OpenAIはV7が企業fileをagent contextへ変換する事例を公開しました。V7 GoはContext Graphでentity、relationship、cited evidenceを整理し、GPT-6 Astraはhardest graph-query testsで89% accuracyを示したと説明しています。 enterprise agentの性能はmodel単体ではなく、社内documentを構造化し、引用、権限、更新、監査logを保てるmemory基盤で決まります。導入側はRAG検索だけでなく、ontologyと証跡管理を設計対象にする必要があります。 V7の事例で企業内memoryを前面に OpenAIは2026年9月21日、V7がOpenAI modelsを使ってAI agentsに企業内contextを持たせる事例を公開しました。V7 Goはdocument、data room、spreadsheet、email、internal toolsに散らばる情報をContext Graphへ整理し、agentが問い合わせ、引用、workflow実行に使える形へ変換します。OpenAIは、金融、保険、不動産のように検索精度と監査性が重い領域で、business contextをagentへ渡す必要があると説明しています。 Context Graphが長文検索を置き換える V7 GoはGPT-5.6 Lunaで数百万fileから情報を抽出し、entity、relationship、cited evidenceをContext Graphへ接続します。workflow側ではGPT-5.6 TerraとSolを使い、複雑なmulti-step instructionやtool useを扱います。OpenAIによると、V7は最も難しいContext Graph queryでGPT-6 Astraの利用を始めており、hardest graph-query testsで89% accuracyを得たとしています。GPT-5.6 Lunaではdocumentあたりcostを78%下げ、accuracyを11.6ポイント上げたとも説明しています。 Agentの評価軸は記憶の構造へ広がる この事例の焦点は、model単体の回答力ではなく、企業が持つ暗黙の業務文脈をどのようにagentへ渡すかです。V7は50から100 stepのworkflowを数分で完了し、99.9% accuracyと監査可能なdecision trailを維持すると説明しています。ただし、こうした数値はV7側の環境に基づくため、導入企業は自社documentの鮮度、ontologyの設計、引用元の保存、connector権限、更新時の差分反映を検証する必要があります。 業務導入ではRAGより運用設計が問われる 実務上は、RAGで文書を探すだけではなく、agentが参照するmemoryを誰が管理し、どの証跡で判断を確認するかが論点になります。SharePointやGoogle Driveなどのrepositoryを接続する場合、部署ごとの閲覧権限、古いfileの扱い、private dataの除外、MCP検索の監査logを先に決める必要があります。agentic workflowを拡張する企業ほど、memoryの品質管理がmodel選定と同じ重さになります。