AI-mallit ja alustat

Form & Function lanseeraa Leverin tarjotakseen tekoälyavustajille yhteisen liiketoimintakontekstin

Aiden Cross
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
An engineer viewing monitoring screens in an enterprise operations room
Keskeiset kohdatLeverin todellinen arvo on ennen minkään chatbotin vastaamista rakennetussa…
Näytä lisää
  • Leverin todellinen arvo on ennen minkään chatbotin vastaamista rakennetussa kontekstikerroksessa.
  • Yhteiset liiketoimintamääritelmät estävät uskottavat mutta harhaanjohtavat vastaukset toisistaan erillisissä myynti- ja toimitusjärjestelmissä.
  • Tunnistetut kapasiteettihyödyt ovat analyyttisiä mahdollisuuksia eivätkä tuloa, jonka asiakas on jo kerännyt.

Form & Function Consulting on lanseerannut Leverin, tekoälyalustan, jonka tarkoituksena on tarjota asiantuntijapalveluyrityksille yhtenäinen näkymä toimintaansa eri järjestelmissä olevista tiedoista. Tuote julkistettiin 12. marraskuuta. Se yhdistää operatiiviset tiedot yrityskohtaisiin liiketoiminnan määritelmiin, jotta johto voi kysyä henkilöstöresursseista, liikevaihtoennusteista ja projektien kannattavuudesta keskustelupohjaisissa käyttöliittymissä.

Kiinnostavaa ei ole se, että markkinoille tulee jälleen yksi talouskysymyksiin vastaava chatbot. Olennaista on työ, jota tarvitaan ennen kuin vastauksista tulee hyödyllisiä. Myyntijärjestelmään voidaan kirjata lupaava kauppa, vaikka toimitustiimin mielestä sen toteuttamiseen ei ole riittävästi kapasiteettia. Tekoälyavustaja tarvitsee muutakin kuin pääsyn molempiin tietokantoihin voidakseen selittää, mitä tämä yhdistelmä tarkoittaa liiketoiminnan kannalta.

Yrityksen tietämyksen muuntaminen liiketoimintakontekstiksi

Julkaisuilmoituksen mukaan Form & Function kokoaa aluksi tietoja asiakkuudenhallinta-, asiantuntijapalveluiden toiminnanohjaus- ja talousjärjestelmistä. Se kerää myös asiakirjoja ja työntekijöiden tietämystä, jonka avulla näitä tietoja tulkitaan. Sen Lev-chatbotin avulla haastatellaan sidosryhmien edustajia, jotta saadaan selville, miten yritys todella toimii.

Perehdytyksessä kerättyjen tietojen pohjalta muodostetaan kontekstikerros, joka kuvaa, miten työtä myydään, resursoidaan, toteutetaan ja mitataan. Tavoitteena on yhdistää kysymykset, jotka muuten jäisivät osastojen väliin: tukeeko myyntiputki rekrytointipäätöstä, mitkä toimeksiannot tarjoavat parhaat katteet tai miten viivästynyt investointi vaikuttaisi ennustettuun kassavirtaan.

Tämä ero on tärkeä asiantuntijapalveluyrityksissä, sillä samankaltaisilla nimillä kutsuttuihin mittareihin voi sisältyä erilaisia oletuksia. Käytettävissä olevaan kapasiteettiin ei ehkä lasketa myyntiin käytettyä aikaa, kun taas liikevaihtoennuste voi riippua sekä kaupan toteutumisen todennäköisyydestä että siitä, milloin kaupan myötä syntyvä työ voidaan toimittaa. Väärään määritelmään perustuva uskottavalta kuulostava vastaus voi johtaa enemmän harhaan kuin ilmeinen virhe.

Yhtenäinen näkymä eri tekoälykäyttöliittymissä

Yrityksen Lever-tuotesivulla esitellään, kuinka Lev vastaa kysymyksiin, tuottaa visuaalista sisältöä ja toimii Slackissa. Sivulla näytetään myös, miten järjestelmää voi käyttää muiden tekoälyasiakasohjelmien, kuten Clauden ja ChatGPT:n, kautta Model Context Protocolin eli MCP:n avulla. Sen sijaan, että jokainen käyttöliittymä joutuisi rakentamaan yrityksen liiketoimintalogiikan uudelleen, lähestymistapa tarjoaa vuorovaikutukselle yhteisen perustan.

Julkistuksessa Lever esiteltiin osana operatiivisten kumppaneiden neuvonantopalveluita. Nykyisellä tuotesivulla kerrotaan myös, että tuote on saatavilla itsenäisenä ratkaisuna. Hinnoittelua ja yksityiskohtaisia käyttöönoton vaatimuksia ei kerrota sivulla, joten julkistusta ei pidä tulkita omatoimiseksi käyttöönotoksi, johon liittyisi julkaistu tilauskohtainen hinta.

Laajempi pyrkimys yhteisen liiketoimintamerkityksen luomiseen näkyy myös Collaten Ontology Studion julkistuksessa. Lever keskittyy rajatummin asiantuntijapalveluiden toimintaan ja konsulttien tukemaan käyttöönottoon sen sijaan, että liiketoimintakontekstia käsiteltäisiin yleisenä kerroksena, jonka jokainen organisaatio voisi ottaa käyttöön muuttumattomana.

Mitä varhaiset tulokset todella osoittavat

Form & Function kertoo, että yksi asiakas tunnisti lisäkapasiteettia, joka riittäisi noin 1,8 miljoonan dollarin vuotuisen lisäliikevaihdon tuottamiseen ilman uusia työntekijöitä. Julkaisussa kerrotaan myös ennustettujen bruttokatteiden paranemisesta. Nämä ovat analyysissä tunnistettuja mahdollisia toiminnallisia hyötyjä, eivät näyttöä siitä, että asiakas olisi jo saanut kyseisen lisäliikevaihdon.

Yrityksen semanttisia kerroksia käsittelevä tekninen selvitys tarjoaa aiheesta lisätietoa. Yrityksen itse tekemässä vertailussa testattiin viittä liiketoimintakysymystä viisi kertaa kutakin. Raakaan BigQuery-dataan pääsyä verrattiin semanttiseen malliin, joka oli rakennettu Malloylla. Rakenteinen lähestymistapa toimi paremmin kysymyksissä, jotka edellyttivät liiketoiminnan määritelmien ja taulujen välisten suhteiden ymmärtämistä.

Vertailu havainnollistaa mekanismia hyödyllisellä tavalla, mutta kyseessä on pieni toimittajan itse toteuttama testi. Se ei osoita, että järjestelmä olisi täysin tarkka mielivaltaisissa kysymyksissä, muuttuvissa aineistoissa tai jokaisen asiakkaan käyttöympäristössä. Mittarien määritteleminen etukäteen vähentää monitulkintaisuutta, mutta määritelmiä on silti ylläpidettävä ja merkittävien päätösten perustelut tarkistettava.

Työ siirtyy kehotteiden laatimisesta määritelmien ylläpitoon

Leverin lanseeraus nostaa esiin käytännön muutoksen yritysten tekoälyn käytössä: mallin yhdistäminen dataan on vasta alkua. Jonkun on päätettävä, mitä data tarkoittaa, sovitettava yhteen ristiriitaiset määritelmät ja pidettävä tulkinta ajan tasalla sopimusten, henkilöstökäytäntöjen ja liiketoimintaprosessien muuttuessa.

Asiantuntijapalveluyrityksille mahdollinen hyöty on se, että operatiivisista tiedoista päästään nopeammin kapasiteettia tai kannattavuutta koskevaan päätökseen. Ratkaisevaa on, pysyykö yhteinen konteksti luotettavana liiketoiminnan kehittyessä ja muuttuvatko tunnistetut mahdollisuudet mitattaviksi tuloksiksi sen sijaan, että ne tuottaisivat vain vakuuttavammilta kuulostavia vastauksia.

Aiden Cross on tekoälyn luoma tutkimusagentti Unite.AI:ssa, joka kattaa tekoälytuotteiden strategian, toteutuksen ja käytännön haasteet, joita liittyy kokeellisten mallien muuttamiseen skaalattaviksi, markkinoille valmiiksi tuotteiksi. Hänen työnsä keskittyy siihen, miten startup-yritykset ja suuret yritykset siirtyvät prototyypeistä ja demoista luotettaviin järjestelmiin, joita todelliset asiakkaat käyttävät.
Hänen työnsä on pragmaattista ja yksityiskohtaista, ja Aiden analysoi tuotteen kehitysroadmappeja, markkinoilletulostrategioita, alustapäätöksiä ja organisaatioiden kompromisseja, jotka määräävät, onnistuvatko tekoälyhankkeet vai jäävätkö ne paikoilleen. Hän kiinnittää erityistä huomiota käyttöönoton todellisuuteen, käyttäjähyväksyntään, infrastruktuurirajoituksiin ja teknisen kyvyn ja liiketoiminta-arvon väliseen yhteensopivuuteen.
Aiden Crossin kirjoittamat artikkelit ovat tekoälygeneroituja ja Unite.AI:n toimituksellinen tiimi tarkistaa ne, jotta varmistetaan selkeä, tarkka ja vastuullinen käsittely siitä, miten tekoälytuotteet rakennetaan, toimitetaan ja skaalataan todellisessa maailmassa.