نماذج ومنصات الذكاء الاصطناعي
تطلق Form & Function منتج Lever لمنح مساعدات الذكاء الاصطناعي سياقًا مشتركًا للأعمال
النقاط الرئيسيةتكمن القيمة الحقيقية لـ Lever في طبقة السياق المبنية قبل أن يجيب أي روبوت محادثة على…
عرض المزيد
- تكمن القيمة الحقيقية لـ Lever في طبقة السياق المبنية قبل أن يجيب أي روبوت محادثة على الأسئلة.
- تمنع التعريفات التجارية المشتركة الإجابات المعقولة لكن المضللة عبر أنظمة المبيعات والتسليم غير المترابطة.
- مكاسب الطاقة الإنتاجية المحددة هي فرص تحليلية وليست إيرادات حصّلها العميل بالفعل.
أطلقت Form & Function Consulting منصة Lever للذكاء الاصطناعي، المصممة لمنح شركات الخدمات المهنية رؤية متسقة لعملياتها عبر الأنظمة المنفصلة. وأُعلن عن المنتج في 12 نوفمبر، وهو يجمع البيانات التشغيلية بتعريفات الأعمال الخاصة بكل شركة، لتمكين القيادات من طرح أسئلة حول التوظيف وتوقعات الإيرادات وربحية المشاريع عبر واجهات حوارية.
لا تكمن النقطة المهمة في ابتكار روبوت محادثة آخر يجيب عن الأسئلة المالية، بل في العمل اللازم قبل أن تصبح تلك الإجابات مفيدة. فقد يسجل نظام المبيعات صفقة واعدة، في حين يرى فريق التسليم أن الطاقة الاستيعابية غير كافية لتنفيذها. ويحتاج مساعد الذكاء الاصطناعي إلى أكثر من مجرد الوصول إلى قاعدتي البيانات كي يوضح ما يعنيه هذا الجمع للأعمال.
تحويل معرفة الشركة إلى سياق للأعمال
وفقًا لإعلان الإطلاق، تبدأ Form & Function بمعلومات من أنظمة إدارة علاقات العملاء، وأتمتة الخدمات المهنية، والأنظمة المالية. كما تجمع المستندات والمعرفة التي يستخدمها الموظفون لتفسير تلك السجلات. ويدعم روبوت المحادثة Lev إجراء مقابلات مع أصحاب المصلحة ترصد كيفية عمل الشركة فعليًا.
تُسهم عملية الإعداد هذه في بناء طبقة سياقية توضّح كيفية بيع العمل وتوزيعه على الموظفين وتنفيذه وقياسه. ويتمثل الهدف في الربط بين الأسئلة التي تقع، لولا ذلك، بين أقسام الشركة: هل يدعم مسار المبيعات قرار التوظيف؟ وما المشاريع التي تحقق أفضل هوامش ربح؟ وكيف سيؤثر تأخير استثمار ما في التدفق النقدي المتوقع؟
يكتسب هذا التمييز أهمية في شركات الخدمات، لأن المقاييس المتشابهة في أسمائها قد تستند إلى افتراضات مختلفة. فقد لا تشمل الطاقة الاستيعابية المتاحة الوقت المخصص للبيع، في حين قد يعتمد توقع الإيرادات على احتمال إتمام الصفقة وموعد تسليم العمل الناتج عنها معًا. وقد تكون إجابة تبدو معقولة لكنها تستند إلى تعريف خاطئ أشد تضليلًا من خطأ واضح.
رؤية تشغيلية موحدة عبر واجهات الذكاء الاصطناعي المختلفة
تعرض صفحة منتج Lever التابعة للشركة Lev وهو يجيب عن الأسئلة وينشئ مخرجات مرئية ويعمل ضمن Slack. كما توضح إمكانية الوصول إليه عبر عملاء ذكاء اصطناعي آخرين، منهم Claude وChatGPT، باستخدام بروتوكول سياق النماذج (MCP). وبدلًا من مطالبة كل واجهة بإعادة بناء منطق الشركة في إدارة أعمالها، يوفّر هذا النهج أساسًا مشتركًا لهذه التفاعلات.
قدّم إعلان الإطلاق Lever ضمن مشاركات استشارية يقدمها شركاء التشغيل. كما تصف صفحة المنتج الحالية توفره بصورة مستقلة. ولا تفصح الصفحة عن الأسعار أو متطلبات النشر التفصيلية، لذا لا ينبغي فهم الإعلان على أنه إطلاق للخدمة الذاتية بسعر اشتراك معلن.
وتظهر الحركة الأوسع نحو توحيد المعنى في سياق الأعمال أيضًا في إعلان Collate عن Ontology Studio. أما Lever فيتبع نهجًا أضيق نطاقًا، يركز على عمليات شركات الخدمات المهنية والإعداد بمساعدة الاستشاريين، بدلًا من التعامل مع سياق الأعمال بوصفه طبقة عامة تستطيع كل مؤسسة اعتمادها كما هي.
ما تثبته النتائج الأولية فعليًا
تفيد Form & Function بأن أحد العملاء اكتشف طاقة استيعابية إضافية للتسليم تكفي لدعم إيرادات سنوية إضافية تُقدّر بنحو 1.8 مليون دولار من دون إضافة موظفين. كما يصف البيان تحسنًا في هوامش الربح الإجمالية المتوقعة. وهذه مكاسب تشغيلية محتملة كشفها التحليل، وليست دليلًا على أن العميل قد حقق تلك الإيرادات الإضافية بالفعل.
ويقدم النقاش التقني للشركة حول الطبقات الدلالية مزيدًا من السياق. ففي مقارنة أجرتها الشركة، اختبرت خمسة أسئلة عن الأعمال خمس مرات لكل منها، وقارنت بين إتاحة الوصول إلى بيانات BigQuery الخام ونموذج دلالي بُني باستخدام Malloy. وكان أداء النهج المنظم أفضل في الإجابة عن الأسئلة التي تتطلب تعريفات للأعمال وفهمًا للعلاقات بين الجداول.
يوضح ذلك آلية العمل على نحو مفيد، لكنه يظل اختبارًا محدودًا أجرته الشركة المورّدة. ولا يثبت دقة تامة في الإجابة عن أسئلة اعتباطية أو عند تغير مجموعات البيانات أو في عمليات النشر لدى جميع العملاء. ويحد تحديد المقاييس مسبقًا من الالتباس، لكنه لا يلغي الحاجة إلى تحديث تلك التعريفات ومراجعة القرارات ذات العواقب المهمة.
ينتقل العمل من صياغة المطالبات إلى صيانة التعريفات
يسلط إطلاق Lever الضوء على تحول عملي في الذكاء الاصطناعي للمؤسسات: فربط نموذج بالبيانات ليس سوى البداية. إذ يتعين على أحدهم تحديد معنى البيانات، وتسوية التعريفات المتضاربة، والحفاظ على حداثة هذا التفسير مع تغير العقود وسياسات التوظيف وإجراءات العمل.
بالنسبة إلى شركات الخدمات، تتمثل الفائدة المحتملة في تقصير الطريق من السجلات التشغيلية إلى اتخاذ قرار بشأن الطاقة الاستيعابية أو الربحية. وسيكون الاختبار الحقيقي على المدى البعيد هو مدى موثوقية هذا السياق المشترك مع تطور الأعمال، وما إذا كانت الفرص التي جرى تحديدها ستتحول إلى نتائج قابلة للقياس، بدلًا من أن تقتصر على تقديم إجابات أكثر إقناعًا.












