원문 소식, 쉽게 읽기
OpenAI가 소개한 V7 Go는 SharePoint, Google Drive 같은 저장소의 문서를 연결해 기업, 펀드, 사람 등 엔터티와 사실, 속성, 지표, 관계를 추출하고 ‘Context Graph’로 정리한다. 엔터티는 회사·사람·펀드처럼 따로 식별해 연결할 수 있는 대상을 뜻하고, Context Graph는 이런 대상과 사실 사이의 관계를 그래프 형태로 저장한 구조다. 각 사실은 원본 문서의 인용 근거와 함께 저장된다. 출처
문서에서 그래프를 만드는 방식
V7 Go는 문서에서 추출한 사실을 새 레코드나 기존 레코드에 연결해 Context Graph를 만든다. 반복 업무에서는 이 그래프를 먼저 조회하고, 필요한 정보가 그래프에 없으면 RAG 방식으로 원본 문서를 검색한다. RAG는 질문과 관련된 자료를 먼저 찾아온 뒤 그 내용을 모델의 답변 생성에 함께 사용하는 방식이다. 출처
V7은 사모펀드 딜 심사와 보험 인수 심사를 사례로 소개했다. 데모에서는 거래 검토용 기밀 정보 문서인 CIM(Confidential Information Memorandum)에서 재무정보, 거래 조건, 경영진 정보를 추출하고 위험 항목에 원문 근거를 붙여 심사 메모를 만드는 흐름을 설명했다. 출처
장기 작업과 MCP 연결
장기 실행에서는 최근 대화를 모델의 활성 컨텍스트에 두고 오래된 자료는 그래프에 저장해 필요할 때 검색한다. 활성 컨텍스트는 모델이 현재 답변을 만들 때 바로 참고할 수 있도록 입력에 포함된 정보 범위를 말한다. V7 Go는 MCP 서버로 Context Graph 조회와 수집 기능을 제공하며, MCP는 AI가 외부 데이터나 도구를 공통된 방식으로 호출할 수 있도록 만든 연결 규격이다. V7은 ChatGPT 같은 호환 클라이언트나 Codex의 MCP를 통해 워크플로에 연결할 수 있다고 설명했다. 출처
작업에 따라 모델을 나눈다
V7은 구조화된 추출과 대량 작업에 GPT-5.6 Luna를 사용하고, 채팅과 Go Agent 경로, 추론·도구 사용이 필요한 단계에는 GPT-5.6 Terra 또는 Sol을 배정한다고 밝혔다. 특히 어려운 그래프 질의에는 GPT-6 Astra를 사용하기 시작했다고 설명했다. 출처
자체 Context Graph 벤치마크에서는 GPT-5.6 Sol의 도구 호출 오류율이 GPT-5.5의 2.7%에서 0.2%로 낮아졌다고 보고했다. 매우 어려운 그래프 질의 시험에서는 GPT-6 Astra 정확도 89%, GPT-5.6 Sol 78%를 기록했다고 밝혔다. GPT-5.6 Luna는 GPT-5.4 mini보다 문서당 비용을 78% 낮췄다는 수치도 제시했다. 출처
고객 사례에서 공개한 수치
V7은 한 자산운용사에서 하루 걸리던 딜 심사가 15분으로 줄어 21배 빨라졌고, 다른 금융 서비스 팀에서는 검토 시간이 100시간 초과에서 10시간 미만으로 줄어 작업당 전문가 비용 1만2천 달러를 절감했다고 밝혔다. 보험 업무에서는 과거 청구와 기존 보험증권 이력을 에이전트에 제공한 뒤 수작업 기준보다 청구 처리 오류가 13.5% 감소했다고 보고했다. 출처
V7은 모델 선택 때 인용 정확도, 문서 유형별 추출 품질, 답변 정확성, 지시 이행, 지연 시간, 비용, 실제 기업 워크플로를 포함한 벤치마크를 계속 운영한다고 설명했다. 출처
OYOPICK의 시선
문서마다 원문 근거를 남기는 Context Graph의 설계는 답변을 빠르게 만드는 것과 답변을 다시 확인할 수 있게 만드는 것을 연결한다. 회사 문서가 바뀌었을 때 기존 판단이 어느 문서에 의존했는지 찾을 수 있어야 이 연결의 가치가 드러난다. V7이 말하는 변경 감지와 재검토 알림은 장기 목표이므로 현재 모든 업무에서 자동으로 작동한다고 가정할 수는 없다.
모델별 수치는 서로 다른 평가 대상과 업무에서 나온 결과다. 문서당 비용 절감률을 어려운 질의 정확도와 하나의 성능 점수로 합치기보다, 자신이 반복하는 문서 유형에서 추출·인용 정확도와 결과당 비용을 함께 비교할 만하다. 공유된 기업 맥락이 오래된 근거를 찾아 갱신하는 데까지 이어지면 AI는 조직의 지식을 더 꾸준히 활용하는 협업자가 될 수 있다.