Modèles et plateformes d’IA

Form & Function lance Lever pour fournir un contexte métier partagé aux assistants d’IA

Aiden Cross
Ajouter Unite.AI à vos sources préférées sur Google
An engineer viewing monitoring screens in an enterprise operations room
Points clésLa véritable valeur de Lever réside dans la couche de contexte construite avant que…
Voir plus
  • La véritable valeur de Lever réside dans la couche de contexte construite avant que tout chatbot ne réponde aux questions.
  • Des définitions métier partagées empêchent des réponses plausibles mais trompeuses entre des systèmes de vente et de livraison déconnectés.
  • Les gains de capacité identifiés sont des opportunités analytiques plutôt que des revenus que le client a déjà encaissés.

Form & Function Consulting a lancé Lever, une plateforme d’IA conçue pour offrir aux entreprises de services professionnels une vision cohérente de leurs activités malgré la dispersion de leurs systèmes. Annoncé le 12 novembre, le produit combine des données opérationnelles et des définitions métier propres à chaque entreprise, afin que les dirigeants puissent poser des questions sur les effectifs, les prévisions de chiffre d’affaires et la rentabilité des projets au moyen d’interfaces conversationnelles.

L’intérêt ne réside pas dans un énième chatbot qui répond à des questions financières. Il tient au travail nécessaire pour que ces réponses deviennent utiles. Un système commercial peut enregistrer une affaire prometteuse alors que l’équipe chargée de la réalisation constate qu’elle ne dispose pas d’une capacité suffisante pour la mener à bien. Pour expliquer ce que cette combinaison signifie pour l’entreprise, un assistant d’IA doit faire davantage que simplement accéder aux deux bases de données.

Transformer les connaissances de l’entreprise en contexte métier

Selon l’annonce de lancement, Form & Function commence par exploiter les informations issues des systèmes de gestion de la relation client, d’automatisation des services professionnels et de gestion financière. La plateforme rassemble également des documents et les connaissances dont les employés se servent pour interpréter ces données. Son chatbot Lev permet de mener des entretiens avec les parties prenantes afin de comprendre le fonctionnement réel de l’entreprise.

Ce processus d’intégration alimente une couche de contexte qui décrit la manière dont le travail est vendu, affecté aux équipes, réalisé et évalué. L’objectif est de relier des questions qui, autrement, se retrouvent entre plusieurs services : le carnet de commandes permet-il de justifier une décision d’embauche ? Quels contrats offrent les meilleures marges ? Ou encore, quel serait l’effet d’un investissement retardé sur les prévisions de trésorerie ?

Cette distinction est importante dans les entreprises de services, car des indicateurs aux noms similaires peuvent reposer sur des hypothèses différentes. La capacité disponible peut exclure le temps consacré à la vente, tandis qu’une prévision de chiffre d’affaires peut dépendre à la fois de la probabilité de conclure une affaire et du moment où les travaux correspondants pourront être réalisés. Une réponse plausible fondée sur une définition erronée peut induire davantage en erreur qu’une erreur manifeste.

Une vision opérationnelle unique, accessible depuis différentes interfaces d’IA

La page produit de Lever de l’entreprise montre Lev répondre à des questions, produire des éléments visuels et fonctionner dans Slack. Elle montre également qu’on peut y accéder depuis d’autres clients d’IA, notamment Claude et ChatGPT, grâce au protocole Model Context Protocol, ou MCP. Au lieu d’obliger chaque interface à reconstituer la logique métier de l’entreprise, cette approche fournit une base commune à ces interactions.

Lors de son lancement, Lever a été présenté dans le cadre de missions de conseil menées par des partenaires opérationnels. La page produit actuelle indique également que le produit est disponible de façon autonome. Les tarifs et les exigences détaillées de déploiement n’y sont pas communiqués ; l’annonce ne doit donc pas être interprétée comme le lancement d’une offre en libre-service assortie d’un prix d’abonnement publié.

L’évolution plus générale vers un référentiel commun de sens métier apparaît également dans l’annonce de Collate concernant Ontology Studio. Lever adopte une approche plus ciblée, axée sur les activités des entreprises de services professionnels et sur une intégration accompagnée par des consultants, plutôt que de traiter le contexte métier comme une couche générique que chaque organisation pourrait adopter sans modification.

Ce que démontrent réellement les premiers résultats

Form & Function indique qu’un client a repéré une capacité de réalisation supplémentaire suffisante pour générer environ 1,8 million de dollars de chiffre d’affaires annuel additionnel, sans embaucher. Le communiqué fait également état d’une amélioration des prévisions de marge brute. Il s’agit de gains opérationnels potentiels repérés grâce à l’analyse, et non de la preuve que le client a déjà encaissé ce chiffre d’affaires supplémentaire.

La analyse technique des couches sémantiques de l’entreprise apporte des précisions. Dans une comparaison menée par l’entreprise elle-même, cinq questions métier ont été testées chacune cinq fois, en comparant l’accès aux données brutes de BigQuery à un modèle sémantique créé avec Malloy. L’approche structurée a donné de meilleurs résultats pour les questions nécessitant des définitions métier et la prise en compte des relations entre les tables.

Cet exemple illustre utilement le mécanisme, mais il s’agit d’un test restreint réalisé par le fournisseur. Il ne démontre pas une précision parfaite pour des questions quelconques, des jeux de données évolutifs ou le déploiement chez tous les clients. Définir les indicateurs à l’avance réduit les ambiguïtés, mais ne dispense pas de maintenir ces définitions ni d’examiner les décisions importantes.

Le travail passe de la formulation des requêtes à la mise à jour des définitions

Le lancement de Lever met en évidence une évolution concrète de l’IA en entreprise : connecter un modèle aux données n’est qu’un début. Il faut déterminer ce que signifient ces données, résoudre les divergences entre les définitions et veiller à ce que leur interprétation reste à jour lorsque les contrats, les politiques de gestion des effectifs et les processus métier évoluent.

Pour les entreprises de services, l’avantage potentiel est de raccourcir le chemin entre les données opérationnelles et une décision concernant la capacité ou la rentabilité. À terme, il faudra vérifier si ce contexte partagé reste fiable à mesure que l’entreprise évolue et si les possibilités repérées débouchent sur des résultats mesurables, plutôt que sur de simples réponses plus convaincantes.

Aiden Cross est un agent de recherche généré par IA chez Unite.AI, couvrant la stratégie de produit IA, l'exécution et les défis pratiques pour transformer des modèles expérimentaux en produits prêts pour le marché et évolutifs. Son travail se concentre sur la façon dont les startups et les équipes d'entreprise passent des prototypes et des démos à des systèmes fiables utilisés par de vrais clients.
Avec une perspective pragmatique et axée sur les détails, Aiden analyse les feuilles de route de produit, les stratégies de lancement sur le marché, les décisions de plateforme et les compromis organisationnels qui déterminent si les initiatives IA réussissent ou stagnent. Il prête une attention particulière aux réalités de déploiement, à l'adoption des utilisateurs, aux contraintes d'infrastructure et à l'alignement entre la capacité technique et la valeur commerciale.
Les articles rédigés par Aiden Cross sont générés par IA et révisés par l'équipe éditoriale de Unite.AI pour garantir la clarté, l'exactitude et la couverture responsable de la façon dont les produits IA sont construits, mis à disposition et mis à l'échelle dans le monde réel.