Modelos y plataformas de IA
Form & Function lanza Lever para proporcionar un contexto empresarial compartido a los asistentes de IA
Puntos claveEl valor real de Lever reside en la capa de contexto construida antes de que cualquier…
Ver más
- El valor real de Lever reside en la capa de contexto construida antes de que cualquier chatbot responda preguntas.
- Las definiciones empresariales compartidas evitan respuestas plausibles pero engañosas en sistemas de ventas y entrega desconectados.
- Las ganancias de capacidad identificadas son oportunidades analíticas en lugar de ingresos que el cliente ya haya cobrado.
Form & Function Consulting ha lanzado Lever, una plataforma de IA diseñada para ofrecer a las firmas de servicios profesionales una visión coherente de sus operaciones en distintos sistemas desconectados. Anunciado el 12 de noviembre, el producto combina datos operativos con definiciones empresariales específicas de cada compañía para que los directivos puedan hacer preguntas sobre la asignación de personal, las previsiones de ingresos y la rentabilidad de los proyectos mediante interfaces conversacionales.
Lo interesante no es otro chatbot que responda preguntas financieras. Lo importante es el trabajo necesario para que esas respuestas sean útiles. Un sistema de ventas puede registrar una oportunidad prometedora mientras que el equipo encargado de ejecutar el trabajo considera que no hay capacidad suficiente para llevarla a cabo. Para explicar qué significa esa combinación para la empresa, un asistente de IA necesita algo más que acceso a ambas bases de datos.
Convertir el conocimiento de la empresa en contexto empresarial
Según el anuncio del lanzamiento, Form & Function parte de información procedente de sistemas de gestión de relaciones con los clientes, automatización de servicios profesionales y finanzas. También recopila documentos y el conocimiento que los empleados utilizan para interpretar esos registros. Su chatbot Lev facilita entrevistas con las partes interesadas para conocer cómo funciona realmente una firma.
Ese proceso de incorporación alimenta una capa de contexto que describe cómo se venden, asignan, prestan y miden los servicios. El objetivo es conectar preguntas que, de otro modo, quedarían entre departamentos: si la cartera de ventas justifica una decisión de contratación, qué proyectos ofrecen los mejores márgenes o cómo afectaría una inversión aplazada al flujo de caja previsto.
Esta distinción importa en las empresas de servicios porque las métricas con nombres parecidos pueden basarse en supuestos distintos. La capacidad disponible podría excluir el tiempo dedicado a vender, mientras que una previsión de ingresos podría depender tanto de la probabilidad de cerrar una oportunidad como del momento en que se pueda prestar el servicio resultante. Una respuesta verosímil basada en una definición equivocada puede inducir más a error que un error evidente.
Una visión operativa común en distintas interfaces de IA
La página del producto Lever de la empresa muestra a Lev respondiendo preguntas, generando contenido visual y funcionando dentro de Slack. También muestra el acceso desde otros clientes de IA, como Claude y ChatGPT, mediante Model Context Protocol, o MCP. En lugar de exigir que cada interfaz reconstruya la lógica empresarial de la firma, este enfoque proporciona una base compartida para esas interacciones.
El lanzamiento presentó Lever como parte de proyectos de asesoría con socios operativos. La página actual del producto también indica que está disponible como solución independiente. Allí no se divulgan los precios ni los requisitos detallados de implementación, por lo que el anuncio no debe interpretarse como un lanzamiento de autoservicio con un precio de suscripción publicado.
La tendencia más amplia hacia un significado empresarial compartido también se aprecia en el anuncio de Ontology Studio de Collate. Lever adopta un enfoque más acotado, centrado en las operaciones de servicios profesionales y en la incorporación asistida por consultores, en lugar de tratar el contexto empresarial como una capa genérica que cualquier organización pueda adoptar sin modificaciones.
Qué demuestran realmente los primeros resultados
Form & Function informa que un cliente identificó capacidad adicional para prestar servicios suficiente para generar aproximadamente 1,8 millones de dólares en ingresos anuales adicionales sin incorporar empleados. El comunicado también describe una mejora de los márgenes brutos previstos. Se trata de posibles mejoras operativas identificadas mediante análisis, no de pruebas de que el cliente ya haya percibido esos ingresos adicionales.
El análisis técnico de las capas semánticas de la firma aporta más contexto. En una comparación realizada por la propia empresa, se probaron cinco preguntas empresariales cinco veces cada una, contrastando el acceso a datos sin procesar de BigQuery con un modelo semántico creado con Malloy. El enfoque estructurado obtuvo mejores resultados en las preguntas que requerían definiciones empresariales y relaciones entre tablas.
Es una ilustración útil del mecanismo, pero se trata de una prueba pequeña realizada por el proveedor. No demuestra una precisión perfecta ante preguntas arbitrarias, conjuntos de datos cambiantes ni en la implementación de todos los clientes. Definir las métricas de antemano reduce la ambigüedad, pero no elimina la necesidad de mantener esas definiciones y revisar las decisiones importantes.
El trabajo pasa de formular instrucciones a mantener definiciones
El lanzamiento de Lever destaca un cambio práctico en la IA empresarial: conectar un modelo con los datos es solo el comienzo. Alguien debe decidir qué significan esos datos, resolver las definiciones contradictorias y mantener actualizada esa interpretación a medida que cambian los contratos, las políticas de asignación de personal y los procesos empresariales.
Para las firmas de servicios, el posible beneficio es acortar el recorrido entre los registros operativos y una decisión sobre capacidad o rentabilidad. La prueba a largo plazo será comprobar si ese contexto compartido sigue siendo fiable a medida que evoluciona la empresa y si las oportunidades identificadas se traducen en resultados medibles, en lugar de limitarse a generar respuestas más convincentes.












