V7 daje agentom AI pamięć instytucjonalną z GPT-5.6

Twój agent AI potrafi przeanalizować skomplikowany raport w kilka sekund. Problem w tym, że za chwilę zapyta Cię, który raport funduszu jest aktualny - bo w trzech różnych systemach ta sama spółka nazywa się inaczej. To nie jest wina modelu. To jest wina kontekstu, którego model po prostu nie ma.

Dokładnie ten problem opisuje brytyjski startup V7 w swoim najnowszym case study opublikowanym przez OpenAI. Firma, założona w 2018 roku przez Alberto Rizzoliego i Edwardssona, buduje platformę V7 Go do agentowych, mission-critical workflow'ów dla branż, gdzie pomyłka kosztuje realne pieniądze: finansów, ubezpieczeń i nieruchomości. Ich diagnoza jest prosta: modele językowe świetnie rozumują, ale nie rozumieją, jak działa Twoja konkretna firma. Który fundusz raportował ostatnio? Jak ta sama spółka jest nazywana w systemie CRM, w umowie i w mailu od księgowości?

Agenci AI odkrywają kontekst od nowa za każdym razem

Standardowe podejście agenta do dokumentów wygląda tak: dostaje zadanie, przeszukuje pliki, znajduje fragmenty, próbuje je połączyć w sensowną całość - i robi to samo od zera przy następnym zapytaniu. Dziesiątki wyszukiwań, mnóstwo zużytych tokenów, a i tak część kluczowych informacji ukrytych w relacjach między dokumentami po prostu ginie.

V7 rozwiązuje to inaczej. Platforma łączy się z repozytoriami takimi jak SharePoint czy Google Drive. Skanuje je pod kątem encji (firm, funduszy, ludzi), relacji między nimi, faktów, atrybutów i metryk, a następnie buduje z tego Context Graph - graf, który jest o rząd wielkości tańszy i szybszy do przeszukania niż podejście oparte na długim kontekście wrzucanym do modelu przy każdym zapytaniu.

Kiedy do systemu trafia nowy plik, V7 Go identyfikuje w nim odpowiednie encje zgodnie z przyjętą ontologią, łączy każdy fakt z nowym lub już istniejącym rekordem i zachowuje odniesienie do źródłowego dokumentu. Jeśli graf nie ma wystarczających danych, system sięga po klasyczne wyszukiwanie RAG w oryginalnych plikach. Innymi słowy: agent nie zgaduje, tylko sprawdza - i potrafi wskazać dokładnie, skąd wzięła się dana informacja.

Który model robi co - i dlaczego to ma znaczenie

V7 nie używa jednego modelu do wszystkiego, co samo w sobie jest ciekawą lekcją inżynierską. Do ekstrakcji informacji z milionów plików i budowy Context Graph firma wykorzystuje GPT-5.6 Luna. Do reasoningu i wykonywania narzędzi w ramach złożonych, wieloetapowych instrukcji (takich, które człowiekowi zajęłyby dziesiątki godzin) w grę wchodzą GPT-5.6 Terra i Sol. Najtrudniejsze zapytania do grafu, w tym analizy finansowe rozproszone po tysiącach dokumentów, V7 zaczyna kierować do GPT-6 Astra.

To podejście, w którym różne modele obsługują różne etapy jednego procesu, pojawia się coraz częściej w enterprise'owych wdrożeniach agentów - podobny wzorzec opisywaliśmy przy okazji tego, jak Perplexity powierza produkcyjne systemy GPT-6 Astra. Chodzi o to, żeby każdy element łańcucha robił to, w czym jest najlepszy, nie o to, żeby jeden model był uniwersalny.

Liczby, które faktycznie coś mówią

V7 nie ogranicza się do deklaracji marketingowych - testowało swoje podejście na benchmarku HERB, zestawie zadań sprawdzających zdolność do znajdowania i łączenia informacji rozproszonych po systemach firmowych. Wyniki:

• System retrieval V7 przewyższył oficjalny baseline benchmarku HERB o 69%
• Liczba halucynacji na pytaniach bez jednoznacznej odpowiedzi spadła o 38%
• GPT-6 Astra osiągnął 89% dokładności na najtrudniejszych zapytaniach do Context Graph
• GPT-5.6 Luna dała +11,6 punktu procentowego wyższą dokładność przy 78% niższym koszcie przetwarzania na dokument
• Kompletne workflow liczące 50-100 kroków agenci realizują w minuty, z dokładnością na poziomie 99,9%

Ta ostatnia liczba jest tu kluczowa z jednego powodu: w finansach czy ubezpieczeniach 90% dokładności to za mało. Jeśli agent myli się raz na dziesięć decyzji, nikt mu nie powierzy realnego procesu. 99,9% i pełny ślad audytowy każdej decyzji to już coś, co można pokazać działowi compliance bez wstydu.

Dlaczego to działa akurat w finansach i ubezpieczeniach

V7 Go trafia do zastosowań takich jak screening transakcji private equity - miejsc, gdzie trzeba przeanalizować setki dokumentów due diligence, znaleźć niespójności między nimi i wyciągnąć wnioski, które da się później uzasadnić przed komisją inwestycyjną. Alberto Rizzoli, współzałożyciel i CEO V7, ujął to bez owijania w bawełnę: "Żeby rozwiązać trudne przypadki użycia w finansach i ubezpieczeniach, AI musi nauczyć się, jak działa Twoja firma, tak samo dobrze, jak nauczyła się internetu".

To zdanie pokazuje coś, co umyka w dyskusjach o kolejnych wersjach modeli: sam model, nawet najlepszy, nie rozwiąże problemu firmy, jeśli nie ma dostępu do jej wewnętrznej wiedzy w formie, którą potrafi realnie przeszukać. Podobny kierunek - budowanie kontekstu i zaufania do agentów w konkretnych, wysokim stawkach branżach - widać też w tym, jak OpenAI wchodzi z GPT-6 do kancelarii prawnych czy jak Google zabezpiecza agentów AI przed cichymi błędami. Rynek enterprise nie pyta już "czy agent jest mądry", tylko "czy mogę mu zaufać na tyle, żeby podpisał się pod decyzją finansową".

Dla polskich firm z sektora finansowego czy ubezpieczeniowego to konkretna wskazówka na przyszłość: zanim kupi się kolejną licencję na "agenta AI", warto zapytać dostawcę, czy jego narzędzie w ogóle rozumie strukturę Twoich danych, czy tylko potrafi ładnie streszczać pojedyncze pliki. Różnica między tymi dwoma podejściami to różnica między asystentem a systemem, na którym można oprzeć decyzję biznesową.

Najczęstsze pytania

Czym różni się Context Graph od zwykłego wyszukiwania w dokumentach?

Zwykłe wyszukiwanie (RAG) traktuje każdy dokument osobno i za każdym razem od nowa próbuje znaleźć w nim odpowiedź. Context Graph buduje trwałą strukturę połączeń między encjami (firmami, ludźmi, funduszami), więc agent nie musi odkrywać tych samych zależności przy każdym zapytaniu, a każdy fakt jest powiązany ze źródłowym dokumentem.

Jakich modeli używa V7 Go do budowy i przeszukiwania Context Graph?

Do ekstrakcji danych z plików i budowy grafu V7 używa GPT-5.6 Luna. Do reasoningu i wykonywania wieloetapowych zadań stosuje GPT-5.6 Terra i Sol, a najtrudniejsze zapytania analityczne kieruje do GPT-6 Astra.

Czy takie podejście sprawdza się tylko w finansach?

Ze źródła wynika, że V7 celuje przede wszystkim w finanse, ubezpieczenia i nieruchomości - branże, gdzie dokumentacja jest gęsta, rozproszona po wielu systemach, a błąd w interpretacji danych kosztuje realne pieniądze. Mechanizm łączenia rozproszonego kontekstu w graf ma jednak sens wszędzie tam, gdzie firma trzyma dane w wielu, niepołączonych ze sobą miejscach.

Co oznacza 99,9% dokładności w praktyce?

Oznacza to, że w testowanych, wieloetapowych workflow (50-100 kroków) agenci V7 Go realizowali zadania z bardzo niskim odsetkiem błędów, przy zachowaniu pełnego, audytowalnego śladu każdej podjętej decyzji. To poziom, który ma znaczenie w branżach regulowanych, gdzie każdą decyzję trzeba umieć uzasadnić.