V7 mira a fornire agli agenti di intelligenza artificiale il contesto aziendale contenuto nei documenti e nei dati frammentati delle società finanziarie, assicurative e immobiliari. Fondata nel 2018 da Rizzoli e Edwardsson, la piattaforma V7 Go dell’azienda raccoglie le informazioni contenute in milioni di file in una struttura denominata Context Graph. Questa struttura collega tra loro entità, relazioni e prove documentali alla fonte, consentendo agli agenti di interrogare direttamente le informazioni invece di doverle cercare nuovamente.
V7 Go utilizza GPT‑5.6 Luna per l’estrazione di informazioni strutturate, mentre impiega GPT‑5.6 Terra e Sol per istruzioni complesse, ragionamento e utilizzo degli strumenti. GPT-6 Astra è inoltre in fase di test per le query più complesse su Context Graph. L’azienda afferma che gli agenti completano flussi di lavoro composti da 50–100 passaggi in pochi minuti e conservano un registro verificabile per ogni decisione. Il sistema estrae aziende, fondi, persone, relazioni e metriche finanziarie da archivi come SharePoint e Google Drive, abbinandoli alle prove contenute nei documenti fonte; se nel grafo non sono presenti informazioni sufficienti, continua a cercare nei documenti tramite RAG.
Nel test HERB di V7, il sistema basato esclusivamente sull’accesso ha ottenuto risultati migliori del 69% rispetto al modello di base ufficiale e ha ridotto del 38% le allucinazioni nelle domande a cui non si poteva rispondere. Gli effetti di Context Graph sui clienti aziendali sono stati riportati come segue:
- I gestori patrimoniali hanno accelerato di 21x lo screening delle operazioni, riducendo un processo che richiedeva un’intera giornata a 15 minuti.
- Un team di servizi finanziari ha ridotto i tempi di revisione da oltre 100 ore a meno di 10 ore, risparmiando $12,000 sui costi degli esperti per attività.
- I team assicurativi hanno ridotto del 13,5% gli errori nella gestione dei sinistri rispetto al benchmark manuale, dopo aver reso disponibili agli agenti le informazioni sui sinistri e sulle polizze passati.
I flussi di lavoro in V7 Go gestiscono insieme il codice, il passaggio a modelli più piccoli, la generazione di file e le integrazioni esterne. I test di V7 riguardano l’accuratezza delle citazioni, l’estrazione dei documenti, l’accuratezza delle risposte, il rispetto delle istruzioni, la latenza e i costi. GPT‑5.6 Luna ha ridotto del 78% il costo per documento rispetto a GPT‑5.4 mini. Il passaggio alla Responses API ha ridotto di circa il 5% l’utilizzo dei token in alcuni processi incentrati sui PDF.
Nelle query grafiche più difficili, GPT‑5.6 Sol ha raggiunto un’accuratezza del 78%, mentre GPT‑6 Astra ha raggiunto l’89%; entrambi i modelli hanno raggiunto circa il 100% nei livelli facile, medio e difficile. Il supporto MCP di V7 Go consente di utilizzare Context Graph e i flussi di lavoro da ChatGPT, Codex e client compatibili; il tempo necessario per creare un flusso di lavoro di media lunghezza è sceso da circa un’ora a 20 minuti. V7 sta inoltre sviluppando flussi di lavoro più proattivi, attivati dalle modifiche nel grafo e in grado di segnalare le incoerenze.
Perché è importante
Questo sviluppo mira a trasformare gli agenti di intelligenza artificiale nelle aziende finanziarie, assicurative e immobiliari da semplici strumenti per la ricerca nei documenti in sistemi capaci di utilizzare le relazioni e gli elementi di supporto tra i documenti. In questo modo, soprattutto nei processi ad alta intensità documentale come la revisione degli accordi, la valutazione finanziaria e la gestione dei sinistri, potrebbe cambiare il modo in cui gli esperti umani accedono alle informazioni. Gli esempi forniti dall’azienda sui clienti mostrano che ciò può avere un impatto sui tempi di elaborazione, sui costi degli esperti e sui tassi di errore; tuttavia, questi risultati si basano sulle comunicazioni della stessa V7. Anche le prestazioni di GPT-6 Astra nelle query più difficili devono essere valutate nello stesso contesto, ovvero all’interno delle condizioni di test di V7. La questione ancora aperta è se l’approccio Context Graph possa garantire gli stessi risultati in termini di accuratezza e costi nelle strutture documentali e nei flussi di lavoro di organizzazioni diverse.
Termine: agente
Un agente di intelligenza artificiale è un software che, invece di generare una singola risposta, invoca strumenti e svolge attività in più passaggi per raggiungere un obiettivo.