Blackbaud præsenterer Lantern, en domænespecifik model til fundraising

Blackbaud præsenterede Lantern, en domænespecifik sprogmodel, som virksomheden beskriver som den første, der er specifikt bygget til fundraising‑intelligens, den 29. september 2026 på sin bbcon 2026‑kundekonference i Columbus, Ohio. Modellen er udviklet gennem et strategisk samarbejde med Databricks og planlægges at begynde at drive udvalgte Blackbaud‑produktfunktioner i 2027.

Blackbaud placerede udgivelsen i forhold til ujævne afkast fra AI på tværs af social‑impact‑sektoren: virksomheden sagde, at mens 85 % af social‑impact‑professionelle rapporterer at bruge AI i deres daglige arbejde, realiserer kun omkring 10 % af organisationerne betydelige udbytter af deres AI‑investering. Lantern, ifølge virksomheden, er bygget på mere end fire årtiers erfaring med fundraising‑arbejdsprocesser, beslutninger og resultater, så den forstår gaveadfærd snarere end købsadfærd.

“Alle organisationer har adgang til kraftfuld AI, men frontmodeller lærer fra internettet, mens Lantern lærer fra filantropi,” sagde Mike Gianoni, Blackbaud’s præsident, administrerende direktør og viceformand. Han sagde, at mere end $100 milliarder indsamles, tildeles eller administreres gennem Blackbaud’s platforme hvert år, og at Lantern forstår fundraising‑mål, donor‑dynamik og nonprofit‑prioriteter på måder, som generel AI ikke gør.

Eftertrænet med Databricks på en sektorsignalgraf

I samarbejde med Databricks kombinerer Blackbaud førende open‑weight‑modeller på Databricks Data + AI Platform med mere end 40 år af social‑impact‑intelligens. Lantern er eftertrænet på syntetiske scenarier modelleret ud fra Blackbaud’s Social Impact Signal Graph for at afspejle fundraising‑mønstre i den virkelige verden, en tilgang som Blackbaud sagde gør det muligt for modellen at udvikle sig i takt med, at den underliggende teknologi skrider frem.

“Der er en enorm mulighed for filantropiverdenen at drage fordel af AI, men for at se afkast kræves de rette data, kontekst og styring,” sagde Andy Kofoid, Databricks’ præsident for globale feltoperationer. Han sagde, at de to virksomheder giver nonprofitorganisationer det datagrundlag, de har brug for, for at skalere deres fundraising.

Blackbaud sagde, at Lantern er udviklet under deres principper for ansvarlig AI, med privatliv, gennemsigtighed og sektorspecifik styring i kernen.

Designet omkring fundraising med kundernes input

Ifølge Blackbaud afspejler Lantern vigtigheden af fastholdelse, opgraderingsveje og livstidsrelationer, dynamikker som virksomheden beskrev som centrale for fundraising og ikke indfødte i generelle AI‑modeller. Virksomheden sagde, at modellen kan frembringe muligheder, som ellers kunne forblive usete, og hjælpe organisationer med at rette deres indsats, hvor den kan have størst effekt.

Carrie Cobb, Blackbaud’s chef for data og AI, sagde, at Lantern var specifikt bygget til at afspejle fundraising ved at trække på årtier af sektorekspertise og den intelligens, der er indlejret i Social Impact Signal Graph. Hun beskrev resultatet som intelligens, der er mere relevant, gennemsigtig og handlingsorienteret, fordi den forstår de relationer og adfærd, der driver resultater for kunderne.

Lantern bygges med input fra Blackbaud‑kunder, herunder Boston University, Hesed House og YMCA of the North. Tim Cerato, assisterende vicepræsident for håndtering af interessentrelationer ved Boston University, sagde, at en af de største frigørelser for AI er dens evne til at forstå en branches nuancer og forstærke effektiviteten hos de mennesker, der udfører arbejdet.

Undersøgelsesdataene bag adoptionscifrene

Adoptionsstatistikken i Blackbaud’s meddelelse stammer fra Blackbaud Institute’s Bridging the AI Effectiveness Gap-rapport, som bygger på to parallelle undersøgelser udført i marts 2026 i USA af instituttet og Edge Research. Undersøgelserne omfattede 1,389 social‑impact‑professionelle og 1,034 donorer, der støtter social‑impact‑organisationer, en kategori som rapporten definerer som nonprofitorganisationer, sundhedsorganisationer, K–12‑skoler, videregående uddannelsesinstitutioner og fonde.

Rapporten klassificerer omkring 10 % af organisationerne som AI‑adaptive, hvilket betyder, at de er gået ud over eksperimentering til systemisk AI‑brug understøttet af styring, dataklarhed og gennemsigtighed, mens 75 % klassificeres som AI‑emergente og 12 % som låste eller uvidende. Den fandt, at kun 50 % af organisationerne bruger betalte eller enterprise‑versioner af AI‑værktøjer, mens 24 % udelukkende bruger gratis versioner, og at kun omkring en tredjedel af de adspurgte professionelle mener, at deres organisation bruger AI meget effektivt. Ved åbenhed sagde 76 % af donorene, at det er vigtigt for organisationerne at tydeligt angive, hvornår og hvordan AI anvendes, mens kun 26 % af de professionelle sagde, at deres organisation gør det.

Tilgængelighed gennem Platform for Good

Lantern vil blive indlejret i Blackbaud’s Platform for Good, det samlede operativsystem, som Blackbaud præsenterede samme dag på bbcon. Systemet har tre lag: en Data Core, der kombinerer Blackbaud Philanthropic Dataset, Blackbaud Institute‑forskning og branche‑datasæt samt Blackbaud Giving Search; et Intelligence Layer, drevet af Social Impact Signal Graph; og et Action Layer bestående af AI‑assistenter, agenter og arbejdsprocesser, der opererer med menneskelig tilsyn. Blackbaud sagde, at Lantern befinder sig i Intelligence Layer og leverer skræddersyet intelligens direkte, hvor kunderne allerede arbejder.

De samme dagsmeddelelser omfattede fremskridt i en Development Agent, der identificerer og engagerer ufordelte donorer, en ny Data Health Agent designet til at opdage og løse dataproblemer gennem gennemgang‑og‑godkendelses‑arbejdsgange, samt en genopbygget, native‑cloud Raiser’s Edge NXT med en Strategy Assistant, som Blackbaud sagde trækker på mere end $1 trillion i gavehistorik, der spores gennem produktet.

Lantern er planlagt til at begynde at drive udvalgte Blackbaud Raiser’s Edge NXT- og Agents for Good-funktioner i 2027, med bredere tilgængelighed planlagt på tværs af Platform for Good.