V7 Go: AI 에이전트의 '기관 기억'을 구축하는 방법
How V7 gives AI agents institutional memory
OpenAI NewsV7 Go는 기업 내부의 분산된 문서와 데이터를 'Context Graph'라는 구조화된 메모리로 통합하여, AI 에이전트가 비즈니스 맥락을 학습하고 업무를 수행하도록 돕는 플랫폼입니다.
- 단순 검색을 넘어 엔티티 간 관계까지 연결하는 Context Graph 덕분에, 복잡한 다단계 워크플로우도 높은 정확도로 자동화하며 수십 시간 걸리던 작업을 몇 분 만에 처리합니다.
- 금융, 보험 등 데이터 의존도가 높은 전문 산업에서 업무 프로세스를 혁신하여 작업 시간을 획기적으로 단축하고 인적 오류를 줄여 실질적인 운영 효율성을 제공합니다.
- AI 에이전트의 진정한 가치는 최신 LLM 성능뿐 아니라, 기업 내부 데이터를 얼마나 깊고 구조적으로 정비하여 '공유 메모리'로 구축했는지에 달려있습니다.
기존 AI 모델들은 복잡한 작업을 수행할 수 있지만, 해당 작업의 근본적인 비즈니스 맥락(business context)을 자동으로 이해하지 못하는 한계가 있습니다. 이 맥락은 금융, 보험, 부동산 등 전문 분야에서 문서, 데이터룸, 스프레드시트, 내부 도구 등에 분산되어 있어 에게는 '사라지거나 보이지 않는' 정보로 남아있습니다. V7 Go는 이러한 문제를 해결하기 위해 Context Graph를 활용합니다. 이 그래프는 엔티티(개체), 관계, 인용된 증거 등을 연결하여 기업의 비즈니스 맥락을 구조화된 메모리로 구축하고, 에이전트가 이를 직접 조회하고 행동할 수 있도록 합니다.
V7 Go는 GPT-5.6 Luna를 사용하여 수백만 개의 파일에서 정보를 추출하고 Context Graph에 정리하며, 이는 개체와 관계를 연결하는 역할을 수행합니다. 또한, 복잡한 다단계 지침을 처리하기 위해 GPT-5.6 Terra 및 Sol 모델을 활용하여 추론과 도구 사용 기능을 제공합니다. 이 구조화된 컨텍스트 덕분에 에이전트는 모든 결정을 감사할 수 있는 기록(auditable trail)을 유지하며, 50~100단계의 워크플로우를 몇 분 만에 완료하고 99.9%의 정확도를 달성하는 것이 가능합니다.
실제 산업 적용 사례에서 V7 Go는 높은 효율성을 입증했습니다. 예를 들어, 사모펀드 거래 심사(private equity deal screening)와 같은 워크플로우를 통해 자산 관리자들은 기존 대비 21배 빠르게 거래를 심사할 수 있게 되었으며, 금융 서비스 팀은 검토 시간을 100시간 이상에서 10시간 미만으로 단축했습니다. 또한 보험팀의 경우, 이전 청구 기록과 기존 정책에 대한 역사적 지식을 에이전트에게 제공함으로써 수동 기준 대비 클레임 처리 오류를 13.5% 감소시키는 성과도 거두었습니다.
용어 풀이
- 에이전트
- 목표를 받으면 스스로 계획을 세우고 도구를 써서 여러 단계의 작업을 해내는 AI.
