The Pulse
V7 trasforma i file aziendali nella memoria degli agenti
Secondo OpenAI, il Context Graph di V7 permette agli agenti di IA di organizzare milioni di file aziendali in registrazioni consultabili di entità, relazioni e prove documentali citate. La startup specializzata nella finanza riferisce di un
AI.info Team ·
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 rappresentazione operativa del suo funzionamento. In un profilo pubblicato da OpenAI il 21 settembre, la startup specializzata nella finanza descrive V7 Go, una piattaforma per agenti che estrae entità, relazioni, fatti e prove documentali dagli archivi aziendali e li organizza in un Context Graph consultabile.
L’approccio è pensato per i processi di lavoro nella finanza, nelle assicurazioni e nel settore immobiliare, dove la risposta a una domanda può essere distribuita tra rapporti, fogli di calcolo, email, data room e sistemi interni. V7 afferma che i suoi agenti possono usare queste informazioni strutturate per completare processi articolati in decine di passaggi, conservando una traccia verificabile delle decisioni e delle fonti utilizzate. Il profilo di V7 pubblicato da OpenAI descrive l’azienda come una startup che serve clienti in Europa e nel Regno Unito.
Il Context Graph di V7 conserva più del testo dei documenti
V7 Go si collega ad archivi tra cui SharePoint e Google Drive, poi esamina il materiale acquisito alla ricerca di aziende, fondi, persone, indicatori e altre entità definite in un’ontologia. Ogni fatto viene collegato a una registrazione esistente o appena creata, conservando il rimando alla fonte originale. Quando il grafo non contiene informazioni sufficienti, il sistema può cercare nei file sottostanti tramite generazione aumentata dal recupero delle informazioni.
Questa struttura è progettata per ridurre le ricerche ripetute che gli agenti svolgono spesso quando devono ricostruire da zero il contesto aziendale. Secondo V7, percorrere il grafo costa un ordine di grandezza in meno ed è un ordine di grandezza più rapido rispetto agli approcci basati su contesti lunghi, anche se il profilo pubblicato da OpenAI non fornisce le misurazioni dei costi o dei tempi di risposta alla base del confronto.
Il sistema offre inoltre agli agenti una memoria più lunga. Gli scambi recenti rimangono nel contesto attivo del modello, mentre il materiale meno recente resta nel grafo e può essere recuperato quando serve. Questa organizzazione permette a un processo di lavoro di attingere alla storia di un’azienda senza che il modello debba riapprendere le stesse relazioni a ogni richiesta.
«Per affrontare i casi d’uso aziendali più difficili nella finanza e nelle assicurazioni, l’IA deve imparare come funziona la vostra azienda altrettanto bene di quanto abbia imparato da Internet.»
Alberto Rizzoli, cofondatore e amministratore delegato di V7
I processi finanziari mostrano i benefici attesi dal sistema
Gli esempi di V7 riguardano attività basate su grandi quantità di documenti che normalmente richiedono a specialisti di confrontare registrazioni, estrarre condizioni e verificare incongruenze. In uno di questi processi, V7 Go elabora un Confidential Information Memorandum, ne ricava dettagli finanziari, condizioni dell’operazione, informazioni sulla dirigenza e dati sui rischi, quindi produce una nota di valutazione preliminare corredata di citazioni delle fonti.
Secondo i dati riportati nel profilo pubblicato da OpenAI, i gestori patrimoniali che usano il sistema valutano le operazioni 21 volte più rapidamente, riducendo da un’intera giornata a 15 minuti il tempo necessario. Un team di servizi finanziari ha ridotto i tempi di revisione da oltre 100 ore a meno di 10 ore; V7 attribuisce a ciascuna attività un risparmio di 12.000 dollari sui costi degli esperti. Dopo aver dato agli agenti accesso allo storico dei sinistri e alle polizze esistenti, i team assicurativi hanno ridotto gli errori nel trattamento dei sinistri del 13,5 % rispetto a una base di riferimento manuale.
Questi risultati provengono dalle misurazioni di V7 sui propri clienti e processi di lavoro, non da una valutazione indipendente. L’azienda afferma che i suoi agenti completano in pochi minuti processi articolati in 50-100 passaggi e raggiungono un’accuratezza del 99,9 %, ma il profilo non descrive la metodologia completa dei test alla base di quest’ultimo dato.
I modelli di OpenAI gestiscono estrazione, ragionamento e uso degli strumenti
V7 usa diversi modelli di OpenAI per le varie parti del sistema. GPT-5.6 Luna gestisce l’estrazione su larga scala e altre attività strutturate, mentre GPT-5.6 Terra e Sol supportano la chat, l’uso degli strumenti e i passaggi più impegnativi dei processi di lavoro. V7 ha iniziato a testare GPT-6 Astra sulle interrogazioni più difficili del suo Context Graph.
Per questo test, V7 ha creato una serie più difficile di domande sul grafo usando dati disordinati tratti da migliaia di documenti. L’azienda riferisce che GPT-5.6 Sol ha ottenuto il 78 % nella fascia di difficoltà massima, mentre GPT-6 Astra ha raggiunto l’89 %. Secondo il profilo pubblicato da OpenAI, entrambi i modelli hanno ottenuto punteggi vicini al 100 % nelle fasce facile, intermedia e difficile.
V7 segnala inoltre una riduzione degli errori nelle chiamate agli strumenti dopo il passaggio da GPT-5.5 a GPT-5.6 Sol. Nel suo benchmark sul 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 le prestazioni migliori nei processi di lavoro che richiedono più passaggi e l’uso di strumenti, da cui dipende V7 Go. Nel nostro benchmark sul 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 direttore tecnico di V7
MCP collega la memoria a ChatGPT e Codex
V7 rende disponibili l’acquisizione dei dati nel Context Graph e le interrogazioni del grafo tramite il suo server MCP, consentendo ai clienti di usare il sistema da ChatGPT e da altri client compatibili. Gli sviluppatori possono anche creare processi di lavoro di V7 Go tramite MCP in Codex. Secondo l’azienda, queste integrazioni, insieme a una progettazione più semplice dei processi, hanno ridotto da circa un’ora a circa 20 minuti il tempo necessario per costruire un processo di lavoro di media lunghezza.
V7 ha inoltre trasferito i carichi di lavoro che elaborano molti documenti dalla Chat Completions API di OpenAI alla Responses API. Nei suoi test, il cambiamento ha ridotto di circa il 5 % l’uso di token per alcuni processi che elaborano molti PDF e ha migliorato l’affidabilità della cache. In un’altra misurazione di V7, GPT-5.6 Luna ha ridotto del 78 % il costo per documento rispetto a GPT-5.4 mini.
V7 vuole che il grafo segnali i cambiamenti prima che qualcuno li chieda
La fase successiva descritta da V7 prevede un sistema di memoria più proattivo. L’azienda sta lavorando a processi che si avviano quando cambiano i fatti nel Context Graph, individuano incongruenze e mostrano alle persone quali analisi precedenti potrebbero richiedere una revisione.
Un esempio è la rettifica del rapporto di un fondo, che potrebbe far scattare un avviso sui lavori successivi che si basano ancora sui dati precedenti. In questo modo, il grafo passerebbe dall’essere un archivio consultabile di conoscenze aziendali a uno strumento di monitoraggio delle decisioni già prese.
«Il nostro obiettivo è aiutare le aziende ad attrezzarsi per l’era dell’IA, con processi di lavoro che risolvano compiti di importanza cruciale e una memoria che superi quella di noi esseri umani», afferma Rizzoli nel profilo pubblicato da 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, relativi a processi di lavoro nella finanza e nelle assicurazioni.