történő átállás mintegy 5%-os tokenmegtakarítást és jobb cache‑megbízhatóságot hozott.
- Kulcsfontosságú munkafolyamatok, amelyek több külső hívást tartalmaztak, mostak akár 50%-kal gyorsabban fejeződnek be.
Munkafolyamatok kezelése és auditelhetőség
V7 Go lépésenként szabályozza, hogy mely lépések fussanak milyen „tiers” alatt (fast, medium, smart). A platform útmutatást ad a modelleknek hosszú lefolyású feladatok végrehajtásához, determinisztikus kódokhoz, kisebb modellekhez történő átadásokhoz, fájlgeneráláshoz és külső integrációkhoz, miközben minden futtatásról auditálható naplót vezet.
Integrációk és fejlesztési eszközök
A Context Graph és az ingestálás elérhető az MCP szerveren keresztül, így ügyfelek ChatGPT‑ből és más kompatibilis kliensből is használhatják. V7 Go munkafolyamatok MCP‑n keresztül Codexben is létrehozhatók. A könnyítésekkel egy közepes hosszúságú munkafolyamat létrehozása a korábbi körülbelül egy óráról mintegy 20 percre csökkent.
Továbbfejlesztési irányok
A V7 hosszabb távú célja, hogy a megosztott memóriát proaktívvá tegye: munkafolyamatok induljanak el automatikusan, amikor a Context Graph tényállásai megváltoznak, jelölve az inkonzisztenciákat, és felhívva a figyelmet újraellenőrzendő elemzésekre. Például egy átdolgozott alapjelentés (restated fund report) figyelmeztetést generálhat a még régi számokat használó munkákra.
Végszó – miért számít ez
„A célunk, hogy segítsük a vállalatokat az AI korára való átszervezésben: olyan munkafolyamatokkal, amelyek missziókritikus feladatokat oldanak meg, és olyan memóriával, amely jobban teljesít, mint mi emberek” — mondta Rizzoli. A V7 szerint a pénzügyi szervezetek számára az értéket nem a legtöbb ügynök fogja meghozni, hanem a legjobb kontextus.
