Qué es: una capa de memoria institucional para agentes
Los modelos actuales razonan bien, pero no saben cómo opera tu empresa. Qué fondo está vigente, cómo se nombra una misma entidad en tres sistemas, qué cláusula rige un contrato anterior. Ese contexto vive en carpetas de SharePoint, Google Drive, correos, planillas y herramientas internas: disperso, sin resolver, invisible para los agentes.
V7 Go y el sistema de memoria organizacional de SAP atacan el mismo problema desde frentes distintos. V7 construye un Context Graph que extrae entidades, relaciones y evidencia citada de millones de archivos y la vuelve consultable. SAP despliega una memoria compartida para agentes de código que captura lecciones de desarrollo —convenciones de DSL internos, fixes recientes, flujos tácitos— y las reutiliza automáticamente en futuras tareas.
Ambos coinciden: el siguiente salto de productividad no viene de modelos más grandes, sino de darles a los agentes la misma memoria de trabajo que tiene un empleado senior.
Cómo funciona en términos simples
Esta plataforma conecta repositorios (SharePoint, Drive), escanea documentos y puebla un grafo de conocimiento. Cuando llega un archivo nuevo, identifica empresas, fondos, personas o cualquier entidad de la ontología, conecta cada dato a un registro existente o nuevo y preserva la cita a la fuente original. Si el grafo no alcanza, cae en RAG tradicional sobre los documentos crudos. El grafo es “un orden de magnitud más barato y rápido de recorrer que enfoques de contexto largo”, según V7 How V7 gives AI agents institutional memory.
Sobre ese grafo corren workflows de 50–100 pasos. V7 reporta 99,9% de precisión con trazabilidad completa. En pruebas reales: gestoras de activos filtran deals 21 veces más rápido (un día completo a 15 minutos), equipos financieros recortan revisión de más de 100 horas a menos de 10 (ahorro de 12.000 USD por tarea), y aseguradoras reducen errores en siniestros 13,5% frente a línea base manual How V7 gives AI agents institutional memory.
El motor usa una cascada de modelos: GPT-5.6 Luna para extracción masiva (78% menor costo por documento vs GPT-5.4 mini), GPT-5.6 Terra y Sol para razonamiento y uso de herramientas en pasos complejos, y GPT-6 Astra en las consultas más exigentes del grafo (89% de precisión en el benchmark más difícil) How V7 gives AI agents institutional memory.
Este sistema opera en tres etapas desacopladas: 1. Colección: el asistente de código mantiene una base de conocimiento local en Markdown; hooks en eventos `PostToolUse` y `Stop` detectan cambios, construyen un diff y piden aprobación al humano antes de enviarlo. 2. Curación: un pipeline enriquece el diff en memorias pregunta-respuesta autocontenidas, pasa escáneres de seguridad (secretos, datos personales, código inseguro, riesgos de cadena de suministro) y un chequeo de colisión para evitar duplicados. 3. Consumo: el agente accede vía MCP a la base compartida con búsqueda híbrida (rápida/normal/profunda) y recibe memorias estructuradas con ejemplos, advertencias, etiquetas y trust score bayesiano Shared Organizational Memory for Enterprise Coding Agents.
En el snapshot de julio de 2026, el pipeline había procesado 900 contribuciones: 53,7% generaron al menos una memoria, produciendo 1.144 memorias curadas (2,37 por aporte productivo) en equipos internos seleccionados Shared Organizational Memory for Enterprise Coding Agents.
Qué los diferencia de lo que ya existe
| Enfoque | Qué resuelve | Límite actual |
|---|---|---|
| RAG clásico | Recupera fragmentos relevantes | No entiende relaciones entre entidades; re-lee contexto en cada consulta; alucina cuando no encuentra respuesta |
| Context Graph (V7) | Estructura conocimiento en grafo navegable, cita fuentes, separa memoria activa de archivo histórico | Requiere ontología inicial; dependiente de calidad de extracción automática |
| Enfoque | Qué resuelve | Límite actual |
|---|---|---|
| Memoria compartida (SAP) | Captura experiencia tácita de desarrollo, la vuelve reutilizable entre repos y DSLs internos | Solo código; organización del store se degrada si el agente gestor no es lo suficientemente fuerte |
| Filesystem nativo (investigación) | Agente organiza su propia jerarquía de archivos Markdown | “La organización se erosiona para todos menos el agente gestor más fuerte”; ningún agente convierte la organización en mejores respuestas por sí sola Filesystem-based memory for LLM agents |
La investigación académica confirma la intuición de producto: organizar la memoria compra economía de búsqueda (aproximadamente la mitad del costo de recuperación cuando el material es grande), pero no compra precisión por sí misma. El modelo que busca es el que paga en calidad; el que organiza solo evita que el store se vuelva inmanejable Filesystem-based memory for LLM agents.
Quién debería prestarle atención y por qué (ángulo LatAm)
Tres perfiles en la región tienen el disparador más claro:
1. Fintech, asset managers y seguros — Workflows documentales intensivos (CIMs, pólizas, siniestros, reportes regulatorios). V7 ya demuestra 21x en screening de deals y 13,5% menos errores en claims. En Brasil, México y Colombia, donde la regulación exige trazabilidad y auditoría, el audit trail nativo de cada decisión del agente no es opcional: es requisito de compliance.
2. Equipos de ingeniería que usan DSLs propietarios o frameworks internos — Bancos y retailers grandes en LatAm mantienen capas propias sobre ABAP, CAP, Terraform, Starlark o DSLs de pricing/logística. El conocimiento de éstas no está en datos públicos. La memoria compartida de SAP captura convenciones, fixes y patrones que hoy solo viven en cabezas senior o PRs antiguos.
3. CTOs/CDOs enfrentando leyes de soberanía de datos — Brasil (LGPD), México (LFPDPPP), Colombia (Ley 1581), Argentina (Ley 25.326) exigen control sobre dónde y cómo se procesa la información sensible. Ambos sistemas permiten despliegue en VPC propia, mantienen el grafo/base de conocimiento en infraestructura del cliente y exponen APIs/MCP para integración sin mover datos a entrenamiento de terceros.
La gobernanza del conocimiento, no el modelo, es el verdadero cuello de botella.
Ambas plataformas resuelven la arquitectura de memoria. Pero la ontología (qué entidades importan, cómo se relacionan), la curación continua (qué memorias valen la pena, cuándo caducan) y los permisos (qué agente ve qué subgrafo) son decisiones de negocio que la tecnología no automatiza. En LatAm, donde los datos a menudo conviven en español, portugués e inglés técnico, la extracción de entidades multilingüe y la alineación de ontologías entre países son el trabajo invisible que define si el grafo sirve o se vuelve un basurero costoso.
La apuesta pragmática: empezar por un workflow documental de alto valor y baja ambigüedad (screening de crédito, revisión de pólizas, conciliación regulatoria), medir tiempo/humano vs agente+grafo, y expandir solo si la economía de búsqueda y la trazabilidad pagan la curación.
