V7 сократил затраты на 78% с GPT-5.6 Luna: как корпоративная память меняет работу AI-агентов

Современные AI-агенты умеют рассуждать, пользоваться инструментами и выполнять длинные цепочки задач. Но есть одна принципиальная проблема: каждый раз, получая новый запрос, они начинают с чистого листа. Они не знают, как устроен ваш бизнес, какие документы актуальны, как одна и та же организация называется в разных внутренних системах. Именно эту проблему решает компания V7 — и результаты впечатляют.

Кто такие V7 и что они делают

После совместной разработки популярного приложения для работы с компьютерным зрением Риццоли и Эдвардссон основали V7 в 2018 году с целью помочь компаниям научить AI-системы понимать, как работает их бизнес.

V7 — это агентная AI-платформа для финансового сектора, страхования и недвижимости, которая использует модели OpenAI GPT-5.6 и GPT-6 Astra для построения так называемого «Context Graph» (графа контекста) — структурированной, запрашиваемой памяти для AI-агентов, собранной из разрозненных корпоративных документов.

Проблема: агенты слепы к контексту бизнеса

Современные модели способны рассуждать над сложными задачами, но они не понимают автоматически бизнес-контекст этих задач. Какой отчёт по фонду является актуальным? Как одна и та же организация называется в трёх разных системах? Этот контекст хранится в документах, дата-румах, таблицах, письмах и внутренних инструментах — разрозненный, неструктурированный и невидимый для агентов.

Агентам приходится заново искать контекст при каждом запросе, что приводит к десяткам поисковых вызовов, расходующих время и токены, и при этом часто упускается ключевая информация, скрытая в связях между данными.

«Чтобы решать сложные корпоративные задачи в финансах и страховании, AI должен так же хорошо знать, как работает ваш бизнес, как он знает Интернет.» — V7

Решение: трёхуровневая архитектура с GPT-5.6

V7 построила платформу V7 Go на основе трёхуровневой модели использования AI, где каждый уровень соответствует определённому типу задач:

graph TD
    A[Корпоративные файлы\nДокументы, письма, таблицы] --> B[Context Graph\nСтруктурированная память]
    B --> C{Тип запроса}
    C --> D[Простые задачи\nЭкстракция, классификация]
    C --> E[Средние задачи\nРабота с инструментами, чат]
    C --> F[Сложные задачи\nМногошаговый анализ, финансы]
    D --> G[GPT-5.6 Luna\nСкорость + экономия]
    E --> H[GPT-5.6 Terra / Sol\nБаланс мощности]
    F --> I[GPT-6 Astra\nМаксимальная точность]
    G --> J[Результат: источник-ссылка]
    H --> J
    I --> J

GPT-5.6 Luna: высокий объём по минимальной цене

GPT-5.6 Luna (Луна) обрабатывает высокообъёмную структурированную экстракцию данных и загрузку в Context Graph.

GPT-5.6 Luna — быстрая, экономически эффективная модель в серии GPT-5.6. Она оптимизирована для высокообъёмных, чувствительных к задержкам задач: чата, классификации и лёгких агентных рабочих процессов, обеспечивая качественное рассуждение в своём ценовом диапазоне.

V7 зафиксировала снижение стоимости обработки одного документа на 78% при использовании GPT-5.6 Luna по сравнению с GPT-5.4 mini.

GPT-5.6 Terra и Sol: сложная логика и инструменты

GPT-5.6 Terra и GPT-5.6 Sol обеспечивают работу агентных рабочих процессов (Workflows): чат, использование инструментов и более сложное многошаговое рассуждение.

«Мы выбрали OpenAI в качестве провайдера по умолчанию, потому что он лучше всего справляется с многошаговыми инструментальными рабочими процессами, на которых построен V7 Go. В нашем бенчмарке Context Graph GPT-5.6 Sol снизил частоту ошибок при вызове инструментов с 2,7% до 0,2%», — говорит Симон Эдвардссон, соучредитель и CTO V7.

GPT-6 Astra: для самых сложных запросов

V7 также начинает использовать GPT-6 Astra для наиболее сложных запросов к Context Graph, включая финансовый анализ тысяч документов.

Для стресс-тестирования запросов к графу V7 создала усложнённый бенчмарк с использованием реальных данных из тысяч документов четырёх уровней сложности. На уровне «очень сложно» GPT-5.6 Sol показал точность 78%, тогда как GPT-6 Astra достиг 89%. На лёгком, среднем и сложном уровнях обе модели показали результат близкий к 100%.

Сравнение моделей в экосистеме V7

Реальные результаты: цифры из практики

Это позволяет агентам выполнять рабочие процессы из 50–100 шагов за считанные минуты с заявленной точностью 99,9% и полной проверяемостью каждого решения.

V7 приводит следующие результаты клиентов, использующих Context Graph: управляющие активами проводят скрининг сделок в 21 раз быстрее, сокращая процесс целого рабочего дня до примерно 15 минут. Команда в сфере финансовых услуг сократила время проверки с более чем 100 часов до менее чем 10, сэкономив $12 000 в расходах на экспертизу за одно задание. Страховые команды снизили количество ошибок при обработке страховых случаев на 13,5% по сравнению с ручным процессом после предоставления агентам доступа к полной истории предыдущих претензий и действующих полисов.

Технические детали: переход на Responses API

V7 также перевела рабочие процессы с Chat Completions API на Responses API (API ответов), сократив потребление токенов примерно на 5% в рабочих процессах с интенсивным использованием PDF-документов.

В бенчмарке Context Graph V7 частота ошибок при вызове инструментов снизилась с 2,7% при GPT-5.5 до 0,2% при GPT-5.6 Sol. V7 также сообщила, что переключение документоёмких рабочих процессов с Chat Completions API на Responses API сократило потребление токенов примерно на 5% на некоторых PDF-интенсивных рабочих процессах и улучшило надёжность кэширования.

GPT-5.6 Luna: технические характеристики

GPT-5.6 Luna разработана для чувствительных к стоимости, высокообъёмных рабочих нагрузок. Вот ключевые параметры модели:

Параметр reasoning.effort поддерживает значения: none, low, medium (по умолчанию), high, xhigh и max. Это позволяет гибко управлять балансом между скоростью и глубиной рассуждения в зависимости от сложности задачи.

# Пример вызова GPT-5.6 Luna с явным указанием reasoning effort
import openai

client = openai.OpenAI()

response = client.responses.create(
    model="gpt-5.6-luna",
    reasoning={"effort": "high"},  # Для сложной экстракции
    input=[
        {
            "role": "user",
            "content": "Извлеки ключевые финансовые показатели из документа..."
        }
    ]
)

print(response.output_text)

Почему это важно: новая экономика агентных систем

OpenAI запустила семейство моделей GPT-5.6 в широкий доступ: флагманскую Sol, сбалансированную Terra для повседневной работы и Luna — наиболее экономичную модель.

Кейс V7 демонстрирует ключевую тенденцию: будущее корпоративного AI — не в одной «умной» модели, а в умной маршрутизации между моделями разного уровня. Дешёвые, быстрые модели вроде Luna берут на себя рутинный объём, дорогостоящие флагманы подключаются только там, где это критично.

Во внутренних оценках, измеряющих фактическую надёжность в реальных разговорах об ошибках, OpenAI сообщила, что GPT-6 Luna при высоком reasoning effort сопоставима по точности с GPT-5.6 Sol примерно за одну сотую стоимости API.

Снижение затрат на 78% при сохранении точности — это не просто оптимизация. Это смена бизнес-модели для любой компании, работающей с большими объёмами документов.

Итог

V7 показывает: проблема корпоративного AI — не в мощности моделей, а в отсутствии структурированного контекста. Context Graph даёт агентам то, чего им не хватало — институциональную память бизнеса. А грамотное распределение задач между GPT-5.6 Luna (скорость и экономия), Terra/Sol (логика и инструменты) и GPT-6 Astra (максимальная сложность) позволяет строить системы, которые работают с точностью 99,9% и обходятся на 78% дешевле предыдущего поколения.

Для российских компаний в сферах финтека, страхования и управления активами этот подход особенно актуален: огромные объёмы неструктурированных документов, разрозненные базы данных и высокая стоимость экспертного времени — именно та среда, где агентные платформы с умным контекстом способны создавать максимальную ценность.