V7 стремится наделить AI-агентов бизнес-контекстом, содержащимся в разрозненных документах и данных финансовых, страховых и риелторских компаний. Основанная в 2018 году Rizzoli и Edwardsson компания собирает информацию из миллионов файлов на платформе V7 Go в структуре под названием Context Graph. Эта структура связывает активы, отношения и подтверждающие источники, позволяя агентам напрямую запрашивать информацию, а не искать ее заново.
V7 Go использует GPT‑5.6 Luna для структурированного извлечения информации, а GPT‑5.6 Terra и Sol — для работы со сложными инструкциями, рассуждений и использования инструментов. В самых сложных запросах к Context Graph также тестируется GPT-6 Astra. Компания заявляет, что агенты выполняют рабочие процессы из 50–100 шагов за считанные минуты и ведут проверяемую запись каждого решения. Система извлекает из таких хранилищ, как SharePoint и Google Drive, компании, фонды, людей, связи и финансовые показатели, сопоставляя их с подтверждениями в исходных документах; если в графе недостаточно информации, она продолжает искать документы с помощью RAG.
В тесте HERB V7 система, основанная только на доступе к информации, показала результат на 69% лучше официальной базовой модели и на 38% сократила количество галлюцинаций в вопросах, на которые невозможно было ответить. О влиянии Context Graph на корпоративных клиентов сообщается следующее:
- Управляющие активами ускорили проверку сделок в 21x, сократив процесс с полного рабочего дня до 15 минут.
- Одна команда, оказывающая финансовые услуги, сократила время проверки с более чем 100 часов до менее чем 10 часов и сэкономила $12 000 на экспертных расходах для каждой задачи.
- Страховые команды после предоставления агентам доступа к историческим данным об убытках и полисах сократили количество ошибок при обработке страховых случаев на 13,5% по сравнению с ручным процессом.
Рабочие процессы в V7 Go объединяют управление кодом, передачу задач меньшим моделям, создание файлов и внешние интеграции. Тесты V7 охватывают точность цитирования, извлечение данных из документов, точность ответов, следование инструкциям, задержку и стоимость. GPT‑5.6 Luna снизила стоимость обработки одного документа на 78% по сравнению с GPT‑5.4 mini. Переход на Responses API примерно на 5% сократил использование токенов в некоторых процессах, где преобладают PDF.
В самых сложных графовых запросах GPT‑5.6 Sol достигла точности 78%, а GPT‑6 Astra — 89%; обе модели достигли примерно 100% на лёгком, среднем и сложном уровнях. Поддержка MCP в V7 Go позволяет использовать Context Graph и рабочие процессы из ChatGPT, Codex и совместимых клиентов; время создания рабочего процесса средней длины сократилось примерно с одного часа до 20 минут. Кроме того, V7 разрабатывает более проактивные рабочие процессы, которые запускаются изменениями в графе и отмечают несоответствия.
Почему это важно
Эта разработка направлена на то, чтобы превратить ИИ-агентов в финансовых, страховых и риелторских компаниях из инструментов, лишь выполняющих поиск документов, в системы, способные использовать связи между документами и их обоснования. Благодаря этому может измениться способ доступа экспертов к информации, особенно в процессах, требующих работы с большими объёмами документов, таких как проверка сделок, финансовая оценка и обработка страховых случаев. Примеры клиентов компании показывают, что это может влиять на продолжительность операций, расходы на экспертов и уровень ошибок; однако эти результаты основаны на собственных сообщениях V7. Показатели GPT-6 Astra в самых сложных запросах также следует оценивать в том же контексте — в рамках условий тестирования V7. Открытым остаётся вопрос, сможет ли подход Context Graph обеспечить такие же результаты по точности и стоимости при работе с различными структурами документов и рабочими процессами организаций.
Термин: агент
ИИ-агент — это программное обеспечение, которое вместо генерации одного ответа вызывает инструменты и выполняет многоэтапные задачи для достижения цели.