AIモデルとプラットフォーム
Form & Function、AIアシスタントに共通のビジネスコンテキストを提供するLeverを発表
要点Leverの真の価値は、チャットボットが質問に答える前に構築されるコンテキスト層にあります。
もっと見る
- Leverの真の価値は、チャットボットが質問に答える前に構築されるコンテキスト層にあります。
- 共有されたビジネス定義は、接続されていない営業システムとデリバリーシステム全体で、もっともらしいが誤解を招く回答を防ぎます。
- 特定されたキャパシティの向上は、クライアントがすでに回収した収益ではなく、分析上の機会です。
Form & Function Consultingは、プロフェッショナルサービス企業が分断されたシステムを横断して一貫した業務状況を把握できるようにするAIプラットフォーム、Leverを発表した。11月12日に発表されたこの製品は、業務データと各社固有のビジネス定義を組み合わせ、経営陣が対話型インターフェースを通じて人員配置、売上予測、プロジェクトの収益性について質問できるようにする。
注目すべきなのは、財務に関する質問に答えるチャットボットがまた一つ登場したことではない。そうした回答を役立つものにするために、その前段階で必要となる作業だ。営業システムには有望な商談として記録されていても、デリバリーチームは対応に必要な人員の余力が足りないと判断することがある。AIアシスタントが、その食い違いが事業にとって何を意味するのかを説明するには、両方のデータベースにアクセスできるだけでは不十分だ。
社内の知識をビジネスコンテキストに変える
発表によると、Form & Functionは、顧客関係管理、プロフェッショナルサービス自動化、財務の各システムから情報を取り込む。さらに、従業員が記録を解釈する際に使う文書や知識も収集する。同社のチャットボットLevは、企業が実際にどのように運営されているかを把握するための、関係者への聞き取りを支援する。
こうした導入時の情報収集を通じて、業務の受注、人員配置、遂行、評価の方法を示すコンテキスト層が構築される。目標は、部門間の隙間に埋もれがちな問いを結び付けることだ。たとえば、営業パイプラインが採用判断を後押しできるか、どの案件の利益率が最も高いか、あるいは投資の延期が予測キャッシュフローにどう影響するか、といった問いである。
サービス業では、似た名称の指標でも前提が異なる場合があり、この違いが重要になる。稼働可能な人員の算出から営業に費やす時間が除外されていることもあれば、売上予測が、商談の成約見込みだけでなく、成約後の業務をいつ提供できるかにも左右されることがある。誤った定義に基づくもっともらしい回答は、明らかな誤りよりも誤解を招くおそれがある。
異なるAIインターフェースを横断する一貫した業務状況
同社のLever製品ページでは、Levが質問に回答し、視覚的な出力を生成するほか、Slack内で動作する様子が紹介されている。また、Model Context Protocol(MCP)を使い、ClaudeやChatGPTなどの他のAIクライアントからアクセスする方法も示されている。各インターフェースに企業の業務ロジックを再構築させるのではなく、これらのやり取りに共通の基盤を提供するアプローチだ。
発表では、Leverは経営支援パートナーによるアドバイザリー業務の一環として位置付けられていた。一方、現在の製品ページでは、単独での利用も可能と説明されている。価格や導入に関する詳細な要件は同ページに記載されていないため、この発表を、サブスクリプション価格を公開したセルフサービス型の提供開始と解釈すべきではない。
ビジネス上の意味を共有する動きは、CollateによるOntology Studioの発表にも表れている。Leverは、すべての組織が変更せずに採用できる汎用的な層としてビジネスコンテキストを扱うのではなく、プロフェッショナルサービス業務とコンサルタントの支援を伴う導入に焦点を絞ったアプローチを取る。
初期の成果から実際に分かること
Form & Functionによると、ある顧客は、従業員を増やさずに年間約180万ドルの追加売上を支えられるだけの、追加のデリバリー能力を特定した。また、発表資料では、予想粗利益率の改善についても説明されている。これらは分析を通じて特定された、業務上の潜在的な改善効果であり、顧客がすでにその追加売上を実現したことを示すものではない。
同社のセマンティックレイヤーに関する技術解説では、さらに詳しい情報が示されている。同社が実施した比較では、5つのビジネス上の質問をそれぞれ5回ずつ検証し、BigQueryの生データにアクセスする方法と、Malloyを使って構築したセマンティックモデルを対比した。ビジネス上の定義やテーブル間の関係性が必要な質問では、構造化されたアプローチのほうが優れた結果を示した。
これは仕組みを示す有用な例だが、ベンダーが自社で実施した小規模なテストにすぎない。任意の質問、変化するデータセット、あるいはすべての顧客の導入環境において、完全な精度が得られることを証明するものではない。あらかじめ指標を定義すれば曖昧さは減るが、定義を維持し、重大な判断を見直す必要がなくなるわけではない。
作業の焦点は、プロンプト作成から定義の維持へ
Leverの発表は、企業向けAIにおける実務上の変化を浮き彫りにしている。モデルをデータにつなぐことは、始まりにすぎない。データが何を意味するのかを決め、相反する定義を整理し、契約、人員配置の方針、業務プロセスの変化に合わせてその解釈を最新の状態に保つ必要がある。
サービス企業にとって期待される利点は、業務記録から人員配置や収益性に関する判断までの道のりを短縮できることだ。長期的な評価のポイントは、事業の進化に合わせて共通のコンテキストの信頼性が保たれるか、そして特定された機会が、単に説得力のある回答を増やすだけでなく、測定可能な成果につながるかどうかだ。












