OpenAI 모델 기반 V7, AI 에이전트에 조직의 기억을 부여

기업용 AI 에이전트는 단계별 추론 능력에서는 발전했지만, 대부분의 작업은 여전히 처음부터 다시 시작한다. 건네받은 문서 한 장은 읽을 수 있어도, 회사가 이미 알고 있는 것들은 기억하지 못한다. 삼 년 전 PDF 계약서 속에 묻힌 조항, 어떤 보험금 청구가 왜 거절되었는지를 설명하는 이메일 대화, 고객이 방금 말한 내용과 모순되는 내부 기록 같은 것들이다. V7은 OpenAI의 뉴스 사이트에서 새로 소개된 에이전트형 AI 플랫폼으로, 서류 업무를 중심으로 돌아가는 세 산업, 즉 금융, 보험, 부동산을 위해 바로 이 공백을 메우도록 만들어졌다.

V7이 하는 일과 그 뒤의 수치

V7의 핵심은 발표에서 컨텍스트 그래프라고 부르는 것이다. 이는 회사 자체의 흩어진 파일, PDF, 이메일, 내부 기록으로부터 만들어진 구조화되고 조회 가능한 기억 계층이다. V7은 각 작업을 고립된 요청으로 취급하는 대신, 조직 전체의 문서를 그래프 형태로 정리해 에이전트가 작업 도중 언제든 조회할 수 있게 하고, 모든 답변을 원본 문서까지 다시 연결한다. 이는 에이전트에게 조직의 기억을 부여하는 것이라고 설명된다. 원래는 직원이 수년에 걸쳐 쌓아 올리는 배경 지식을, 첫 번째 작업부터 에이전트가 활용할 수 있게 만드는 것이다. V7은 OpenAI의 GPT-5.6 계열과 더 새로운 GPT-6 Astra 모델 위에서 작동하며, 후자는 가장 어려운 그래프 조회 작업을 위한 추론 엔진으로 자리매김되어 있다.

공개된 핵심 주장은, V7 에이전트가 50에서 100단계에 걸친 워크플로를 몇 시간이 아니라 몇 분 만에 완료하면서도 99.9%의 정확도를 달성하고, 모든 결정 과정에 대해 감사 가능한 기록을 남긴다는 것이다. 이 기록의 무게는 정확도 수치 못지않다. 담당자가 결과를 그대로 믿는 대신, 답변을 원본 문서까지 거슬러 확인할 수 있기 때문이다. 제품의 워크플로 기능에서는 V7 Go가 GPT-5.6 Terra와 Sol을 사용해, 복잡한 다단계 지시 전반에 걸친 추론과 도구 사용을 수행한다. 이는 사람이 처리할 경우 수십 시간이 걸리는 작업이라고 한다. 더 어려운 벤치마크에서는 GPT-6 Astra가 가장 어려운 그래프 조회 벤치마크에서 89%의 정확도를 기록한 반면, GPT-5.6 Sol은 78%에 그쳤다. 단순 조회가 아니라 십 년치 스캔 기록 속에서 올바른 조항을 찾아내는 작업에서는 이 차이가 실질적인 의미를 갖는다. 비용 측면에서는, GPT-5.6 Luna가 GPT-5.4 mini에 비해 문서 한 건당 처리 비용을 78% 절감했다. 워크플로가 한 건이 아니라 수천 건의 문서를 다룰 때, 이 수치의 의미는 몇 배로 커진다.

왜 단순 검색이 아니라 그래프인가

V7이 실제로 무엇을 개선하려는지 정확히 짚어볼 가치가 있다. 오늘날 에이전트를 기업 데이터에 근거하게 만드는 주된 방식은 검색 증강 생성이며, 문서를 벡터 공간에 임베딩한 뒤 질의와 의미적으로 비슷한 구절을 끌어오는 방식이다. 이 방식은 빠르고 저렴하지만, 모든 문서를 서로 연결되지 않은 섬처럼 취급한다. 대출 서류와 그것을 뒷받침하는 감정 평가서 사이의 관계나, 보험금 청구와 그것을 규율하는 보험 증권 사이의 관계를 애초에 이해하는 구조가 없다. 반면 컨텍스트 그래프는 이러한 관계를 명시적으로 축으로 삼아 구조화되어 있다. 이는 공개된 수치 자체의 주장이 아니라 분석이지만, 보고된 벤치마크 향상이 특히 그래프 조회 작업에 집중되어 있는 이유를 설명해 주는 듯하다. 상호 참조가 많은 서류와 엄격한 감사 요건을 특징으로 하는 금융, 보험, 부동산이라는 세 산업이 나중에 덧붙여진 것이 아니라 처음부터 출시 대상으로 선택된 이유도 여기에 있다고 볼 수 있다. 다른 각도에서 보면, 이 지점이 바로 감사 가능한 판단 기록이라는 특징이 진짜 의미를 갖는 곳이다. 업무 담당자에게 에이전트의 결론을 그대로 믿으라고 요구하는 대신, 동료의 작업을 확인하듯 링크를 따라 원본 문서로 돌아가 각 추론이 타당한지 스스로 검증할 수 있게 해 준다. 규제 감독과 소송 증거 개시, 내부 컴플라이언스 점검을 일상적으로 처리해야 하는 업계에서는, 똑똑해 보이지만 근거를 설명하지 못하는 에이전트가 실제로 쓰이기 어렵다. GPT-6 Astra의 정확도 향상과 GPT-5.6 Luna의 비용 절감이 같은 발표 안에서 함께 언급되는 이유도 여기에 있다고 볼 수 있다. 믿을 수 있는가와 비용이 합리적인가, 이 둘 중 하나만으로는 기업이 도입을 결정하는 제품이 되지 못하기 때문이다.

에이전트형 AI 시장에 대한 시사점

더 넓은 에이전트형 AI 흐름 속에서 보면, V7이 보여주는 신호는 다음 경쟁 축이 모델 자체의 똑똑함이 아니라 에이전트가 무엇을 기억하고 자신의 작업에 대해 무엇을 증명할 수 있는가에 있다는 점이다. 출처가 연결된 답변과 감사 가능한 판단 기록은 일반적인 소비자용 챗봇보다 규제 산업에서 훨씬 더 중요하다. 대출 승인이나 거절된 보험금 청구는 그 순간 그럴듯하게 들리는 것만으로는 부족하고, 사후에 설명될 수 있어야 하기 때문이다. 정확도 수치와 나란히 문서 한 건당 비용이 공개된 것도, 기업 구매자들이 V7을 인상적인 데모인지 여부가 아니라 처리량과 단위 경제성이라는 기준으로, 백오피스 자동화 공급업체를 평가하듯 평가할 것으로 예상됨을 시사한다. 정확도와 감사 가능성, 단위 비용이라는 세 가지의 조합이야말로, 단 하나의 화려한 수치가 아니라, 이런 종류의 에이전트 기억이 세 개의 첫 출시 산업을 넘어 더 널리 퍼질지를 좌우할 것이다.