The Pulse

V7 trasforma i file aziendali in memoria per gli agenti

Secondo un profilo pubblicato da OpenAI, Context Graph di V7 consente agli agenti di IA di organizzare milioni di file aziendali in record consultabili di entità, relazioni e prove con l’indicazione delle fonti. La startup, focalizzata sull

AI.info Team · Scritto con l’IA · verificato · 2026-09-21

V7 sta sviluppando un sistema di IA che tratta i file accumulati da un’azienda non tanto come una pila di documenti, quanto come una raccolta operativa di informazioni sul funzionamento dell’impresa. In un profilo pubblicato da OpenAI il 21 settembre, la startup focalizzata sulla finanza descrive V7 Go, una piattaforma di agenti che estrae entità, relazioni, fatti e prove dagli archivi aziendali e li organizza in un Context Graph consultabile.

L’approccio è rivolto ai flussi di lavoro nella finanza, nelle assicurazioni e nel settore immobiliare, dove la risposta a una domanda può essere dispersa tra relazioni, fogli di calcolo, email, data room e sistemi interni. Secondo V7, gli agenti dell’azienda possono usare queste informazioni strutturate per completare flussi di lavoro composti da decine di passaggi, conservando una traccia verificabile delle decisioni prese e delle fonti utilizzate. Il profilo di V7 pubblicato da OpenAI presenta l’azienda come una startup che serve clienti in Europa e nel Regno Unito.

Context Graph di V7 conserva più del testo dei documenti

V7 Go si collega ad archivi tra cui SharePoint e Google Drive, quindi analizza il materiale in arrivo alla ricerca di aziende, fondi, persone, metriche e altre entità definite in un’ontologia. Ogni fatto viene collegato a un record esistente o creato appositamente, conservando le prove fino alla fonte originale. Quando il grafo non contiene informazioni sufficienti, il sistema può cercare nei file sottostanti tramite la generazione aumentata dal recupero di informazioni.

Questa struttura è progettata per ridurre le ricerche ripetute che gli agenti effettuano spesso quando devono ricostruire da zero il contesto aziendale. Secondo V7, la consultazione del grafo è un ordine di grandezza meno costosa e più rapida rispetto agli approcci basati su contesti lunghi, anche se il profilo di OpenAI non fornisce le misurazioni di costo o latenza alla base del confronto.

Il sistema offre inoltre agli agenti una memoria più estesa. Gli scambi recenti rimangono nel contesto attivo del modello, mentre il materiale più vecchio resta nel grafo e può essere recuperato quando serve. Questa soluzione consente a un flusso di lavoro di usare la storia di un’azienda senza che il modello debba apprendere nuovamente le stesse relazioni a ogni richiesta.

«Per risolvere casi d’uso aziendali complessi nella finanza e nelle assicurazioni, l’IA deve imparare come funziona la tua azienda altrettanto bene quanto ha appreso da Internet.»

Alberto Rizzoli, cofondatore e CEO di V7

I flussi di lavoro finanziari mostrano i benefici attesi dal sistema

Gli esempi di V7 si concentrano su attività che richiedono l’esame di molti documenti e che normalmente impegnano specialisti nel confronto dei record, nell’estrazione delle condizioni e nella verifica delle incongruenze. In un flusso di lavoro, V7 Go elabora un Confidential Information Memorandum, estrae dettagli finanziari, condizioni dell’operazione, informazioni sulla gestione e campi relativi ai rischi, quindi produce una nota di valutazione preliminare con le fonti.

Secondo i dati riportati nel profilo di OpenAI, i gestori patrimoniali che usano il sistema valutano preliminarmente le operazioni 21 volte più velocemente, riducendo a 15 minuti un processo che richiedeva un’intera giornata. Un team di servizi finanziari ha ridotto i tempi di revisione da oltre 100 ore a meno di 10 ore e V7 attribuisce a ogni attività un risparmio di 12.000 dollari sui costi degli esperti. I team assicurativi hanno ridotto gli errori nell’elaborazione dei sinistri del 13,5% rispetto a un parametro di riferimento basato sul lavoro manuale, dopo aver dato agli agenti accesso ai sinistri storici e alle polizze esistenti.

Questi risultati provengono dalle misurazioni effettuate da V7 sui propri clienti e flussi di lavoro, non da una valutazione indipendente. Secondo l’azienda, i suoi agenti completano in pochi minuti flussi di lavoro composti da 50 a 100 passaggi e raggiungono un’accuratezza del 99,9%, ma il profilo non definisce la metodologia completa del test alla base di questa cifra.

I modelli OpenAI gestiscono estrazione, ragionamento e uso degli strumenti

V7 usa diversi modelli OpenAI per le varie parti del sistema. GPT-5.6 Luna gestisce l’estrazione su grandi volumi e altre attività strutturate, mentre GPT-5.6 Terra e Sol supportano le chat, l’uso degli strumenti e i passaggi più impegnativi dei flussi di lavoro. V7 ha iniziato a testare GPT-6 Astra sulle interrogazioni più difficili del suo Context Graph.

Per il test, V7 ha creato una serie più difficile di domande sul grafo, utilizzando dati disordinati tratti da migliaia di documenti. Secondo l’azienda, GPT-5.6 Sol ha ottenuto un punteggio del 78% nel livello molto difficile, mentre GPT-6 Astra ha raggiunto l’89%. Stando al profilo di OpenAI, entrambi i modelli hanno ottenuto punteggi vicini al 100% nei livelli facile, medio e difficile.

Secondo l’azienda, gli errori nelle chiamate agli strumenti sono diminuiti dopo il passaggio di V7 da GPT-5.5 a GPT-5.6 Sol. Nel benchmark di Context Graph, il tasso di errore è sceso dal 2,7% allo 0,2%, un risultato che l’azienda attribuisce alla capacità del modello di seguire istruzioni articolate in più passaggi e interpretare i risultati degli strumenti.

«Abbiamo scelto OpenAI come opzione predefinita perché offre i risultati migliori nei flussi di lavoro in più passaggi che utilizzano strumenti e da cui dipende V7 Go. Nel nostro benchmark di Context Graph, GPT-5.6 Sol ha ridotto il tasso di errore nelle chiamate agli strumenti dal 2,7% con GPT-5.5 allo 0,2%.»

Simon Edwardsson, cofondatore e CTO di V7

MCP collega il livello di memoria a ChatGPT e Codex

V7 rende disponibili l’acquisizione dei dati e le interrogazioni di Context Graph tramite il proprio server MCP, consentendo ai clienti di usare il sistema da ChatGPT e da altri client compatibili. Gli sviluppatori possono anche creare flussi di lavoro V7 Go tramite MCP in Codex. Secondo l’azienda, queste integrazioni, insieme a una progettazione più semplice dei flussi di lavoro, hanno ridotto il tempo necessario per crearne uno di lunghezza media da circa un’ora a circa 20 minuti.

V7 ha anche trasferito i carichi di lavoro che richiedono l’elaborazione di molti documenti dalla Chat Completions API di OpenAI alla Responses API. Nei suoi test, il cambiamento ha ridotto l’uso di token di circa il 5% per alcuni flussi di lavoro che utilizzano molti PDF e ha migliorato l’affidabilità della cache. In un’altra misurazione di V7, GPT-5.6 Luna ha ridotto il costo per documento del 78% rispetto a GPT-5.4 mini.

V7 vuole che il grafo segnali i cambiamenti prima che vengano richiesti

La fase successiva descritta da V7 è un sistema di memoria più proattivo. L’azienda sta lavorando a flussi di lavoro che si avviano quando cambiano i fatti nel Context Graph, individuano le incongruenze e mostrano alle persone quali analisi precedenti potrebbero richiedere una revisione.

Un esempio è un rapporto rettificato su un fondo che potrebbe far scattare un avviso sulle attività successive che si basano ancora sui dati precedenti. Il grafo passerebbe così da un archivio di conoscenze aziendali consultabili a un livello di monitoraggio delle decisioni già prese.

«Il nostro obiettivo è aiutare le imprese a riorganizzare i propri strumenti per l’era dell’IA, con flussi di lavoro che svolgono attività di importanza vitale e una memoria che supera noi esseri umani», afferma Rizzoli nel profilo di OpenAI. Per ora, le prove più chiare dell’approccio di V7 hanno una portata più limitata: un grafo che collega i fatti aziendali ai documenti da cui provengono e una serie di risultati riferiti dai clienti, incentrati su flussi di lavoro finanziari e assicurativi.