OpenAI-gestütztes V7 gibt KI-Agenten ein Gedächtnis

Agentenbasierte KI-Systeme in Unternehmen sind besser darin geworden, Schritt für Schritt zu argumentieren, aber die meisten Aufgaben beginnen immer noch bei null.

Ein Agent kann ein Dokument lesen, das man ihm gibt, aber er erinnert sich nicht daran, was das Unternehmen bereits weiß: die Klausel, die in einem drei Jahre alten PDF-Vertrag vergraben ist, den E-Mail-Verlauf, der erklärt, warum ein Anspruch abgelehnt wurde, oder den internen Datensatz, der dem widerspricht, was der Kunde gerade gesagt hat. V7, eine agentenbasierte KI-Plattform, die neu auf OpenAIs Nachrichtenseite vorgestellt wurde, wurde genau dafür entwickelt, diese Lücke für drei Branchen zu schließen, die von Papierkram leben: Finanzen, Versicherungen und Immobilien.

Was V7 tut, und die Zahlen dahinter

Im Zentrum von V7 steht das, was die Ankündigung einen Context Graph nennt: eine strukturierte, abfragbare Gedächtnisschicht, die aus den verstreuten Dateien, PDFs, E-Mails und internen Aufzeichnungen eines Unternehmens aufgebaut wird. Statt jede Aufgabe als isolierte Anfrage zu behandeln, organisiert V7 die Dokumente einer gesamten Organisation zu einem Graphen, den Agenten mitten in einer Aufgabe abfragen können, wobei jede Antwort bis zum ursprünglichen Quelldokument zurückverfolgt werden kann. Dies wird als das Verleihen eines "institutionellen Gedächtnisses" an Agenten beschrieben: der Kontext, den ein menschlicher Mitarbeiter über Jahre hinweg aufbauen würde, steht einem KI-Agenten bereits ab der ersten Aufgabe zur Verfügung. V7 läuft auf OpenAIs GPT-5.6-Familie sowie dem neueren GPT-6-Astra-Modell, das als Reasoning-Engine für die schwierigsten Graph-Abfragen positioniert wird.

Die zentrale Aussage lautet, dass V7-Agenten Workflows mit 50 bis 100 Schritten in Minuten statt Stunden abschließen, dabei eine Genauigkeit von 99,9 Prozent erreichen und für jede einzelne Entscheidung eine überprüfbare Spur hinterlassen -- eine Spur, die fast so viel zählt wie die Genauigkeit selbst, weil sie es einem Compliance-Verantwortlichen erlaubt, jede Antwort bis zum Quelldokument zurückzuverfolgen, statt dem Ergebnis einfach zu vertrauen. Für den "Workflows"-Teil des Produkts nutzt V7 Go die Modelle GPT-5.6 Terra und Sol für Reasoning und Tool-Einsatz bei komplexen, mehrstufigen Anweisungen, die einem menschlichen Mitarbeiter sonst Dutzende Stunden abverlangen würden. Bei den anspruchsvollsten Benchmarks erreicht GPT-6 Astra 89 Prozent Genauigkeit bei den schwierigsten Graph-Abfrage-Benchmarks, gegenüber 78 Prozent bei GPT-5.6 Sol - ein Unterschied, der von Bedeutung ist, wenn es darum geht, die richtige Klausel in zehn Jahren gescannter Unterlagen zu finden, statt eine einfache Suche zu beantworten. Bei den Kosten senkt GPT-5.6 Luna die Kosten pro verarbeitetem Dokument im Vergleich zu GPT-5.4 mini um 78 Prozent, was erheblich ins Gewicht fällt, sobald ein Workflow Tausende von Dokumenten statt eines einzigen betrifft.

Warum ein Graph und nicht nur Retrieval

Es lohnt sich, genau zu benennen, was V7 zu verbessern beansprucht. Der heute dominierende Ansatz, um KI-Agenten in Unternehmensdaten zu verankern, ist Retrieval-Augmented Generation: Dokumente werden in einen Vektorraum eingebettet, aus dem dann die Passagen abgerufen werden, die einer Anfrage ähneln.

Dieser Ansatz ist schnell und günstig, behandelt aber jedes Dokument wie eine isolierte Insel - er kennt von Haus aus keine Beziehung zwischen einer Kreditakte und dem Gutachten, das sie stützt, oder zwischen einem Versicherungsanspruch und der Police, die ihn regelt. Ein Context Graph ist dagegen explizit um genau diese Beziehungen herum strukturiert, was vermutlich erklärt, warum die berichteten Benchmark-Fortschritte speziell bei "Graph-Query"-Aufgaben liegen und nicht bei einfachen Suchaufgaben. Dies ist eine Einschätzung und keine Behauptung, die in den genannten Zahlen selbst steckt, passt aber dazu, dass Finanzen, Versicherungen und Immobilien - drei Branchen, die von quer verweisenden Unterlagen und strengen Prüfanforderungen geprägt sind - als Startbranchen gewählt wurden und nicht als nachträglicher Zusatz.

Was das für den Markt für agentenbasierte KI bedeutet

Vor dem Hintergrund des breiteren Trends zu agentenbasierter KI signalisiert V7, dass die nächste Wettbewerbsachse nicht die reine Modellfähigkeit ist, sondern das, was ein Agent sich merken und über seine eigene Arbeit belegen kann. Quellenverknüpfte Antworten und eine überprüfbare Entscheidungsspur zählen in einer regulierten Branche weit mehr als bei einem gewöhnlichen Verbraucher-Chatbot, denn eine falsche Kreditgenehmigung oder ein abgelehnter Versicherungsanspruch muss im Nachhinein erklärbar sein und nicht nur im Moment plausibel klingen.

Dass neben der Genauigkeit auch die Kosten pro Dokument genannt werden, deutet zudem darauf hin, dass Unternehmenskäufer V7 so bewerten dürften wie einen Anbieter für Backoffice-Automatisierung: anhand von Durchsatz und Stückkosten, nicht nur anhand einer beeindruckenden Demo. Genau diese Kombination aus Genauigkeit, Prüfbarkeit und Stückkosten - und nicht eine einzelne auffällige Zahl - wird darüber entscheiden, ob sich diese Art von agentenbasiertem Gedächtnis über die drei Startbranchen hinaus verbreitet.