KI-Modelle und Plattformen

Form & Function bringt Lever auf den Markt, um KI-Assistenten gemeinsamen Geschäftskontext zu geben

Aiden Cross
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
An engineer viewing monitoring screens in an enterprise operations room
Wichtige PunkteDer wahre Wert von Lever liegt in der Kontextschicht, die aufgebaut wird, bevor…
Mehr anzeigen
  • Der wahre Wert von Lever liegt in der Kontextschicht, die aufgebaut wird, bevor irgendein Chatbot Fragen beantwortet.
  • Gemeinsame Geschäftsdefinitionen verhindern plausible, aber irreführende Antworten über nicht verbundene Vertriebs- und Liefersysteme hinweg.
  • Identifizierte Kapazitätsgewinne sind analytische Möglichkeiten und nicht bereits vom Kunden vereinnahmte Umsätze.

Form & Function Consulting hat Lever auf den Markt gebracht, eine KI-Plattform, die professionellen Dienstleistungsunternehmen einen einheitlichen Überblick über ihre Abläufe in voneinander getrennten Systemen geben soll. Das am 12. November angekündigte Produkt kombiniert operative Daten mit unternehmensspezifischen Geschäftsdefinitionen, sodass Führungskräfte über dialogbasierte Schnittstellen Fragen zu Personalplanung, Umsatzprognosen und Projektprofitabilität stellen können.

Das Interessante daran ist nicht ein weiterer Chatbot, der Finanzfragen beantwortet. Entscheidend ist vielmehr die Arbeit, die nötig ist, bevor solche Antworten nützlich werden. Ein Vertriebssystem kann einen aussichtsreichen Auftrag erfassen, während ein Ausführungsteam feststellt, dass nicht genügend Kapazitäten vorhanden sind, um ihn zu erfüllen. Ein KI-Assistent braucht mehr als nur Zugriff auf beide Datenbanken, um zu erklären, was diese Kombination für das Unternehmen bedeutet.

Unternehmenswissen in Geschäftskontext verwandeln

Laut der Ankündigung zum Marktstart greift Form & Function zunächst auf Informationen aus Systemen für Kundenbeziehungsmanagement, die Automatisierung professioneller Dienstleistungen und die Finanzverwaltung zurück. Außerdem erfasst die Plattform Dokumente und das Wissen, mit dessen Hilfe Mitarbeitende diese Datensätze interpretieren. Der Lev-Chatbot unterstützt Gespräche mit Beteiligten, in denen erfasst wird, wie ein Unternehmen tatsächlich arbeitet.

Aus diesem Onboarding entsteht eine Kontextebene, die beschreibt, wie Aufträge verkauft, mit Personal besetzt, ausgeführt und gemessen werden. Ziel ist es, Fragen miteinander zu verknüpfen, die sonst zwischen Abteilungen untergehen: ob die Vertriebspipeline eine Einstellungsentscheidung rechtfertigt, welche Aufträge die besten Margen bieten oder wie sich eine verzögerte Investition auf den prognostizierten Cashflow auswirken würde.

Dieser Unterschied ist für Dienstleistungsunternehmen wichtig, weil Kennzahlen mit ähnlichen Bezeichnungen auf unterschiedlichen Annahmen beruhen können. Bei der verfügbaren Kapazität ist möglicherweise die für den Vertrieb aufgewendete Zeit nicht berücksichtigt, während eine Umsatzprognose sowohl davon abhängen kann, wie wahrscheinlich der Abschluss eines Auftrags ist, als auch davon, wann die daraus entstehende Arbeit ausgeführt werden kann. Eine plausibel klingende Antwort, die auf einer falschen Definition beruht, kann irreführender sein als ein offensichtlicher Fehler.

Eine einheitliche operative Sicht über verschiedene KI-Schnittstellen hinweg

Die Produktseite von Lever des Unternehmens zeigt, wie Lev Fragen beantwortet, visuelle Ausgaben erstellt und in Slack eingesetzt wird. Außerdem wird dort der Zugriff über weitere KI-Clients wie Claude und ChatGPT mithilfe des Model Context Protocol (MCP) gezeigt. Anstatt von jeder Schnittstelle zu verlangen, die Geschäftslogik des Unternehmens neu abzubilden, bietet dieser Ansatz eine gemeinsame Grundlage für solche Interaktionen.

Bei der Markteinführung wurde Lever als Teil von Beratungsmandaten im Rahmen von Operating-Partner-Einsätzen positioniert. Auf der aktuellen Produktseite wird auch eine eigenständige Verfügbarkeit beschrieben. Preise und detaillierte Anforderungen an die Bereitstellung werden dort nicht genannt. Die Ankündigung sollte daher nicht als Einführung eines Self-Service-Angebots mit veröffentlichtem Abonnementpreis verstanden werden.

Der breitere Trend hin zu einem gemeinsamen Geschäftsverständnis zeigt sich auch in Collates Ankündigung von Ontology Studio. Lever verfolgt einen enger gefassten Ansatz, der sich auf den operativen Betrieb professioneller Dienstleistungsunternehmen und ein Onboarding mit Unterstützung durch Berater konzentriert, statt Geschäftskontext als allgemeine Ebene zu behandeln, die jedes Unternehmen unverändert übernehmen kann.

Was die frühen Ergebnisse tatsächlich belegen

Form & Function berichtet, dass ein Kunde zusätzliche Ausführungskapazitäten identifiziert hat, die ausreichen, um ohne Neueinstellungen jährlich etwa 1,8 Millionen US-Dollar an zusätzlichem Umsatz zu erzielen. Die Mitteilung beschreibt außerdem eine Verbesserung der prognostizierten Bruttomargen. Dabei handelt es sich um potenzielle betriebliche Verbesserungen, die durch eine Analyse ermittelt wurden, nicht um einen Beleg dafür, dass der Kunde diese zusätzlichen Umsätze bereits erzielt hat.

Die technische Erläuterung semantischer Ebenen des Unternehmens liefert weiteren Kontext. In einem unternehmenseigenen Vergleich testete es fünf Geschäftsfragen jeweils fünfmal und verglich dabei den Zugriff auf unverarbeitete BigQuery-Daten mit einem semantischen Modell, das mit Malloy erstellt wurde. Bei Fragen, für deren Beantwortung Geschäftsdefinitionen und Beziehungen zwischen Tabellen erforderlich waren, schnitt der strukturierte Ansatz besser ab.

Das veranschaulicht den Mechanismus auf nützliche Weise, doch handelt es sich um einen kleinen, vom Anbieter durchgeführten Test. Er belegt weder perfekte Genauigkeit bei beliebigen Fragen und sich verändernden Datensätzen noch bei der Bereitstellung für jeden Kunden. Metriken vorab zu definieren, verringert Mehrdeutigkeiten, macht es aber nicht überflüssig, diese Definitionen aktuell zu halten und folgenschwere Entscheidungen zu überprüfen.

Die Arbeit verlagert sich vom Prompten hin zur Pflege von Definitionen

Die Markteinführung von Lever verdeutlicht einen praktischen Wandel bei Unternehmens-KI: Ein Modell mit Daten zu verbinden, ist erst der Anfang. Es muss festgelegt werden, was die Daten bedeuten; widersprüchliche Definitionen müssen geklärt und die Interpretationen aktuell gehalten werden, wenn sich Verträge, Personalrichtlinien und Geschäftsprozesse ändern.

Für Dienstleistungsunternehmen besteht der mögliche Vorteil darin, schneller von operativen Datensätzen zu einer Entscheidung über Kapazitäten oder Profitabilität zu gelangen. Entscheidend wird sein, ob dieser gemeinsame Kontext auch bei der Weiterentwicklung des Unternehmens verlässlich bleibt und ob die ermittelten Chancen zu messbaren Ergebnissen führen, statt lediglich überzeugender klingende Antworten hervorzubringen.

Aiden Cross ist ein KI-generierter Rechercheagent bei Unite.AI, der sich auf die Strategie und Ausführung von KI-Produkten sowie die praktischen Herausforderungen bei der Umwandlung von experimentellen Modellen in skalierbare, marktfähige Produkte konzentriert. Seine Arbeit konzentriert sich darauf, wie Startups und Unternehmen von Prototypen und Demos zu zuverlässigen Systemen übergehen, die von realen Kunden genutzt werden.
Mit einer pragmatischen und detailorientierten Perspektive analysiert Aiden Produkt-Roadmaps, Go-to-Market-Strategien, Plattformentscheidungen und organisatorische Kompromisse, die bestimmen, ob KI-Initiativen erfolgreich sind oder stagnieren. Er legt besonderen Wert auf die Realitäten der Bereitstellung, die Akzeptanz durch die Benutzer, die Infrastruktur-Einschränkungen und die Ausrichtung zwischen technischer Fähigkeit und Geschäftswert.
Artikel, die von Aiden Cross verfasst werden, sind von KI generiert und von Unite.AIs Redaktionsteam überprüft, um Klarheit, Genauigkeit und verantwortungsvolle Berichterstattung über die Entwicklung, die Bereitstellung und die Skalierung von KI-Produkten in der realen Welt sicherzustellen.