Modely a platformy AI
Form & Function uvádí Lever, který AI asistentům poskytne sdílený kontext o podnikání
Klíčové bodySkutečná hodnota Leveru spočívá ve vrstvě kontextu vytvořené dříve, než jakýkoli…
Zobrazit více
- Skutečná hodnota Leveru spočívá ve vrstvě kontextu vytvořené dříve, než jakýkoli chatbot odpoví na otázky.
- Sdílené obchodní definice zabraňují věrohodným, ale zavádějícím odpovědím napříč vzájemně nepropojenými systémy prodeje a dodávek.
- Identifikované úspory kapacity jsou analytickými příležitostmi, nikoli příjmy, které klient již inkasoval.
Společnost Form & Function Consulting uvedla na trh Lever, platformu s umělou inteligencí, která má firmám poskytujícím odborné služby nabídnout jednotný přehled o jejich provozu napříč nesourodými systémy. Produkt představený 12. listopadu propojuje provozní data se specifickými definicemi používanými ve firmě, takže se vedoucí pracovníci mohou prostřednictvím konverzačních rozhraní ptát na personální kapacity, prognózy tržeb a ziskovost projektů.
Zajímavé není to, že další chatbot odpovídá na finanční otázky. Podstatná je práce, kterou je třeba odvést, než se takové odpovědi stanou užitečnými. Prodejní systém může evidovat slibný obchod, zatímco tým odpovědný za realizaci zakázky vidí, že nemá dostatečnou kapacitu k jejímu splnění. Aby AI asistent dokázal vysvětlit, co tato kombinace znamená pro podnikání, nestačí mu přístup k oběma databázím.
Jak proměnit firemní znalosti v kontext pro podnikání
Podle oznámení o uvedení na trh začíná Form & Function sběrem informací ze systémů pro řízení vztahů se zákazníky, automatizaci procesů ve firmách poskytujících odborné služby a financí. Shromažďuje také dokumenty a znalosti, které zaměstnanci využívají k výkladu těchto záznamů. Její chatbot Lev podporuje rozhovory se zainteresovanými stranami, jejichž cílem je zachytit, jak firma skutečně funguje.
Údaje získané při zavádění systému vytvářejí kontextovou vrstvu, která popisuje, jak se práce prodává, jak se na ni přidělují pracovníci, jak se realizuje a jak se měří její výsledky. Cílem je propojit otázky, které by jinak zůstaly mezi jednotlivými odděleními: zda prodejní pipeline podporuje rozhodnutí o náboru, které zakázky nabízejí nejvyšší marže nebo jak by odložená investice ovlivnila předpokládaný peněžní tok.
Tento rozdíl je u firem poskytujících služby důležitý, protože podobně pojmenované ukazatele mohou vycházet z odlišných předpokladů. Dostupná kapacita například nemusí zahrnovat čas věnovaný prodeji, zatímco prognóza tržeb může záviset jak na pravděpodobnosti uzavření obchodu, tak na tom, kdy bude možné související práci realizovat. Věrohodná odpověď založená na nesprávné definici může být zavádějící víc než zjevná chyba.
Jeden provozní přehled napříč různými rozhraními umělé inteligence
Stránka produktu Lever společnosti ukazuje, jak Lev odpovídá na otázky, vytváří vizuální výstupy a funguje v prostředí Slacku. Předvádí také přístup prostřednictvím dalších klientů s umělou inteligencí, včetně Claude a ChatGPT, s využitím protokolu Model Context Protocol (MCP). Místo toho, aby každé rozhraní muselo znovu rekonstruovat obchodní logiku firmy, nabízí tento přístup pro všechny tyto interakce společný základ.
Při uvedení na trh byl Lever prezentován jako součást poradenských zakázek realizovaných ve spolupráci s provozními partnery. Aktuální stránka produktu uvádí také možnost samostatného využití. Cena ani podrobné požadavky na nasazení tam zveřejněny nejsou, a oznámení proto nelze chápat jako spuštění samoobslužné služby s uvedenou cenou předplatného.
Širší posun ke sdílenému chápání významu obchodních pojmů dokládá také oznámení společnosti Collate o nástroji Ontology Studio. Lever se zaměřuje užším způsobem na provoz firem poskytujících odborné služby a na zavádění systému s pomocí konzultantů. Nepřistupuje tedy k obchodnímu kontextu jako k obecné vrstvě, kterou by každá organizace mohla beze změn převzít.
Co první výsledky skutečně dokazují
Form & Function uvádí, že jeden klient identifikoval dodatečnou kapacitu pro realizaci zakázek, která by umožnila dosáhnout přibližně 1,8 milionu dolarů dodatečných ročních tržeb bez náboru dalších zaměstnanců. Oznámení popisuje také zlepšení prognózy hrubé marže. Jde o možné provozní přínosy zjištěné analýzou, nikoli o důkaz, že klient už tyto dodatečné tržby skutečně inkasoval.
Technický rozbor sémantických vrstev této firmy přináší další souvislosti. V porovnání provedeném samotnou společností testovala pět obchodních otázek, každou pětkrát, a srovnávala přístup k nezpracovaným datům v BigQuery se sémantickým modelem vytvořeným pomocí Malloy. Strukturovaný přístup si vedl lépe u otázek, které vyžadovaly obchodní definice a znalost vztahů mezi tabulkami.
Jde o užitečnou ukázku fungování tohoto mechanismu, ale test provedl dodavatel a jeho rozsah byl malý. Nedokazuje, že systém bude dokonale přesný u libovolných otázek, měnících se datových souborů ani při nasazení u každého zákazníka. Předem stanovené definice omezují nejednoznačnost, neodstraňují však potřebu tyto definice udržovat a důležitá rozhodnutí kontrolovat.
Těžiště práce se přesouvá od zadávání pokynů k průběžné údržbě definic
Uvedení Leveru na trh poukazuje na praktickou změnu v podnikovém využívání umělé inteligence: propojení modelu s daty je teprve začátek. Někdo musí určit, co data znamenají, vyřešit rozpory mezi různými definicemi a udržovat jejich výklad aktuální, jak se mění smlouvy, pravidla pro personální zajištění i obchodní procesy.
Firmám poskytujícím služby může tato technologie zkrátit cestu od provozních záznamů k rozhodnutí o kapacitách nebo ziskovosti. Skutečnou zkouškou bude, zda sdílený kontext zůstane spolehlivý i s tím, jak se podnikání vyvíjí, a zda se identifikované příležitosti promění v měřitelné výsledky, nikoli jen v přesvědčivější odpovědi.












