How V7 gives AI agents institutional memory

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

V7은 V7 Go의 Context Graph에 기업 정보와 출처를 연결하고 작업별 OpenAI 모델을 결합해, AI 에이전트가 기업의 축적된 지식을 활용하며 복잡한 업무를 수행하도록 한다.

📌 핵심 요약

• V7 Go는 GPT‑5.6 Luna로 수백만 파일의 정보를 추출해 개체·관계·인용 근거를 Context Graph에 정리하고, GPT‑5.6 Terra와 Sol로 복잡한 워크플로의 추론과 도구 사용을 처리한다. V7은 에이전트가 50~100단계 업무를 수분 내에 완료하고 정확도 99.9%와 의사결정별 감사 추적을 제공한다고 설명한다.
• Context Graph는 SharePoint·Google Drive 등의 정보를 출처와 연결해 유지하며, 정보가 부족하면 RAG로 원문을 검색한다. V7의 검색 전용 시스템은 HERB 벤치마크에서 공식 기준선보다 성능이 69% 높았고, 답할 수 없는 질의에서 환각을 38% 줄였다.
• V7이 제시한 고객 사례에서는 자산운용사의 거래 검토가 21배 빨라져 하루 업무가 15분으로 줄었고, 금융 서비스팀의 검토 시간은 100시간 초과에서 10시간 미만으로 감소해 작업당 전문가 비용 12,000달러를 절감했다. 보험팀의 청구 처리 오류는 수작업 기준선보다 13.5% 감소했다.
• V7의 테스트에서 GPT‑5.6 Sol의 도구 호출 오류율은 GPT‑5.5의 2.7%에서 0.2%로 낮아졌고, GPT‑5.6 Luna의 문서당 비용은 GPT‑5.4 mini보다 78% 낮았다. 수천 개 문서를 활용한 그래프 질의의 최고 난도에서는 GPT‑6 Astra가 정확도 89%, GPT‑5.6 Sol이 78%를 기록했다.
• V7 Go는 MCP로 ChatGPT 등에서 Context Graph 조회·정보 수집을 지원하고 Codex에서 워크플로를 만들 수 있게 한다. 이 기능과 설계 단순화로 중간 길이 워크플로의 생성 시간이 약 1시간에서 약 20분으로 줄었으며, 향후에는 Context Graph의 사실 변경에 따라 워크플로를 시작하고 재검토가 필요한 분석을 알리는 기능을 목표로 한다.

🧩 주요 포인트

1. 출처가 연결된 Context Graph → 요청마다 기업 맥락을 다시 탐색하는 부담을 줄이고, 복잡한 업무에서 근거 추적과 지식 재사용을 지원한다.
2. GPT‑5.6 Luna·Terra·Sol의 역할 분담과 GPT‑6 Astra의 고난도 질의 성능 → 추출 비용, 도구 사용의 신뢰성, 복잡한 분석의 정확도를 작업 특성에 맞춰 조정할 근거가 된다.
3. MCP 연동과 Context Graph 변경 기반 자동화 목표 → 기업 지식을 여러 클라이언트에서 활용하는 현재 기능을 넘어, 기존 분석의 재검토를 유도하는 방향으로 확장하려 한다.

🧠 상세 정리

1. 추론 능력과 기업 맥락 사이의 간극

현재 모델은 복잡한 작업을 추론할 수 있지만, 어떤 펀드 보고서가 최신인지 또는 세 시스템에 등장하는 서로 다른 이름이 같은 개체를 가리키는지 자동으로 이해하지는 못한다. 이런 맥락은 문서, 데이터룸, 스프레드시트, 이메일과 내부 도구에 흩어져 있으며, 금융·보험·부동산 업무에서는 이를 정확하게 검색하는 능력이 필수적이다. Rizzoli와 Edwardsson은 널리 사용되는 컴퓨터 비전 접근성 앱을 함께 개발한 뒤, 기업이 AI에 자사의 업무 방식을 가르칠 수 있도록 2018년 V7을 설립했다. V7 Go는 묻혀 있는 맥락을 에이전트가 조회하고 행동에 활용할 수 있는 기억으로 정리하는 핵심 업무용 에이전트 플랫폼이다. V7은 맥락·모델·도구를 결합한 에이전트가 50~100단계 워크플로를 수분 내에 수행하고 정확도 99.9%를 달성하면서 모든 의사결정의 감사 추적을 유지한다고 설명한다.

2. Context Graph의 구조와 검색 근거

Context Graph는 에이전트가 요청마다 맥락을 다시 찾아 수십 차례 검색하고 시간과 토큰을 소모하면서도 관계 속 핵심 정보를 놓치는 문제를 다룬다. V7 Go는 SharePoint와 Google Drive 같은 저장소에서 개체·관계·사실·속성·지표를 추출해 그래프를 구성하며, 원문은 이 그래프 탐색이 긴 컨텍스트 방식보다 비용과 속도 면에서 한 자릿수 규모, 즉 약 10배 유리하다고 설명한다. 새 파일이 들어오면 회사·펀드·사람 등 온톨로지에 정의된 개체를 식별하고, 각 사실을 신규 또는 기존 기록에 연결하면서 원문으로 이어지는 인용 근거를 보존한다. 그래프의 정보가 충분하지 않을 때는 RAG로 기초 문서를 검색할 수 있어 구조화된 기억과 원문 검색을 함께 활용한다. 기업 시스템에 분산된 정보를 찾고 연결하는 HERB 벤치마크에서 V7의 검색 전용 시스템은 공식 기준선보다 성능이 69% 높았고, 답할 수 없는 질의에서 환각을 38% 줄였다. 장기 실행 에이전트는 최근 대화를 모델의 활성 컨텍스트에 두고 오래된 자료는 그래프에 저장해 필요할 때 다시 가져온다.

3. 거래 검토와 보험 업무에서의 활용

V7 Go는 정리된 기업 맥락을 사모펀드 거래 검토와 보험 인수 심사 같은 문서 중심 업무에 활용한다. 원문의 시연에서는 Confidential Information Memorandum(CIM)이라는 거래 문서에서 핵심 재무 수치, 거래 조건, 경영진 세부 정보와 위험 관련 항목의 근거를 추출한 뒤 검토 의견서를 생성한다. V7이 제시한 고객 사례에서 자산운용사는 거래 검토 속도를 21배 높여 하루가 걸리던 절차를 15분으로 줄였다. 한 금융 서비스팀은 검토 시간을 100시간 초과에서 10시간 미만으로 단축하고 작업당 전문가 비용 12,000달러를 절감했다. 보험팀은 과거 모든 청구와 기존 보험 약관에 관한 지식을 에이전트에 제공한 뒤 청구 처리 오류를 수작업 기준선 대비 13.5% 줄였다. CTO Simon Edwardsson은 GPT‑5.6 Terra와 더 풍부한 맥락 덕분에 모델을 위해 작업을 단순화하던 중간 단계를 제거해 구축 작업을 며칠 줄였으며, 첫 워크플로 구성부터 제대로 작동하는 경우가 많아졌다고 설명한다.

4. 다단계 실행을 위한 모델 선택과 평가

복잡한 워크플로에서는 모델이 긴 지시를 따르고 도구를 실행하며 결과를 해석해야 하고, 앞 단계의 오류 하나가 큰 비용과 신뢰 손실로 이어질 수 있다. V7 Go는 결정론적 코드, 소형 모델로의 인계, 파일 생성과 외부 연동을 포함하는 긴 작업을 조율하고 실행마다 감사 가능한 기록을 남긴다. AI가 생성한 워크플로의 각 단계는 fast·medium·smart 등급에 배정되며, GPT‑5.6 Luna는 구조화된 추출과 대량 처리를, GPT‑5.6 Terra 또는 Sol은 채팅·Go Agent 경로와 더 많은 추론 및 도구 사용이 필요한 단계를 맡는다. V7은 인용 정확도, 수백 가지 문서 유형의 추출 품질, 답변 정확성, 지시 준수, 지연 시간, 비용과 실제 기업 업무를 포함하는 벤치마크를 지속적으로 유지한다. 회사는 자신들이 중시하는 동작에서 OpenAI가 대부분의 모델보다 우수했고, 다른 제공업체에서는 몇 주 걸리던 처리 용량 확대도 수시간 내 승인·구현됐다고 설명한다. Context Graph 벤치마크에서 GPT‑5.6 Sol은 GPT‑5.5의 2.7%였던 도구 호출 오류율을 0.2%로 낮췄으며, V7은 다단계 도구 워크플로의 성능을 OpenAI를 기본 제공업체로 선택한 이유로 제시한다.

5. 처리 효율 개선과 더 어려운 질의 검증

V7의 최신 실행 환경에서는 여러 외부 호출이 포함된 주요 워크플로의 완료 시간이 최대 50% 단축됐으며, GPT‑5.6 Luna의 문서당 비용은 GPT‑5.4 mini보다 78% 낮게 측정됐다. 문서 중심 V7 Go 작업을 Chat Completions API에서 Responses API로 이전한 테스트에서는 일부 PDF 중심 워크플로의 토큰 사용량이 약 5% 감소하고 캐싱 신뢰성이 개선됐다. GPT‑5.6 Sol이 기존 벤치마크 다수에서 성능 포화에 도달하자, V7은 수천 개 문서에 걸친 더 정리되지 않은 실제 데이터를 사용해 어려운 그래프 질의 평가를 만들었다. 이 데이터셋은 네 가지 난도로 구성됐으며, V7이 보고한 최고 난도 정확도는 GPT‑5.6 Sol 78%, GPT‑6 Astra 89%였다. 쉬움·중간·어려움 수준에서는 두 모델 모두 100%에 가까운 점수를 기록했다. V7은 수천 개 문서를 아우르는 재무 분석 등 가장 까다로운 Context Graph 질의에 GPT‑6 Astra를 사용하기 시작하고 있으며, 이 수치들은 해당 회사의 평가 조건에서 나온 결과다.

6. MCP 연동과 능동적 기업 기억의 방향

V7 Go는 이미 MCP 서버를 통해 Context Graph 조회와 정보 수집 기능을 제공하므로, 고객은 ChatGPT와 다른 호환 클라이언트에서 기업 맥락을 활용할 수 있다. Codex에서는 MCP를 통해 V7 Go 워크플로를 생성할 수 있으며, 이 기능과 더 단순해진 설계 방식이 함께 작용해 중간 길이 워크플로의 생성 시간을 약 1시간에서 약 20분으로 줄였다. 장기적으로 V7은 Context Graph의 사실이 바뀌면 워크플로가 시작되고, 불일치를 표시하며, 사람이 다시 살펴봐야 할 분석을 알려주는 더 능동적인 공유 기억을 목표로 한다. 예를 들어 펀드 보고서가 정정되면 이전 수치에 여전히 의존하는 작업을 V7 Go가 표시하도록 하는 구상이다. 이는 현재 제공되는 MCP 연동과 구분되는 개발 방향이며, 변경 기반 자동화가 이미 완성됐다는 설명은 아니다. CEO Alberto Rizzoli는 AI에서 실질적 가치를 얻는 금융회사의 경쟁력이 에이전트 수보다 좋은 맥락에 달려 있다고 주장한다.

🧾 핵심 주장 / 시사점

• Context Graph의 가치는 자료를 저장하는 데 더해 개체 사이의 관계와 출처를 보존한다는 데 있으며, 기업 지식의 재사용과 결과 검증을 함께 뒷받침한다.
• GPT‑5.6 Luna의 비용 절감, GPT‑5.6 Sol의 도구 호출 오류 감소, GPT‑6 Astra의 최고 난도 정확도 향상은 작업 특성에 따른 모델 선택의 근거를 보여주지만, 수치는 V7의 평가와 사례 범위에서 해석해야 한다.
• Context Graph의 변경을 기존 분석의 재검토로 연결하려는 목표는 기업 기억을 수동 검색에서 능동적 업무 갱신으로 확장하는 방향을 보여준다.

✅ 액션 아이템

• Context Graph의 출처 연결과 RAG 보완 방식을 기준으로 기업 맥락 재사용 및 근거 추적의 적용 가능성을 검토한다.
• GPT‑5.6 Luna·Terra·Sol의 역할 분담과 GPT‑6 Astra의 고난도 질의 결과를 바탕으로 작업별 비용·정확도·도구 사용 요구를 비교한다.
• MCP를 통한 ChatGPT·Codex 활용 범위를 검토하고, Context Graph 변경 기반 자동화는 향후 목표라는 점을 적용 판단에 반영한다.

❓ 열린 질문

• V7이 제시한 50~100단계 워크플로의 정확도 99.9%는 어떤 작업 범위와 평가 기준에서 측정됐는가?
• Context Graph의 정보가 부족해 RAG로 원문을 검색하는 경우에도 출처 추적과 검색 정확도는 어떻게 유지되는가?
• Context Graph의 사실 변경에 따라 워크플로를 시작하고 재검토할 분석을 알리는 기능은 언제 어떤 범위로 제공될 예정인가?