V7は、金融、保険、不動産企業の分散した文書やデータに含まれる業務コンテキストをAIエージェントに与えることを目指している。2018年にRizzoliとEdwardssonによって設立された同社のV7 Goプラットフォームは、数百万件のファイルに含まれる情報をContext Graphという構造に集約している。この構造は、エンティティ、関係、出典となる証拠を相互に結び付け、エージェントが情報を再検索するのではなく、直接問い合わせられるようにする。
V7 Goは、構造化された情報抽出にGPT‑5.6 Lunaを、複雑な指示、推論、ツール利用にGPT‑5.6 TerraとSolを使用している。最も難しいContext Graphのクエリでは、GPT-6 Astraもテストされている。同社によると、エージェントは50～100段階のワークフローを数分以内に完了し、各判断について監査可能な記録を保持する。システムはSharePointやGoogle Driveなどのストレージから企業、ファンド、人物、関係、財務指標を抽出し、それらを原資料に含まれる証拠と照合する。グラフ内に十分な情報がない場合は、RAGによって文書の検索を続ける。
V7のHERBテストでは、検索のみに基づくシステムが公式のベースラインモデルより69%良い結果を示し、回答できない質問におけるハルシネーションを38%削減した。Context Graphが企業顧客にもたらした効果は、次のように報告されている。
- 資産運用会社は案件のスクリーニングを21x高速化し、丸1日かかっていたプロセスを15分に短縮した。
- ある金融サービスチームは、レビュー時間を100時間超から10時間未満に短縮し、タスクごとの専門家コストを$12,000削減した。
- 保険チームは、過去の保険金請求および保険契約情報をエージェントに利用可能にした後、手作業を基準とした場合と比べて保険金請求処理のエラーを13.5%削減した。
V7 Goのワークフローは、コーディング、小規模モデルへの委任、ファイル生成、外部連携を一体的に管理する。V7のテストは、引用の正確性、文書抽出、回答の正確性、指示追従、レイテンシー、コストを対象としている。GPT‑5.6 Lunaは、GPT‑5.4 miniと比べて文書1件あたりのコストを78%削減した。Responses APIへの移行により、一部のPDF中心のプロセスではトークン使用量が約5%減少した。
最も難しいグラフクエリでは、GPT‑5.6 Solが78%、GPT‑6 Astraが89%の精度を達成し、両モデルは簡単・中程度・難しいレベルで約100%に到達した。V7 GoのMCP対応により、Context GraphとワークフローをChatGPT、Codex、互換クライアントから利用できるようになり、中程度の長さのワークフローの作成時間は約1時間から20分に短縮された。V7はさらに、グラフ内の変更によってトリガーされ、不整合を指摘する、よりプロアクティブなワークフローの開発を進めている。
なぜ重要か
この進展は、金融、保険、不動産の各企業において、AIエージェントを単に文書を検索するツールから、文書間の関係や根拠を利用できるシステムへと転換することを目指している。これにより、特に案件レビュー、財務評価、保険金請求処理など、大量の文書を必要とするプロセスにおいて、人間の専門家が情報にアクセスする方法が変わる可能性がある。同社の顧客事例は、これが処理時間、専門家コスト、エラー率に影響を及ぼし得ることを示しているが、これらの結果はV7自身の報告に基づいている。GPT-6 Astraの最も難しいクエリにおける性能についても同様に、V7のテスト条件の範囲内で評価すべきである。残された問いは、Context Graphのアプローチが、異なる企業の文書構造やワークフローにおいても、同じ精度とコストの結果を実現できるかどうかだ。
用語：エージェント
AIエージェントとは、単一の回答を生成するのではなく、目標を達成するためにツールを呼び出し、複数のステップからなる作業を実行するソフトウェアである。