30秒サマリー
- 欧州スタートアップV7が「Context Graph」で社内文書をAIエージェントの参照可能な記憶に変換
- GPT‑6 Astraが最難度クエリで89%の精度、GPT‑5.6 Lunaで文書処理コストを78%削減
- 資産運用チームがディール審査を21倍高速化、専門家コストを1タスクあたり1.2万ドル削減した実績も
何が起きたか
OpenAIは2026年9月21日付の公式ブログで、欧州スタートアップV7の活用事例を紹介した。V7は2018年設立の企業向けAIプラットフォームで、金融・保険・不動産分野を主な対象とする。
V7のプラットフォーム「V7 Go」は、SharePointやGoogle Driveなどのリポジトリに接続し、社内に散在する文書・データ・メールなどからエンティティや関係性を抽出して「Context Graph」と呼ばれるグラフ構造に整理する。このグラフをAIエージェントが直接クエリすることで、リクエストのたびにゼロから情報を再検索する非効率を排除する設計だ。情報が不足する場合はRAG（検索拡張生成）で元文書にもアクセスできる。
モデル構成は用途によって使い分けられており、大量の構造化抽出にはGPT‑5.6 Lunaを、複雑な多段階推論やツール利用にはGPT‑5.6 TerraまたはSolを使用。最も難度の高いContext Graphクエリにはにはのではなく、GPT‑6 Astraを起用している。V7が設けた「非常に難しい」レベルのベンチマークでは、GPT‑5.6 Solが78%、GPT‑6 Astraが89%の正解率を記録した。また、GPT‑5.6 LunaはGPT‑5.4 miniと比較して文書あたりコストを78%削減、GPT‑5.6 Solはツール呼び出しエラー率をGPT‑5.5時代の2.7%から0.2%に低減したとV7は報告している。
実績面では、資産運用担当者のディールスクリーニングを1日かかる作業から15分に短縮（21倍高速化）、ある金融サービスチームでは審査時間を100時間超から10時間未満に圧縮しタスクあたり1.2万ドルのコスト削減、保険チームでは請求処理のエラーを手作業比13.5%削減したと紹介されている。さらに、V7はMCPサーバーを通じてContext GraphをChatGPTやCodexからも利用可能にしており、ワークフロー作成時間を約1時間から約20分に短縮したとしている。
原典ハイライト
V7共同創業者でCEOのアルベルト・リゾリ氏は「AIが金融・保険の難しいエンタープライズ課題を解くには、インターネットから学んだのと同様に、自社のビジネスの動き方を学ぶ必要がある」と述べた。同CTO・エドワードソン氏は「GPT‑5.6 Terraによってモデルをシンプルにするためだけに存在していた多くの中間ワークフロー段階を除去でき、納品作業が数日短縮された」とコメントしている。
出典: OpenAI News/Research（公式ブログ）
So What?（なぜ重要か）
編集部の分析として——AIエージェントの「精度問題」の根本原因のひとつは、モデルの能力不足ではなく「社内コンテキストの不在」にあるという視点がV7事例から浮かびあがる。Context Graphのアプローチは、社内知識を構造化してエージェントが毎回再探索しなくて済む仕組みを作る点で、RAG単体より一歩進んだ設計だ。複数モデルをタスク難度に応じて使い分けることでコストと精度を両立している点も、エンタープライズAI実装の実践的なパターンとして注目される。
日本企業への示唆
日本の金融・保険・不動産分野の企業にとって、V7の事例は「AIエージェント導入前に社内コンテキストの整備が先決」というメッセージを示唆する。SharePointや基幹システムに眠るデータをグラフ化し、エージェントが参照できる「機関記憶」として整備するアーキテクチャ設計を検討する価値がある。また、モデルをタスク難度に応じてLuna・Terra・Astraのように段階的に使い分けるコスト管理手法は、AI利用コストが課題になっている企業の調達・設計指針として参考になる。ChatGPTやCodexとのMCP連携でワークフロー構築時間を短縮できる点も、社内AI推進担当者が把握しておきたい動向だ。
背景・経緯
V7は2018年、コンピュータビジョンのアクセシビリティアプリを共同開発したリゾリ氏とエドワードソン氏が設立した欧州拠点のスタートアップ。OpenAIは定期的にスタートアップ活用事例を公式ブログで紹介しており、本記事もその一環として2026年9月21日に公開された。原文では直近の関連事例としてHex（GPT‑6 Astraで複雑分析を可視化）やLegora（41文書を数分でレビュー）なども紹介されている。
