AI-modeller og platforme

Form & Function lancerer Lever, der giver AI-assistenter en fælles forretningskontekst

Aiden Cross
Føj Unite.AI til dine foretrukne kilder på Google
An engineer viewing monitoring screens in an enterprise operations room
NøglepunkterLevers reelle værdi ligger i kontekstlaget, der bygges, før enhver chatbot besvarer…
Vis mere
  • Levers reelle værdi ligger i kontekstlaget, der bygges, før enhver chatbot besvarer spørgsmål.
  • Fælles forretningsdefinitioner forhindrer plausible, men vildledende svar på tværs af adskilte salgs- og leveringssystemer.
  • Identificerede kapacitetsgevinster er analytiske muligheder snarere end indtægter, som kunden allerede har indsamlet.

Form & Function Consulting har lanceret Lever, en AI-platform, der skal give professionelle servicevirksomheder et samlet overblik over driften på tværs af adskilte systemer. Produktet blev annonceret den 12. november og kombinerer driftsdata med virksomhedsspecifikke forretningsdefinitioner, så ledere kan stille spørgsmål om bemanding, omsætningsprognoser og projekternes lønsomhed via samtalebaserede grænseflader.

Det interessante er ikke endnu en chatbot, der besvarer økonomiske spørgsmål. Det er alt det arbejde, der skal udføres, før svarene bliver nyttige. Et salgssystem kan registrere en lovende aftale, mens et leveranceteam vurderer, at der ikke er tilstrækkelig kapacitet til at gennemføre den. En AI-assistent skal have mere end adgang til begge databaser for at kunne forklare, hvad den kombination betyder for virksomheden.

Sådan bliver virksomhedens viden til forretningskontekst

Ifølge lanceringsmeddelelsen tager Form & Function udgangspunkt i oplysninger fra systemer til kunderelationsstyring, automatisering af professionelle serviceydelser og økonomi. Virksomheden indsamler også dokumenter og den viden, medarbejderne bruger til at fortolke oplysningerne. Chatbotten Lev gennemfører interviews med interessenter for at afdække, hvordan virksomheden faktisk fungerer.

Denne onboarding danner grundlag for et kontekstlag, der beskriver, hvordan arbejdet sælges, bemandes, udføres og måles. Målet er at forbinde spørgsmål, der ellers falder mellem afdelingerne: om salgspipelinen understøtter en beslutning om at ansætte, hvilke opgaver der giver de bedste dækningsbidrag, eller hvordan en forsinket investering vil påvirke den forventede pengestrøm.

Denne forskel er vigtig i servicevirksomheder, fordi målepunkter med lignende navne kan bygge på forskellige antagelser. Den tilgængelige kapacitet medregner måske ikke den tid, der bruges på salg, mens en omsætningsprognose kan afhænge både af sandsynligheden for, at en aftale bliver indgået, og af, hvornår det efterfølgende arbejde kan udføres. Et plausibelt svar, der bygger på en forkert definition, kan være mere vildledende end en åbenlys fejl.

Ét driftsmæssigt overblik på tværs af forskellige AI-grænseflader

Virksomhedens produktside for Lever viser Lev besvare spørgsmål, generere visuelle resultater og fungere i Slack. Den viser også adgang via andre AI-klienter, herunder Claude og ChatGPT, ved hjælp af Model Context Protocol, forkortet MCP. I stedet for at kræve, at hver grænseflade genopbygger virksomhedens forretningslogik, leverer løsningen et fælles grundlag for disse interaktioner.

Ved lanceringen blev Lever præsenteret som en del af rådgivningsforløb med operationelle partnere. Den aktuelle produktside beskriver også, at produktet kan fås separat. Priser og detaljerede krav til implementering er ikke oplyst dér, så meddelelsen bør ikke opfattes som en selvbetjeningslancering med en offentliggjort abonnementspris.

Den bredere bevægelse mod en fælles forretningsforståelse ses også i meddelelsen om Collates Ontology Studio. Lever har en mere afgrænset tilgang med fokus på drift i professionelle servicevirksomheder og onboarding med hjælp fra konsulenter. Forretningskontekst behandles altså ikke som et generisk lag, som alle organisationer kan anvende uændret.

Hvad de tidlige resultater faktisk viser

Form & Function oplyser, at en kunde identificerede yderligere leverancekapacitet, der var tilstrækkelig til at understøtte cirka 1,8 millioner dollars i ekstra årlig omsætning uden at ansætte flere medarbejdere. Meddelelsen beskriver også en forbedring af de forventede bruttoavancer. Der er tale om potentielle driftsmæssige gevinster, som analysen har identificeret, ikke dokumentation for, at kunden allerede har fået den ekstra omsætning ind.

Virksomhedens tekniske gennemgang af semantiske lag giver yderligere kontekst. I en sammenligning udført af virksomheden testede den fem forretningsspørgsmål fem gange hver og sammenholdt adgang til rå BigQuery-data med en semantisk model bygget med Malloy. Den strukturerede tilgang klarede sig bedre på spørgsmål, der krævede forretningsdefinitioner og relationer mellem tabeller.

Det er en nyttig illustration af mekanismen, men testen er lille og udført af leverandøren selv. Den dokumenterer ikke perfekt nøjagtighed på tværs af vilkårlige spørgsmål, datasæt i forandring eller alle kunders implementeringer. Definitioner på målepunkter på forhånd mindsker tvetydighed, men fjerner ikke behovet for at vedligeholde definitionerne og gennemgå beslutninger med væsentlige konsekvenser.

Arbejdet flytter sig fra promptskrivning til vedligeholdelse af definitioner

Lanceringen af Lever fremhæver et praktisk skifte inden for AI til erhvervslivet: At forbinde en model med data er kun begyndelsen. Nogen skal beslutte, hvad dataene betyder, afklare modstridende definitioner og sørge for, at fortolkningen holdes opdateret, når kontrakter, bemandingspolitikker og forretningsprocesser ændrer sig.

For servicevirksomheder er den potentielle fordel en kortere vej fra driftsdata til beslutninger om kapacitet eller lønsomhed. Den afgørende prøve bliver, om den fælles kontekst forbliver pålidelig, efterhånden som virksomheden udvikler sig, og om de identificerede muligheder bliver til målbare resultater frem for blot mere overbevisende svar.

Aiden Cross er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker AI-produktstrategi, udførelse og de praktiske udfordringer ved at omdanne eksperimentelle modeller til skalerbare, markedsklare produkter. Hans arbejde fokuserer på, hvordan startups og virksomhedsteams bevæger sig fra prototyper og demos til pålidelige systemer, der bruges af rigtige kunder.
Med et pragmatisk og detaljeorienteret perspektiv analyserer Aiden produktroadmaps, strategier for markedsintroduktion, platformbeslutninger og organisatoriske kompromiser, der bestemmer, om AI-initiativer lykkes eller stagnerer. Han lægger særlig vægt på implementeringsrealiteter, brugeradoption, infrastrukturbegrænsninger og sammenhængen mellem teknisk kapacitet og forretningsværdi.
Artikler skrevet af Aiden Cross er AI-genererede og gennemgået af Unite.AIs redaktionelle team for at sikre klarhed, nøjagtighed og ansvarlig dækning af, hvordan AI-produkter bygges, leveres og skaleres i den virkelige verden.