A OpenAI detalhou em 21 de setembro de 2026 como a plataforma V7 Go utiliza modelos da família GPT‑5.6 e o novo GPT‑6 Astra para dotar agentes de IA de memória institucional robusta. O sistema transforma arquivos corporativos dispersos em contexto estruturado, permitindo que agentes consultem dados históricos e tomem decisões em fluxos complexos, com ganhos de produtividade e precisão para setores como finanças, seguros e imobiliário fonte.
Context Graph: estrutura para contexto empresarial
O diferencial do V7 Go está no chamado Context Graph. O recurso conecta entidades, relações e evidências extraídas de milhões de arquivos corporativos — desde planilhas até emails e documentos jurídicos. O processo começa com a ingestão de dados de repositórios como SharePoint ou Google Drive. Utilizando o GPT‑5.6 Luna, o sistema extrai fatos, atributos e métricas, que são organizados em um grafo consultável. Cada entidade — empresas, fundos, pessoas — é identificada e vinculada a registros existentes, com citações preservadas à fonte original.
O Context Graph permite buscas e raciocínios mais rápidos e baratos do que abordagens tradicionais baseadas apenas em janelas longas de contexto (long-context). Quando necessário, o sistema recorre a técnicas de RAG para buscar informações não presentes no grafo.
Em benchmarks internos como o HERB, a solução de recuperação do V7 superou a baseline oficial em 69% e reduziu alucinações em consultas sem resposta em 38%. Os ganhos se traduzem em fluxos como screening de deals em private equity e underwriting em seguros, onde a precisão e a rastreabilidade são mandatórias.
Aceleração de fluxos e impacto nos negócios
O uso do Context Graph e dos modelos da OpenAI trouxe ganhos operacionais mensuráveis:
- Asset managers passaram a filtrar deals 21 vezes mais rápido, reduzindo processos de um dia para 15 minutos.
- Uma equipe de serviços financeiros cortou o tempo de revisão de mais de 100 horas para menos de 10, economizando US$ 12 mil em custos de especialistas por tarefa.
- Equipes de seguros reduziram erros em processamento de sinistros em 13,5% comparado ao baseline manual, ao permitir que agentes acessem histórico completo de apólices e sinistros anteriores.
Para fluxos complexos, o V7 Go distribui tarefas entre modelos: GPT‑5.6 Luna executa extrações estruturadas; GPT‑5.6 Terra e Sol lidam com etapas que exigem raciocínio e uso de ferramentas; o GPT‑6 Astra é empregado em queries mais exigentes e análises financeiras de grande escala, atingindo 89% de acurácia nos testes mais difíceis de consulta a grafos.
Segundo a V7, agentes conseguem completar fluxos de 50 a 100 etapas em minutos, com precisão de 99,9% e registro auditável de todas as decisões.
Por que importa
A abordagem do V7 Go representa um avanço prático para empresas que precisam operacionalizar IA em cenários reais, onde o contexto está disperso e a precisão é crítica. O modelo de memória institucional via Context Graph reduz custos, acelera entregas e diminui erros — especialmente em setores regulados. Para o mercado brasileiro, a solução serve de referência para bancos, seguradoras e gestoras que buscam automatizar processos sem abrir mão de rastreabilidade e governança.