V7 vise à apporter aux agents d’intelligence artificielle le contexte métier contenu dans les documents et données dispersés des entreprises de la finance, de l’assurance et de l’immobilier. Fondée en 2018 par Rizzoli et Edwardsson, l’entreprise rassemble les informations issues de millions de fichiers au sein d’une structure appelée Context Graph via sa plateforme V7 Go. Cette structure relie les entités, les relations et les éléments de preuve issus des sources, permettant ainsi aux agents d’interroger directement les informations au lieu de les rechercher à nouveau.
V7 Go utilise GPT‑5.6 Luna pour l’extraction d’informations structurées, et GPT‑5.6 Terra et Sol pour les instructions complexes, le raisonnement et l’utilisation d’outils. GPT-6 Astra est également testé pour les requêtes les plus complexes dans Context Graph. L’entreprise indique que ses agents accomplissent des flux de travail de 50–100 étapes en quelques minutes et conservent un enregistrement vérifiable pour chaque décision. Le système extrait des entreprises, des fonds, des personnes, des relations et des indicateurs financiers depuis des référentiels tels que SharePoint et Google Drive, puis les met en correspondance avec les éléments de preuve présents dans les documents sources ; si le graphe ne contient pas suffisamment d’informations, il continue à rechercher dans les documents au moyen de RAG.
Lors du test HERB de V7, le système fondé uniquement sur l’accès a obtenu des résultats 69 % supérieurs à ceux du modèle de base officiel et a réduit de 38 % les hallucinations dans les questions auxquelles il ne pouvait pas répondre. Les effets de Context Graph chez les clients entreprises sont rapportés comme suit :
- Les gestionnaires d’actifs ont accéléré l’examen des transactions de 21x, ramenant un processus d’une journée entière à 15 minutes.
- Une équipe de services financiers a réduit la durée des examens de plus de 100 heures à moins de 10 heures et économisé $12 000 sur le coût des experts par tâche.
- Après avoir rendu accessibles aux agents les informations sur les sinistres et les polices passés, les équipes d’assurance ont réduit de 13,5 % les erreurs de traitement des sinistres par rapport à la référence manuelle.
Les flux de travail de V7 Go gèrent conjointement le code, le transfert de tâches à des modèles plus petits, la génération de fichiers et les intégrations externes. Les tests de V7 couvrent la précision des citations, l’extraction de documents, la précision des réponses, le respect des instructions, la latence et le coût. GPT‑5.6 Luna a réduit de 78 % le coût par document par rapport à GPT‑5.4 mini. Le passage à Responses API a diminué d’environ 5 % l’utilisation des tokens dans certains processus principalement fondés sur des PDF.
Dans les requêtes graphiques les plus difficiles, GPT‑5.6 Sol a atteint une précision de 78 %, tandis que GPT‑6 Astra a atteint 89 % ; les deux modèles ont atteint environ 100 % dans les niveaux facile, intermédiaire et difficile. La prise en charge de MCP par V7 Go permet d’utiliser Context Graph et les flux de travail depuis ChatGPT, Codex et des clients compatibles ; le temps de création d’un flux de travail de longueur intermédiaire est passé d’environ une heure à 20 minutes. V7 développe également des flux de travail plus proactifs, déclenchés par les changements dans le graphe et capables de signaler les incohérences.
Pourquoi c’est important
Cette évolution vise à transformer les agents d’intelligence artificielle des entreprises de la finance, de l’assurance et de l’immobilier, afin qu’ils ne soient plus de simples outils de recherche documentaire, mais des systèmes capables d’exploiter les relations entre les documents et leurs sources. Cela pourrait notamment modifier la manière dont les experts humains accèdent à l’information dans les processus nécessitant une importante documentation, comme l’examen des accords, l’évaluation financière et le traitement des sinistres. Les exemples de clients de l’entreprise montrent que cette évolution peut avoir un effet sur les délais de traitement, le coût des experts et les taux d’erreur ; ces résultats reposent toutefois sur les propres déclarations de V7. Les performances de GPT-6 Astra dans les requêtes les plus difficiles doivent également être évaluées dans ce même cadre, c’est-à-dire dans les conditions de test de V7. La question qui reste ouverte est de savoir si l’approche Context Graph permettra d’obtenir les mêmes résultats en matière de précision et de coût dans les structures documentaires et les flux de travail de différentes institutions.
Terme : agent
Un agent d’intelligence artificielle est un logiciel qui, au lieu de produire une seule réponse, appelle des outils et exécute un travail en plusieurs étapes pour atteindre un objectif.