V7 transforma arquivos corporativos em contexto estruturado para agentes de inteligência artificial
A empresa V7 está utilizando modelos da família GPT, desenvolvidos pela OpenAI, para converter arquivos dispersos de organizações em um contexto estruturado que pode ser consultado diretamente por agentes de inteligência artificial. A solução, chamada V7 Go, organiza milhões de documentos em uma estrutura interna conhecida como Context Graph, que conecta entidades, relacionamentos e evidências citadas, viabilizando fluxos de trabalho automatizados que podem se estender por centenas de etapas.
O Context Graph opera como uma espécie de memória institucional para os agentes de IA. Segundo a explicação divulgada pela própria V7, quando um novo arquivo é ingerido pelo sistema, a plataforma identifica automaticamente empresas, fundos, pessoas ou qualquer outra entidade prevista em uma ontologia, que é um esquema previamente configurado para definir quais categorias de informação devem ser reconhecidas. Em seguida, cada fato extraído é vinculado a um registro novo ou já existente, sempre preservando a referência ao documento de origem. Caso o grafo não disponha de dados suficientes para responder a uma consulta específica, o V7 Go ainda pode recorrer aos documentos originais por meio da técnica conhecida como RAG, abreviação em inglês para Geração Aumentada por Recuperação, em que o modelo localiza trechos relevantes nos textos antes de formular a resposta final.
A V7 adota diferentes variantes do modelo GPT-5.6 da OpenAI para finalidades específicas dentro da plataforma. A versão Luna é responsável por extrair informações de milhões de arquivos e estruturá-las no Context Graph, além de alimentar buscas via protocolo MCP, mecanismo que conecta agentes de IA a fontes de dados externas, e dar suporte a fluxos de trabalho repetíveis. Já as variantes Terra e Sol são dedicadas a tarefas de raciocínio e uso de ferramentas em instruções que envolvem múltiplas etapas, geralmente associadas a análises que consumiriam dezenas de horas de trabalho humano para serem concluídas manualmente.
Nos benchmarks divulgados pela empresa, o uso do GPT-5.6 Luna proporcionou uma redução de 78% no custo por documento processado e um ganho de 11,6 pontos percentuais em acurácia em comparação com abordagens anteriores. Os resultados reforçam a estratégia de utilizar versões especializadas do mesmo modelo de linguagem para etapas distintas da pipeline de processamento de documentos.
Para as consultas mais desafiadoras realizadas sobre o Context Graph, a V7 passou recentemente a adotar o modelo GPT-6 Astra. Nos testes internos mais exigentes da empresa, voltados para perguntas complexas sobre o grafo de conhecimento, essa versão atingiu 89% de acurácia, consolidando a tendência de combinar diferentes modelos de linguagem de acordo com a complexidade e o tipo de cada tarefa executada.
A proposta central da V7 é oferecer aos agentes de IA um registro estruturado e constantemente atualizado, no qual cada informação possa ser rastreada até sua fonte original. Ao transformar o acúmulo de arquivos corporativos em uma base de conhecimento conectada e auditável, a companhia busca viabilizar que agentes autônomos executem análises e processos anteriormente dependentes da capacidade humana de localizar e cruzar manualmente dados espalhados por sistemas distintos.
