V7, propulsé par OpenAI, donne une mémoire aux agents IA

Les agents d'intelligence artificielle en entreprise ont progressé dans leur capacité à raisonner étape par étape, mais la plupart des tâches recommencent encore à zéro.

Un agent peut lire le document qu'on lui remet, mais il ne se souvient pas de ce que l'entreprise sait déjà : la clause enfouie dans un contrat PDF vieux de trois ans, l'échange de courriels qui explique pourquoi une réclamation a été refusée, le dossier interne qui contredit ce que le client vient d'affirmer. V7, une plateforme d'IA agentique tout juste présentée sur le site d'actualités d'OpenAI, est conçue précisément pour combler cet écart dans trois secteurs qui vivent de la paperasse : la finance, l'assurance et l'immobilier.

Ce que fait V7, et les chiffres qui l'accompagnent

Au cœur de V7 se trouve ce que l'annonce appelle un Context Graph : une couche de mémoire structurée et interrogeable, construite à partir des fichiers, PDF, courriels et dossiers internes dispersés d'une entreprise. Plutôt que de traiter chaque tâche comme une requête isolée, V7 organise les documents de toute une organisation en un graphe que les agents peuvent consulter en cours de tâche, chaque réponse étant reliée au document source d'origine. Cela est décrit comme le fait de donner aux agents une « mémoire institutionnelle » : le contexte accumulé qu'un employé humain bâtirait au fil des années, mis à disposition d'un agent dès sa première tâche. V7 repose sur la famille GPT-5.6 d'OpenAI ainsi que sur le nouveau modèle GPT-6 Astra, présenté comme le moteur de raisonnement pour les requêtes de graphe les plus difficiles.

L'affirmation centrale est que les agents V7 achèvent des workflows de 50 à 100 étapes en quelques minutes plutôt qu'en plusieurs heures, tout en atteignant une précision de 99,9 %, avec une trace auditable de chaque décision prise en cours de route -- une trace qui compte presque autant que le chiffre de précision lui-même, puisqu'elle permet à un responsable de la conformité de remonter jusqu'au document source plutôt que de simplement faire confiance au résultat. Pour la partie « Workflows » du produit, V7 Go utilise GPT-5.6 Terra et Sol pour le raisonnement et l'usage d'outils sur des instructions complexes et multi-étapes qui demanderaient sinon des dizaines d'heures à un employé humain. Sur les évaluations les plus exigeantes, GPT-6 Astra atteint 89 % de précision sur les benchmarks de requêtes de graphe les plus difficiles, contre 78 % pour GPT-5.6 Sol, un écart qui compte réellement lorsqu'il s'agit de retrouver la bonne clause dans dix ans d'archives numérisées plutôt que de répondre à une simple recherche. Côté coûts, GPT-5.6 Luna réduit de 78 % le coût par document traité par rapport à GPT-5.4 mini, ce qui devient considérable dès qu'un workflow traite des milliers de documents plutôt qu'un seul.

Pourquoi un graphe, et pas seulement de la recherche

Il vaut la peine de préciser ce que V7 prétend améliorer. La méthode dominante pour ancrer aujourd'hui les agents d'IA dans les données d'une entreprise est la génération augmentée par récupération, qui consiste à intégrer les documents dans un espace vectoriel puis à en extraire les passages qui ressemblent le plus à une requête.

Cette approche est rapide et peu coûteuse, mais elle traite chaque document comme une île isolée : elle n'a aucune notion native du lien entre un dossier de prêt et l'expertise qui le justifie, ni entre une réclamation et la police qui la régit. Un Context Graph, à l'inverse, est explicitement structuré autour de ces relations, ce qui explique sans doute pourquoi les gains de benchmark rapportés portent spécifiquement sur les tâches de « requête de graphe » plutôt que sur de simples recherches. Ceci relève de l'analyse plutôt que d'une affirmation contenue dans les chiffres donnés, mais cela concorde avec le fait que la finance, l'assurance et l'immobilier, trois secteurs définis par des documents croisés et des exigences d'audit strictes, soient les verticales de lancement plutôt qu'un ajout tardif.

Ce que cela révèle sur le marché de l'IA agentique

Replacé dans la dynamique plus large de l'IA agentique, V7 signale que le prochain axe de compétition n'est pas la capacité brute des modèles, mais ce qu'un agent peut retenir et prouver sur son propre travail. Des réponses reliées à leurs sources et une trace de décision auditable comptent bien davantage dans un secteur réglementé que dans un simple agent conversationnel grand public, car une erreur dans l'approbation d'un prêt ou dans une réclamation d'assurance refusée doit pouvoir être expliquée après coup, pas seulement paraître plausible sur l'instant.

Le choix précis de publier un coût par document aux côtés d'un taux de précision suggère aussi que les acheteurs d'entreprise sont censés évaluer V7 comme ils évalueraient un fournisseur d'automatisation de back-office : sur le débit et l'économie unitaire, pas seulement sur l'aspect impressionnant d'une démonstration. C'est cette combinaison de précision, d'auditabilité et de coût unitaire, plutôt qu'un seul chiffre marquant, qui déterminera si ce type de mémoire agentique se diffuse au-delà de ces trois secteurs de lancement.