V7 dote ses agents IA d’une mémoire d’entreprise

V7 met en avant V7 Go, une plateforme agentique qui transforme des dépôts hétérogènes en un graphe de contexte interrogeable par des agents. La société revendique des gains de vitesse et de précision sur des flux critiques en finance et assurance, et s’appuie sur des modèles OpenAI pour piloter des enchaînements multi-étapes assortis d’une traçabilité complète.

Des gains déclarés sur des flux critiques en minutes

V7 rapporte que des gestionnaires d’actifs filtrent désormais des transactions 21 fois plus vite, un processus d’une journée passant à 15 minutes. Une équipe de services financiers aurait réduit un examen de plus de 100 heures à moins de 10, avec 12 000 $ économisés par tâche en coûts d’expertise. Dans l’assurance, la société évoque une diminution des erreurs de traitement des sinistres de 13,5 % par rapport à une référence manuelle, après avoir donné aux agents la connaissance historique des réclamations et des polices. V7 affirme aussi que des agents complètent des flux de 50 à 100 étapes en quelques minutes avec 99,9 % de précision. La plateforme souligne maintenir une traçabilité vérifiable de chaque décision et de chaque exécution.

Structurer le contexte métier dans un graphe interrogeable

V7 décrit l’écart entre la capacité de raisonnement des modèles et l’absence de compréhension spontanée du contexte commercial. Ce contexte est dispersé dans des documents, des data rooms, des tableurs, des e-mails et des outils internes, ce qui l’expose mal aux agents. Selon l’éditeur, ce manque oblige les agents à redécouvrir les informations à chaque requête, multipliant des recherches coûteuses et laissant passer des liens essentiels. Pour y répondre, V7 Go se connecte à des dépôts comme SharePoint et Google Drive, extrait entités, relations, faits, attributs et métriques, puis remplit un Context Graph annoncé comme moins coûteux et plus rapide d’un ordre de grandeur que les approches à long contexte. Ce graphe propose un enregistrement structuré et à jour, directement interrogeable, où chaque nouveau fichier enrichit des enregistrements existants avec conservation des preuves citées. Si le graphe s’avère insuffisant, une recherche dans les documents sous-jacents via RAG reste possible. Pour des exécutions prolongées, le récent est conservé dans le contexte actif du modèle et l’historique est archivé dans le graphe pour récupération à la demande. V7 avance que cet ancrage à la source maintient la pertinence des flux complexes pour chaque entreprise.

Cas d’usage documentaires et référence interne

L’entreprise place ses cas d’utilisation dans l’analyse des transactions de capital-investissement et la gestion des souscriptions d’assurance. Lors d’une présentation, un flux extrait des éléments d’un Confidential Information Memorandum, rassemble les données financières, les modalités de la transaction et les informations sur l’équipe dirigeante, identifie des catégories de risque puis produit une note de filtrage. V7 précise avoir mesuré l’apport de la structuration sur HERB, un référentiel interne conçu pour connecter des données éparpillées dans l’organisation : son outil de récupération seul aurait dépassé la référence officielle de 69 % et réduit de 38 % les hallucinations sur des requêtes sans réponse.

Orchestration par niveaux et choix des modèles

Pour les séquences d’actions étendues et sujettes aux erreurs, V7 propose une supervision alliant code déterministe, délégation à des modèles de taille inférieure, création de fichiers et intégrations, tout en assurant une piste d’audit à chaque lancement. L’ensemble des étapes d’un flux généré par IA est organisé en trois catégories — rapide, moyen, intelligent — ce qui permet d’attribuer le moteur approprié. GPT-5.6 Luna prend en charge l’extraction structurée et les volumes élevés, tandis que GPT-5.6 Terra ou Sol assurent les discussions, la conduite d’agent et les étapes plus exigeantes en raisonnement et outils. V7 dit commencer à utiliser GPT-6 Astra pour les requêtes les plus ardues du Context Graph, comme l’analyse financière sur des milliers de documents.

Exposer la mémoire d’entreprise à ChatGPT et Codex via MCP

V7 Go expose l’ingestion et l’interrogation du Context Graph par un serveur MCP, ce qui permet une utilisation depuis ChatGPT et d’autres clients compatibles. Les clients peuvent également créer des flux V7 Go via MCP dans Codex. Selon la société, associée à une conception simplifiée, cette intégration aurait ramené le temps de création d’un flux de longueur moyenne d’environ une heure à environ 20 minutes.

V7 mise sur OpenAI et projette une mémoire proactive

V7 explique évaluer en continu les modèles selon une batterie couvrant précision des citations, qualité d’extraction sur des centaines de types de documents, justesse, suivi des instructions, latence, coût et scénarios réels. Sur ces critères, la société affirme qu’OpenAI surpasse la plupart des alternatives, et indique que ses demandes d’augmentation de capacité ont été approuvées et mises en œuvre en quelques heures, contre des semaines chez d’autres. L’éditeur dit travailler à rendre la mémoire partagée proactive, avec des flux déclenchés par des changements de faits, le signalement d’incohérences et l’indication des analyses à revoir, illustrées par l’exemple d’un rapport de fonds révisé. Rizzoli affirme vouloir aider les entreprises à se réoutiller pour l’ère de l’IA et soutient que, dans la finance, la valeur proviendra du meilleur contexte plutôt que d’un plus grand nombre d’agents. V7 rappelle viser des flux critiques et une mémoire interrogeable, dans un cadre où l’exigence d’exactitude est présentée comme non négociable, après une fondation en 2018 par Rizzoli et Edwardsson.