Modelli e piattaforme di IA
Form & Function lancia Lever per fornire agli assistenti IA un contesto aziendale condiviso
Punti chiaveIl vero valore di Lever risiede nel livello di contesto costruito prima che qualsiasi…
Vedi di più
- Il vero valore di Lever risiede nel livello di contesto costruito prima che qualsiasi chatbot risponda alle domande.
- Le definizioni aziendali condivise impediscono risposte plausibili ma fuorvianti tra sistemi di vendita e di consegna non collegati.
- I guadagni di capacità identificati sono opportunità analitiche piuttosto che ricavi che il cliente ha già incassato.
Form & Function Consulting ha lanciato Lever, una piattaforma di IA pensata per offrire alle società di servizi professionali una visione coerente delle proprie attività attraverso sistemi non collegati tra loro. Annunciato il 12 novembre, il prodotto combina dati operativi e definizioni aziendali specifiche, così che i responsabili possano porre domande su personale, previsioni dei ricavi e redditività dei progetti tramite interfacce conversazionali.
L’aspetto interessante non è l’ennesimo chatbot che risponde a domande finanziarie. È il lavoro necessario prima che quelle risposte diventino utili. Un sistema di vendita può registrare un’opportunità promettente mentre il team incaricato della consegna rileva di non avere capacità sufficiente per portarla a termine. Per spiegare cosa significhi per l’azienda questa combinazione, un assistente IA ha bisogno di più del semplice accesso a entrambi i database.
Trasformare le conoscenze aziendali in contesto operativo
Secondo l’annuncio del lancio, Form & Function parte dalle informazioni contenute nei sistemi di gestione delle relazioni con i clienti, di automazione dei servizi professionali e finanziari. Raccoglie inoltre documenti e conoscenze che i dipendenti usano per interpretare quei dati. Il chatbot Lev supporta le interviste con le parti interessate, che aiutano a capire come opera davvero un’azienda.
Questa fase iniziale alimenta un livello di contesto che descrive come viene venduto, assegnato al personale, erogato e misurato il lavoro. L’obiettivo è collegare domande che altrimenti resterebbero senza risposta tra un reparto e l’altro: se la pipeline di vendita giustifica una decisione di assunzione, quali incarichi offrono i margini migliori o in che modo un investimento ritardato influirebbe sui flussi di cassa previsti.
Questa distinzione è importante nelle aziende di servizi, perché metriche con nomi simili possono basarsi su presupposti diversi. La capacità disponibile potrebbe non includere il tempo dedicato alla vendita, mentre una previsione dei ricavi potrebbe dipendere sia dalla probabilità che un affare si concluda sia da quando sarà possibile erogare il lavoro che ne deriva. Una risposta plausibile basata su una definizione errata può essere più fuorviante di un errore evidente.
Un’unica visione operativa attraverso diverse interfacce di IA
La pagina del prodotto Lever dell’azienda mostra Lev mentre risponde a domande, genera contenuti visivi e opera all’interno di Slack. Illustra inoltre l’accesso tramite altri client di IA, tra cui Claude e ChatGPT, usando il Model Context Protocol, o MCP. Anziché richiedere a ogni interfaccia di ricostruire la logica aziendale dell’impresa, questo approccio fornisce una base condivisa per tali interazioni.
Al momento del lancio, Lever è stato proposto nell’ambito di incarichi di consulenza con partner operativi. La pagina attuale del prodotto descrive anche la possibilità di usarlo come soluzione autonoma. I prezzi e i requisiti dettagliati di implementazione non sono indicati; l’annuncio, quindi, non va interpretato come il lancio di un servizio self-service con un prezzo di abbonamento pubblicato.
La più ampia tendenza verso una comprensione condivisa del significato aziendale emerge anche dall’annuncio di Ontology Studio di Collate. Lever adotta un approccio più circoscritto, incentrato sulle attività delle società di servizi professionali e su un processo iniziale guidato da consulenti, anziché trattare il contesto aziendale come un livello generico che ogni organizzazione possa adottare senza modifiche.
Cosa dimostrano davvero i primi risultati
Form & Function riferisce che un cliente ha individuato capacità di erogazione aggiuntiva sufficiente a sostenere circa 1,8 milioni di dollari di ricavi annuali incrementali senza assumere personale. Il comunicato descrive anche un miglioramento dei margini lordi previsti. Si tratta di potenziali vantaggi operativi individuati tramite analisi, non della prova che il cliente abbia già incassato quei ricavi aggiuntivi.
La discussione tecnica sui livelli semantici dell’azienda offre ulteriori elementi di contesto. In un confronto condotto dall’azienda stessa, sono state poste cinque domande aziendali per cinque volte ciascuna, mettendo a confronto l’accesso ai dati grezzi di BigQuery con un modello semantico realizzato usando Malloy. L’approccio strutturato ha dato risultati migliori sulle domande che richiedevano definizioni aziendali e relazioni tra tabelle.
È un’utile dimostrazione del funzionamento del meccanismo, ma si tratta di un test di piccole dimensioni condotto dal fornitore. Non dimostra che il sistema sia perfettamente accurato con domande arbitrarie, insiemi di dati in evoluzione o in ogni implementazione presso i clienti. Definire le metriche in anticipo riduce l’ambiguità, ma non elimina la necessità di mantenere aggiornate tali definizioni e di verificare le decisioni rilevanti.
Il lavoro passa dalla formulazione dei prompt alla gestione delle definizioni
Il lancio di Lever mette in luce un cambiamento concreto nell’IA aziendale: collegare un modello ai dati è solo l’inizio. Qualcuno deve stabilire che cosa significano quei dati, risolvere le definizioni contrastanti e mantenere aggiornata tale interpretazione al variare di contratti, politiche di assegnazione del personale e processi aziendali.
Per le società di servizi, il potenziale vantaggio consiste nel ridurre il tempo che separa i dati operativi da una decisione sulla capacità o sulla redditività. La prova decisiva sarà verificare se quel contesto condiviso rimane affidabile mentre l’azienda evolve e se le opportunità individuate si traducono in risultati misurabili, anziché limitarsi a produrre risposte più convincenti.












