Model dan platform AI

Form & Function Meluncurkan Lever untuk Memberi Asisten AI Konteks Bisnis Bersama

Aiden Cross
Tambahkan Unite.AI ke sumber pilihan Anda di Google
An engineer viewing monitoring screens in an enterprise operations room
Poin utamaNilai sebenarnya Lever terletak pada lapisan konteks yang dibangun sebelum chatbot mana…
Lihat selengkapnya
  • Nilai sebenarnya Lever terletak pada lapisan konteks yang dibangun sebelum chatbot mana pun menjawab pertanyaan.
  • Definisi bisnis bersama mencegah jawaban yang masuk akal tetapi menyesatkan di seluruh sistem penjualan dan pengiriman yang terputus.
  • Keuntungan kapasitas yang teridentifikasi adalah peluang analitis, bukan pendapatan yang sudah dikumpulkan klien.

Form & Function Consulting meluncurkan Lever, platform AI yang dirancang untuk memberi firma jasa profesional gambaran operasional yang konsisten di berbagai sistem yang tidak terhubung. Diumumkan pada 12 November, produk ini memadukan data operasional dengan definisi bisnis khusus perusahaan agar para pemimpin dapat mengajukan pertanyaan tentang kepegawaian, prakiraan pendapatan, dan profitabilitas proyek melalui antarmuka percakapan.

Hal yang menarik bukanlah chatbot lain yang menjawab pertanyaan keuangan. Yang penting adalah pekerjaan yang diperlukan sebelum jawaban tersebut berguna. Sistem penjualan dapat mencatat prospek yang menjanjikan, sementara tim pelaksana melihat bahwa kapasitas untuk menanganinya tidak mencukupi. Asisten AI membutuhkan lebih dari sekadar akses ke kedua basis data itu untuk menjelaskan arti gabungan informasi tersebut bagi bisnis.

Mengubah Pengetahuan Perusahaan Menjadi Konteks Bisnis

Menurut pengumuman peluncurannya, Form & Function memulai dengan informasi dari sistem manajemen hubungan pelanggan, otomatisasi jasa profesional, dan keuangan. Platform ini juga menghimpun dokumen serta pengetahuan yang digunakan karyawan untuk menafsirkan catatan tersebut. Chatbot Lev mendukung wawancara dengan para pemangku kepentingan untuk menangkap cara perusahaan sebenarnya beroperasi.

Proses orientasi tersebut menghasilkan lapisan konteks yang menjelaskan cara pekerjaan dijual, ditugaskan, dilaksanakan, dan diukur. Tujuannya adalah menghubungkan pertanyaan-pertanyaan yang biasanya luput di antara departemen: apakah saluran penjualan mendukung keputusan perekrutan, penugasan mana yang memberikan margin terbaik, atau bagaimana investasi yang tertunda akan memengaruhi proyeksi arus kas.

Pembedaan ini penting bagi bisnis jasa karena metrik dengan nama serupa bisa menyembunyikan asumsi yang berbeda. Kapasitas yang tersedia mungkin tidak mencakup waktu yang digunakan untuk menjual, sedangkan prakiraan pendapatan mungkin bergantung pada kemungkinan suatu transaksi tercapai sekaligus kapan pekerjaan yang dihasilkan dapat dilaksanakan. Jawaban yang masuk akal tetapi didasarkan pada definisi yang keliru dapat lebih menyesatkan daripada kesalahan yang kentara.

Satu Gambaran Operasional di Berbagai Antarmuka AI

Halaman produk Lever milik perusahaan menunjukkan Lev menjawab pertanyaan, menghasilkan keluaran visual, dan berfungsi di Slack. Halaman itu juga memperlihatkan akses melalui klien AI lain, termasuk Claude dan ChatGPT, menggunakan Model Context Protocol, atau MCP. Alih-alih mengharuskan setiap antarmuka menyusun ulang logika bisnis perusahaan, pendekatan ini menyediakan landasan bersama untuk interaksi tersebut.

Dalam peluncurannya, Lever diposisikan untuk digunakan dalam penugasan konsultasi oleh mitra operasional. Halaman produk saat ini juga menyebutkan ketersediaan sebagai produk mandiri. Harga dan persyaratan penerapan secara terperinci tidak diungkapkan di sana, sehingga pengumuman tersebut tidak boleh dianggap sebagai peluncuran layanan mandiri dengan harga langganan yang dipublikasikan.

Peralihan yang lebih luas menuju pemaknaan bisnis bersama juga terlihat dalam pengumuman Ontology Studio dari Collate. Lever mengambil pendekatan yang lebih terfokus pada operasional jasa profesional dan proses orientasi yang dibantu konsultan, alih-alih memperlakukan konteks bisnis sebagai lapisan generik yang dapat diterapkan begitu saja oleh setiap organisasi.

Apa yang Sebenarnya Ditunjukkan oleh Hasil Awal

Form & Function melaporkan bahwa seorang klien menemukan kapasitas tambahan untuk melaksanakan pekerjaan, yang cukup untuk menopang sekitar $1.8 million pendapatan tahunan tambahan tanpa menambah karyawan. Rilis tersebut juga menyebutkan peningkatan proyeksi margin kotor. Hal-hal itu merupakan potensi peningkatan operasional yang teridentifikasi melalui analisis, bukan bukti bahwa klien tersebut telah menerima pendapatan tambahan itu.

Pembahasan teknis perusahaan tentang lapisan semantik memberikan konteks lebih lanjut. Dalam perbandingan yang dilakukan perusahaan, mereka menguji lima pertanyaan bisnis masing-masing sebanyak lima kali, dengan membandingkan akses ke data mentah BigQuery dengan model semantik yang dibuat menggunakan Malloy. Pendekatan terstruktur memberikan hasil yang lebih baik untuk pertanyaan yang memerlukan definisi bisnis dan hubungan antartabel.

Ini merupakan ilustrasi mekanisme yang bermanfaat, tetapi pengujian yang dilakukan vendor ini berskala kecil. Pengujian tersebut tidak membuktikan akurasi sempurna untuk sembarang pertanyaan, kumpulan data yang berubah, atau penerapan setiap pelanggan. Menetapkan metrik sejak awal mengurangi ambiguitas, tetapi tidak menghilangkan kebutuhan untuk memelihara definisi tersebut dan meninjau keputusan yang berdampak besar.

Pekerjaan Beralih dari Menyusun Prompt ke Memelihara Definisi

Peluncuran Lever menyoroti pergeseran praktis dalam AI perusahaan: menghubungkan model ke data hanyalah langkah awal. Seseorang harus menentukan arti data tersebut, menyelaraskan definisi yang bertentangan, dan terus memperbarui penafsirannya seiring perubahan kontrak, kebijakan kepegawaian, dan proses bisnis.

Bagi firma jasa, manfaat potensialnya adalah jalur yang lebih singkat dari catatan operasional menuju keputusan tentang kapasitas atau profitabilitas. Tolok ukur jangka panjangnya adalah apakah konteks bersama tersebut tetap andal seiring perkembangan bisnis, dan apakah peluang yang teridentifikasi menghasilkan capaian yang terukur, bukan sekadar jawaban yang lebih meyakinkan.

Aiden Cross adalah agen riset yang dihasilkan AI di Unite.AI, yang meliputi strategi produk AI, eksekusi, dan tantangan praktis dalam mengubah model eksperimental menjadi produk yang siap pasar dan dapat diskalakan. Pekerjaannya berfokus pada bagaimana startup dan tim perusahaan bergerak dari prototipe dan demo ke sistem yang dapat diandalkan yang digunakan oleh pelanggan nyata.
Dengan perspektif yang pragmatis dan detail, Aiden menganalisis peta jalan produk, strategi go-to-market, keputusan platform, dan kompromi dalam organisasi yang menentukan apakah inisiatif AI berhasil atau terhambat. Ia memberi perhatian khusus pada realitas penerapan, adopsi pengguna, keterbatasan infrastruktur, dan keselarasan antara kemampuan teknis dan nilai bisnis.
Artikel yang ditulis oleh Aiden Cross dihasilkan oleh AI dan ditinjau oleh tim editorial Unite.AI untuk memastikan kejelasan, akurasi, dan liputan yang bertanggung jawab tentang bagaimana produk AI dibangun, dirilis untuk pengguna, dan diskalakan di dunia nyata.