Agenti AI: serve una memoria aziendale
Un modello AI può ragionare su problemi complessi senza conoscere realmente l’organizzazione nella quale deve lavorare. Non sa automaticamente quale versione di un documento sia valida, come la stessa azienda venga identificata in sistemi differenti o quali informazioni siano collegate tra loro.
È ilproblema affrontato da V7 in un caso pubblicato da OpenAI il 21 settembre. La piattaforma trasforma file aziendali in contesto utilizzabile dagli agenti attraverso unContext Graphche collega entità, relazioni ed evidenze citate.
Recuperare un documento non basta
Nelle aziende la conoscenza è distribuita tra documenti, data room, fogli di calcolo, email e applicazioni. Un sistema RAG tradizionale può recuperare i passaggi semanticamente più vicini a una domanda, ma alcuni problemi richiedono qualcosa in più: capire che due nomi indicano la stessa entità, distinguere una versione aggiornata da una superata o seguire relazioni distribuite su più fonti.
V7utilizza GPT-5.6 Luna per estrarre informazioni da milioni di file e organizzarle nel Context Graph, utilizzato poi per ricerca MCP e workflow ripetibili. Per le query più impegnative sta inoltre adottando GPT-6 Astra.
OpenAI riporta alcuni risultati dichiarati da V7:89% di accuratezzadi GPT-6 Astra sulle query più difficili del Context Graph;+11,6 punti di accuratezzae78% di costo in meno per documentocon GPT-5.6 Luna.
Sono dati del caso cliente, non benchmark indipendenti, e vanno interpretati come tali.
Dal RAG alla memoria operativa
Il fatto documentato è cheV7 combina estrazione, relazioni tra entità, fonti citate, modelli e strumenti per fornire contesto agli agenti.
Naturalmente questa direzione è particolarmente importante per l’AI aziendale. Una knowledge base non dovrà soltanto rispondere alla domanda “quali chunk assomigliano a questa query?”, ma sempre più anche “quali informazioni appartengono alla stessa pratica, cliente, progetto o processo?”.
Questo non rende inutile il vector search. Al contrario:retrieval semantico, metadati, relazioni e reranking possono diventare livelli complementari dello stesso sistema.
Perché cambia anche il lavoro degli agenti
Secondo V7, i suoi agenti possono eseguire workflow di50–100 passaggiin pochi minuti mantenendo un audit trail delle decisioni.
Più un agente lavora autonomamente, più la qualità del contesto diventa critica. Un’informazione sbagliata all’inizio di un workflow lungo può propagarsi attraverso molte azioni successive.
Per PMI e Studi Professionali questo suggerisce una priorità concreta: prima di aumentare l’autonomia dell’AI, occorre rendere più affidabile la conoscenza che le viene fornita, conservando provenienza, identità dei documenti, relazioni e possibilità di verifica.
La competizione tra modelli continuerà, ma una parte crescente del valore potrebbe trovarsi in qualcosa di molto più vicino all’azienda:la qualità della sua memoria digitale.
Gol-IAsegue questa direzione collegando knowledge base, fonti e workflow agli strumenti AI utilizzati dall’organizzazione. L’obiettivo è dare agli agenti contesto aziendale verificabile, non soltanto più testo da inserire nel prompt.