V7 busca dotar a los agentes de inteligencia artificial del contexto empresarial presente en los documentos y datos dispersos de las empresas financieras, de seguros e inmobiliarias. Fundada en 2018 por Rizzoli y Edwardsson, la plataforma V7 Go de la compañía reúne la información de millones de archivos en una estructura denominada Context Graph. Esta estructura conecta entidades, relaciones y evidencias de las fuentes, lo que permite a los agentes consultar la información directamente en lugar de buscarla de nuevo.
V7 Go utiliza GPT‑5.6 Luna para la extracción de información estructurada, y GPT‑5.6 Terra y Sol para instrucciones complejas, razonamiento y uso de herramientas. GPT-6 Astra también se está probando en las consultas más difíciles de Context Graph. La compañía señala que los agentes completan flujos de trabajo de 50–100 pasos en cuestión de minutos y mantienen un registro auditable de cada decisión. El sistema extrae empresas, fondos, personas, relaciones y métricas financieras de repositorios como SharePoint y Google Drive, y los vincula con las evidencias de los documentos fuente; si el grafo no contiene información suficiente, continúa buscando en los documentos mediante RAG.
En la prueba HERB de V7, el sistema basado únicamente en el acceso obtuvo resultados un 69% mejores que el modelo base oficial y redujo un 38% las alucinaciones en las preguntas que no podían responderse. Los efectos de Context Graph en los clientes empresariales se comunicaron de la siguiente manera:
- Los gestores de activos aceleraron 21x la revisión de acuerdos, reduciendo un proceso que duraba todo el día a 15 minutos.
- Un equipo de servicios financieros redujo el tiempo de revisión de más de 100 horas a menos de 10 horas y ahorró $12,000 en costes de especialistas por tarea.
- Los equipos de seguros redujeron un 13.5% los errores en la tramitación de siniestros frente a la base manual, después de poner a disposición de los agentes la información histórica sobre siniestros y pólizas.
Los flujos de trabajo de V7 Go gestionan conjuntamente el código, la transferencia a modelos más pequeños, la generación de archivos y las integraciones externas. Las pruebas de V7 abarcan la precisión de las citas, la extracción de documentos, la precisión de las respuestas, el seguimiento de instrucciones, la latencia y el coste. GPT-5,6 Luna redujo un 78 % el coste por documento frente a GPT-5,4 mini. La migración a Responses API redujo aproximadamente un 5 % el uso de tokens en algunos procesos centrados en PDF.
En las consultas gráficas más difíciles, GPT-5,6 Sol alcanzó una precisión del 78 %, mientras que GPT-6 Astra logró un 89 %; ambos modelos llegaron aproximadamente al 100 % en los niveles fácil, medio y difícil. La compatibilidad de V7 Go con MCP permite utilizar Context Graph y los flujos de trabajo desde ChatGPT, Codex y clientes compatibles; el tiempo de creación de flujos de trabajo de longitud media se redujo de aproximadamente una hora a 20 minutos. V7 también está desarrollando flujos de trabajo más proactivos, activados por cambios en el gráfico y capaces de señalar incoherencias.
Por qué es importante
Este avance busca convertir los agentes de inteligencia artificial de las empresas financieras, aseguradoras e inmobiliarias, que hasta ahora eran simples herramientas de búsqueda documental, en sistemas capaces de utilizar las relaciones y los fundamentos entre documentos. De este modo, podría cambiar la forma en que los expertos humanos acceden a la información, especialmente en procesos que requieren un uso intensivo de documentos, como la revisión de acuerdos, la evaluación financiera y la tramitación de siniestros. Los ejemplos de clientes de la empresa muestran que esto puede influir en los tiempos de procesamiento, los costes de especialistas y las tasas de error; sin embargo, estos resultados se basan en las propias declaraciones de V7. El rendimiento de GPT-6 Astra en las consultas más difíciles también debe evaluarse en este contexto, dentro de las condiciones de prueba de V7. La cuestión que sigue abierta es si el enfoque de Context Graph puede ofrecer los mismos resultados de precisión y coste con las estructuras documentales y los flujos de trabajo de distintas instituciones.
Término: agente
Un agente de inteligencia artificial es un software que, en lugar de generar una única respuesta, invoca herramientas y ejecuta tareas en varios pasos para alcanzar un objetivo.