A V7 78 százalékkal csökkentette költségeit a GPT-5.6 Lunával

Vállalati kontextust adna az AI-ügynököknek a V7 Go

Az OpenAI 2026. szeptember 21-én közzétett esettanulmánya a V7 Go nevű agentikus platformot mutatja be, amelyet a V7 vállalati, kritikus munkafolyamatok építésére és a szétszórt üzleti kontextus rendszerezésére használ. A forrás szerint a pénzügyi, biztosítási és ingatlanpiaci csapatoknál a keresési és visszakeresési pontosság a munkafolyamatokban alapkövetelmény, mert a releváns információ dokumentumokban, adatszobákban, táblázatokban, e-mailekben és belső eszközökben található.

A V7-et Rizzoli és Edwardsson 2018-ban alapította, miután közösen építettek egy széles körben használt, számítógépes látáson alapuló akadálymentesítési alkalmazást. A cég célja az OpenAI leírása szerint az, hogy a vállalatok megtaníthassák az AI-rendszereknek, hogyan működik az üzletük.

A V7 Go a GPT-5.6 Lunát használja arra, hogy több millió fájlból nyerjen ki információt, majd azt a Context Graph nevű rendszerben rendezze. Ez a gráf entitásokat, kapcsolatokat és hivatkozott bizonyítékokat köt össze, és MCP-keresést, valamint ismételhető, akár több száz lépésből álló munkafolyamatokat támogat. A Workflows résznél a V7 Go GPT-5.6 Terra és Sol modelleket használ érvelésre és eszközhasználatra olyan összetett, többlépcsős utasításoknál, amelyek az embereknek több tucat órát vennének igénybe.

A V7 közlése szerint a kontextus, a modellek és az eszközök együttműködésével az ügynökök 50 és 100 lépés közötti munkafolyamatokat percek alatt végeznek el, 99,9 százalékos pontosság mellett, miközben minden döntés auditálható nyoma megmarad.

A Context Graph a dokumentumok közti kapcsolatokat is rögzíti

A Context Graph azt a problémát kezeli, hogy az ügynököknek minden új kérésnél újra fel kell fedezniük a kontextust. Ez az OpenAI leírása szerint sok keresést, időt és tokent igényel, miközben a kapcsolatokban elrejtett fontos információk könnyen kimaradnak.

Amikor új adat érkezik, a V7 Go olyan tárhelyekhez csatlakozik, mint a SharePoint és a Google Drive. Ezeket entitások, kapcsolatok, tények, attribútumok és metrikák után vizsgálja, majd egy olyan gráfot tölt fel, amelyet a forrás szerint nagyságrenddel olcsóbb és gyorsabb bejárni, mint a hosszú kontextusra épülő megközelítéseket. Új fájl esetén azonosítja a cégeket, alapokat, személyeket vagy más ontológiai entitásokat, az egyes tényeket új vagy meglévő rekordhoz kapcsolja, és megőrzi az eredeti forrásra mutató hivatkozott bizonyítékot. Ha a gráfban nincs elég információ, a V7 Go továbbra is képes RAG-alapú keresést végezni az alapul szolgáló dokumentumokban.

A V7 a HERB nevű benchmarkon is tesztelte, mennyit számít a kontextus szerkezete. Ez a mérce vállalati rendszerekben szétszórt információk megtalálását és összekapcsolását vizsgálja. A forrás szerint a V7 csak visszakeresésre épülő rendszere 69 százalékkal felülmúlta a hivatalos alapvonalat, és 38 százalékkal csökkentette a hallucinációkat olyan kérdéseknél, amelyekre nem volt megválaszolható válasz.

A V7 Go ezt a forráshoz kötött kontextust olyan munkafolyamatokban használja, mint a magántőke-befektetési ügyletek előszűrése és a biztosítási kockázatvállalás. Az esettanulmány példaként említi, hogy egy workflow egy Confidential Information Memorandum, azaz CIM dokumentumból pénzügyi adatokat, üzleti feltételeket, vezetői információkat és kockázati mezőket nyer ki, majd ezek alapján screening note készül.

Gyorsabb munkák, kevesebb hiba, alacsonyabb költség

Az OpenAI esettanulmánya több ügyféloldali eredményt is közöl. Eszközkezelők a forrás szerint 21-szer gyorsabban tudnak ügyleteket előszűrni, így egy teljes napos folyamat 15 percre rövidül. Egy pénzügyi szolgáltató csapat a felülvizsgálati időt több mint 100 óráról 10 óra alá csökkentette, feladatonként 12 000 dollár szakértői költséget megtakarítva. Biztosítási csapatok a korábbi kárigények és meglévő kötvények történeti tudásának megadásával 13,5 százalékkal kevesebb hibát mértek a kárfeldolgozásban a manuális alapvonalhoz képest.

Simon Edwardsson, a V7 társalapítója és technológiai vezetője az OpenAI forrásában így fogalmazott: „A GPT-5.6 Terra segítségével sok olyan köztes workflow-szakaszt el tudtunk távolítani, amelyek korábban csak azért léteztek, hogy egyszerűsítsék a feladatot a modell számára. Ez napokat takarított meg a szállítási munkában, és gyakran már egy workflow első felépítésekor jól működik, az erősebb modellnek és a több kontextushoz való hozzáférésnek köszönhetően.”

A V7 a mesterséges intelligencia által generált munkafolyamatokban minden lépést gyors, közepes és okos szintekhez rendel. A GPT-5.6 Luna strukturált kinyerést és más nagy volumenű feladatokat végez, míg a GPT-5.6 Terra vagy Sol a csevegést, a Go Agent útvonalat, valamint az erősebb érvelést vagy eszközhasználatot igénylő lépéseket hajtja.

A cég folyamatosan karbantartott tesztcsomaggal vizsgálja az új modelleket. Ebben szerepel a hivatkozási pontosság, több száz dokumentumtípuson mért kinyerési minőség, válaszhelyesség, utasításkövetés, késleltetés, költség és valós vállalati workflow is. Edwardsson szerint azért választották az OpenAI-t alapértelmezettként, mert a V7 Go számára fontos többlépcsős, eszközhasználó workflow-kban teljesít a legjobban. A Context Graph benchmarkjukban a GPT-5.6 Sol a tool-call hibaarányt a GPT-5.5-tel mért 2,7 százalékról 0,2 százalékra csökkentette.

A V7 legutóbbi tesztkörnyezetében a több külső hívást tartalmazó kulcsfontosságú workflow-k akár 50 százalékkal gyorsabban fejeződtek be. A GPT-5.6 Lunával mért további hatékonysági javulás a GPT-5.4 minihez képest 78 százalékkal alacsonyabb dokumentumonkénti költség volt.

GPT-6 Astra és MCP: a vállalati memória kiterjesztése

A V7 a dokumentumintenzív V7 Go terheléseit a Chat Completions API-ról a Responses API-ra is áthelyezte. Saját tesztjei alapján ez egyes PDF-központú workflow-kban nagyjából 5 százalékkal csökkentette a tokenhasználatot, és javította a gyorsítótárazás megbízhatóságát.

A forrás szerint a V7 már a GPT-6 Astrát is teszteli a legnehezebb Context Graph lekérdezéseken, például több ezer dokumentumon átívelő pénzügyi elemzéseknél. Mivel a GPT-5.6 Sol sok meglévő V7-benchmarkon telítődött, a cég nehezebb gráflekérdezési kérdéssort hozott létre rendezetlenebb, valós adatokkal, több ezer dokumentumon. A teszt négy nehézségi szintet fed le. A nagyon nehéz szinten a V7 szerint a GPT-5.6 Sol 78 százalékot, a GPT-6 Astra 89 százalékos pontosságot ért el. Az easy, medium és hard szinteken mindkét modell közel 100 százalékot ért el.

A V7 Go már most elérhetővé teszi a Context Graph lekérdezését és adatbetöltését MCP-szerverén keresztül, így az ügyfelek ChatGPT-ből és más kompatibilis kliensekből is használhatják. MCP-n keresztül Codexben V7 Go workflow-kat is létrehozhatnak. Az egyszerűbb workflow-tervezéssel együtt ez a forrás szerint a közepes hosszúságú workflow létrehozásához szükséges időt körülbelül egy óráról nagyjából 20 percre csökkentette.

Mit jelent ez a vállalati felhasználóknak

Az esettanulmány alapján a V7 fejlesztéseinek fő üzenete az, hogy a vállalati AI-ügynökök teljesítménye nem csak a modell képességein múlik, hanem azon is, mennyire rendezett, naprakész és forráshoz kötött kontextust kapnak. A V7 megközelítése a dokumentumokban rejlő üzleti tudást kereshető, hivatkozható memóriává alakítja, amelyet az ügynökök többlépcsős munkák során használhatnak.

A felhasználói oldal számára ez az OpenAI forrása szerint gyorsabb ügylet-előszűrést, rövidebb felülvizsgálati időt, kevesebb hibát és auditálhatóbb döntési folyamatot jelenthet azokban a munkákban, ahol sok dokumentumot, belső adatot és ismétlődő lépést kell kezelni. A V7 hosszabb távú célja, hogy a megosztott memória proaktívabb legyen: a workflow-k a Context Graph tényeinek változásakor induljanak el, jelezzék az ellentmondásokat, és megmutassák, mely elemzéseket kell újra átnézni. Az OpenAI példája szerint egy újraközölt alapjelentés arra késztethetné a V7 Go-t, hogy megjelölje azokat a munkákat, amelyek még a régi számokra támaszkodnak.