V7 GoとOpenAIモデルによる機関記憶の統合

V7 Goは、散在するビジネスコンテキストを照査可能なコンテキストグラフに整理することで、AIエージェントに「機関記憶」を提供するエージェントプラットフォームです。OpenAIのGPT-5.6およびGPT-6 Astraモデルと統合することで、V7 Goは99.9%の正確性で50～100ステップのワークフローを数分で完了させ、意思決定の完全な監査証跡を維持できます。

コンテキストグラフ：企業コンテキストのギャップを解決

コンテキストグラフは、エンティティ、関係、事実、属性、メトリクスの構造的で最新の記録を提供し、エージェントが毎回コンテキストを再発見する必要がなくなるようにします。このアプローチは、長文コンテキスト手法と比較して、1桁以上安価かつ高速に走査できると報告されています。

技術的実装と取得

SharePointやGoogle Driveなどのリポジトリからデータをインジェストする際、V7 Goはオントロジー内のエンティティを識別し、事実をレコードに接続しながら、元のソースへの引用証拠を保持します。コンテキストグラフに十分な情報が不足している場合、システムはリトリーバル増強生成（RAG）にフォールバックして下位ドキュメントを検索します。

パフォーマンスベンチマーク

企業システム間の情報を接続するHERBベンチマークにおいて、V7のリトリーバル専用システムは以下の結果を達成しました：

• リトリーバル精度： 公式ベースラインを69%上回りました。
• 幻覚削減： 回答不可能なクエリにおける幻覚を38%削減しました。

ワークフロー自動化とビジネスインパクト

V7 Goは、従来数十時間の人的作業を要していた複雑なマルチステップ指示を処理するために、段階的なモデルアプローチを使用しています。プラットフォームはステップを3段階（高速、中間、スマート）にマッピングします。

モデルの割り当て

• GPT-5.6 Luna： 構造化抽出および高ボリューム作業に使用。
• GPT-5.6 TerraおよびSol： チャット、Goエージェントパス、高度な推論またはツール使用を必要とするタスクを処理。
• GPT-6 Astra： 千枚以上のドキュメントにわたる財務分析など、最も要求の高いコンテキストグラフクエリに使用。

実世界での効率向上

• 資産管理： 取引スクリーニング速度が21倍に向上し、1日間のプロセスが15分に短縮されました。
• 金融サービス： レビュー時間は100時間以上から10時間未満に低下し、1タスクあたり12,000ドルの専門家コストを節約しました。
• 保険： 手動ベースラインと比較して、請求処理の誤りが13.5%削減されました。

OpenAIモデルのパフォーマンスと統合

V7は、マルチステップツールワークフローにおける優れたパフォーマンスと迅速な容量スケーリングのため、OpenAIをデフォルトのプロバイダーとして選定しました。

正確性と効率指標

• ツールコールエラーレート： GPT-5.6 Solはツールコールエラーレートを0.2%に低下させ、GPT-5.5の2.7%から改善しました。
• コスト削減： GPT-5.6 LunaはGPT-5.4 miniと比較して、ドキュメント1件あたり78%のコスト削減を達成しました。
• レイテンシ： 外部コールを含むキーワークフローは、最大50%速くなりました。
• API最適化： ドキュメント集約的なワークロードをResponses APIに移行することで、一部のPDF集約的なワークフローでトークン使用量が約5%削減され、キャッシュの信頼性が向上しました。

GPT-6 Astraの評価

数千枚のドキュメントにわたる実世界データを用いたテストで、V7はGPT-5.6 SolとGPT-6 Astraを「非常に難しい」難易度レベルで比較しました：

• GPT-5.6 Sol： 78%の正確性。
• GPT-6 Astra： 89%の正確性。 両モデルとも、簡単、中程度、難しいレベルではほぼ100%のスコアを達成しました。

エコシステム統合と将来の方向性

V7 GoはMCPサーバーを介してコンテキストグラフの照査とインジェストを公開しており、ChatGPTやCodexとの統合を可能にしています。この統合により、中程度の長さのワークフローを作成する時間は1時間から約20分に短縮されました。

今後の開発は、共有メモリを能動的にする方向に注力しており、コンテキストグラフ内の事実が変更されたときや、不整合が検出されたときにワークフローが自動的にトリガーされるようにする予定です。たとえば、ファンドレポートが再記載された際に分析を更新するなどです。