V7がGPT-5.6統合のV7 Goを発表 ツール呼び出しエラーを0.2%に削減

何が発表されたのか

AIスタートアップのV7は、OpenAIとの協力のもと、自社の企業向けワークフロー自動化プラットフォーム「V7 Go」にOpenAIの最新モデル群である「GPT-5.6スイート」を統合したと発表しました。

本統合は、一般提供中の「V7 Go」に対する主要なアップデートとして実施されました。従来の生成AIモデルでは困難だった、保険審査や金融ディールのスクリーニングといった100ページ超の指示書に基づく長期間・多段階の自動化ワークフロー処理に対応します。企業内の書類データを構造化する「Context Graph」とAIモデルを密接に連携させることで、実務で使えるレベルの正確性と処理速度を実現しています。

発表された機能・アップデートの全容

GPT-5.6 Solによるツール呼び出しエラー率の大幅な削減

V7の共同創業者兼CTOであるサイモン・エドワードソン（Simon Edwardsson）氏によると、V7 Goにおけるベンチマーク評価において「GPT-5.6 Sol」を導入した結果、ツール呼び出しエラー（tool-call errors）の発生率が従来の2.7%からわずか0.2%へと急減しました。

エンタープライズの自動化ワークフローでは、AIモデルが適切な外部ツールやAPIを正しく呼び出す確実性が求められます。0.2%というエラー率は、実務において人による監視の手間を大幅に削減できる水準です。高度な論理的思考とコード実行能力、自律的なツール選択機能を持つGPT-5.6 Solの性能が、V7 Goのタスク遂行能力を大きく向上させています。

Context GraphとGPT-5.6 Lunaによるハルシネーションの38%削減

V7のVP of Operationsであるアナスタシア・カシェンコ（Anastasia Kaschenko）氏は、新モデル「GPT-5.6 Luna」とV7固有の「Context Graph」基盤を組み合わせることで、ハルシネーション（嘘の出力）の発生率が38%削減されたと説明しました。

従来の検索拡張生成（RAG）をベースとしたモデルでは、明確な答えが存在しない照会に対して推測で回答しようとする傾向がありました。V7 GoのContext Graphは企業内のドキュメントからエンティティ（主体）、事実、関係性をオントロジーに基づいてグラフ化して保持します。ここに高速・低コストなGPT-5.6 Lunaを組み合わせることで、根拠のない推測を抑制し、視覚的資料を含む書類からの正確な事実抽出を可能にしました。

企業のナレッジを保持するメモリシステムとContext Graphの統合

V7のVP of Productであるアンドレア・アジーニ（Andrea Azzini）氏は、ナレッジの構造化技術について解説しました。Context Graphは、組織内の膨大な文書群から抽出したデータ要素を定義されたデータ構造に当てはめて記憶する長期的メモリシステムとして機能します。

従来モデルでは、新しい調査や出力を行うたびにすべてのデータを最初から取り込み直す（re-ingest）必要があり、結果が出力されるまでに数分間の処理時間を要していました。しかし、更新されたデータ基盤では構築済みの知識グラフを参照するため、再読み込みの手間が不要となり、処理時間はわずか数秒へと短縮されています。

投資メモ作成における詳細度と正確性の向上

デモ画面では、投資案件を精査してレポート（投資メモ）を作成する実際のワークフローが実演されました。金融機関での案件比較業務において、旧世代モデルが生成する投資メモは全体として悪くはないものの、細部の深度や厳密な正確性に欠けるという課題がありました。

GPT-5.6モデルスイートを導入したV7 Goでは、ソース文書への引用（citations）が各数値や主張のバックボーンとして厳密にリンクされます。元データであるPDFやスプレッドシートのどの行・どの表から引用されたかが視覚的に明示され、人間が検証可能な高精度の投資レポートが自律的に作成されます。

用途に応じたGPT-5.6スイートの選択UI

V7 Goのワークフロー構築画面（Build UI）では、タスクの性質に応じてOpenAIの最新モデル群を自在に切り替えるインターフェースが統合されています。

具体的には、高度な推論とツール連携が必要なタスク向けの「GPT-5.6 Sol」、費用対効果のバランスに優れた標準モデル「GPT-5.6 Terra」、高速かつ低コストでのデータ抽出・分類に特化した「GPT-5.6 Luna」などをノードごとに割り当てることができます。さらに、Deep Research用途の「o3」や超低コストモデル「GPT-5 Nano」なども選択肢として用意されており、コストと精度の最適化が容易になりました。