AI-modeller og plattformer
Form & Function lanserer Lever for å gi AI-assistenter en felles forretningskontekst
Viktige punkterDen virkelige verdien av Lever ligger i kontekstlaget som bygges før noen chatbot…
Vis mer
- Den virkelige verdien av Lever ligger i kontekstlaget som bygges før noen chatbot svarer på spørsmål.
- Felles forretningsdefinisjoner forhindrer plausible, men misvisende svar på tvers av frakoblede salgs- og leveringssystemer.
- Identifiserte kapasitetsgevinster er analytiske muligheter snarere enn inntekter klienten allerede har samlet inn.
Form & Function Consulting har lansert Lever, en AI-plattform utviklet for å gi selskaper innen profesjonelle tjenester et helhetlig bilde av driften på tvers av systemer som ikke er koblet sammen. Produktet ble kunngjort 12. november og kombinerer driftsdata med virksomhetsspesifikke forretningsdefinisjoner, slik at ledere kan stille spørsmål om bemanning, inntektsprognoser og lønnsomheten i prosjekter via samtalebaserte grensesnitt.
Det interessante er ikke enda en chatbot som besvarer økonomiske spørsmål. Det handler om arbeidet som må gjøres før svarene blir nyttige. Et salgssystem kan registrere en lovende avtale samtidig som leveringsteamet ser at kapasiteten ikke strekker til for å gjennomføre den. En AI-assistent trenger mer enn tilgang til begge databasene for å forklare hva denne kombinasjonen betyr for virksomheten.
Slik omsettes virksomhetens kunnskap til forretningskontekst
Ifølge lanseringskunngjøringen tar Form & Function utgangspunkt i informasjon fra systemer for kunderelasjonshåndtering, automatisering av profesjonelle tjenester og økonomistyring. Løsningen samler også inn dokumenter og kunnskapen ansatte bruker til å tolke opplysningene. Chatboten Lev legger til rette for intervjuer med interessenter for å kartlegge hvordan virksomheten faktisk drives.
Denne innføringsprosessen gir et kontekstlag som beskriver hvordan arbeid selges, bemannes, leveres og måles. Målet er å knytte sammen spørsmål som ellers faller mellom avdelingene: om salgspipelinen gir grunnlag for en ansettelsesbeslutning, hvilke oppdrag som har best marginer, eller hvordan en utsatt investering vil påvirke forventet kontantstrøm.
Dette skillet er viktig i tjenesteytende virksomheter, fordi måltall med lignende navn kan bygge på ulike forutsetninger. Tilgjengelig kapasitet kan være beregnet uten å ta med tiden som brukes på salg, mens en inntektsprognose kan avhenge både av sannsynligheten for at en avtale blir inngått, og av når arbeidet som følger av den, kan leveres. Et plausibelt svar basert på feil definisjon kan være mer villedende enn en åpenbar feil.
Ett driftsbilde på tvers av ulike AI-grensesnitt
Selskapets produktside for Lever viser hvordan Lev besvarer spørsmål, lager visuelle fremstillinger og fungerer i Slack. Den viser også tilgang via andre AI-klienter, blant annet Claude og ChatGPT, gjennom Model Context Protocol, forkortet MCP. I stedet for at hvert grensesnitt må gjenskape virksomhetens forretningslogikk, tilbyr løsningen et felles grunnlag for disse interaksjonene.
Ved lanseringen ble Lever presentert som en del av rådgivningsoppdrag med operasjonelle partnere. Den nåværende produktsiden beskriver også at løsningen kan brukes separat. Pris og detaljerte krav til utrulling er ikke oppgitt der, så kunngjøringen bør ikke tolkes som en utrulling for selvbetjening med en offentliggjort abonnementspris.
Den bredere utviklingen mot en felles forståelse av virksomheten kommer også til uttrykk i kunngjøringen av Ontology Studio fra Collate. Lever har en snevrere tilnærming, med vekt på drift i profesjonelle tjenestevirksomheter og innføring med hjelp fra konsulenter, i stedet for å behandle forretningskontekst som et generisk lag som alle virksomheter kan ta i bruk uten tilpasninger.
Hva de tidlige resultatene faktisk viser
Form & Function opplyser at én kunde fant ytterligere leveringskapasitet som er tilstrekkelig til å støtte en årlig meromsetning på omtrent 1,8 millioner dollar uten å ansette flere. Kunngjøringen beskriver også en forbedring i forventede bruttomarginer. Dette er mulige driftsgevinster som ble identifisert gjennom analyser, ikke dokumentasjon på at kunden allerede har fått disse ekstra inntektene.
Selskapets tekniske gjennomgang av semantiske lag gir mer kontekst. I en sammenligning utført av selskapet selv testet det fem forretningsspørsmål fem ganger hver, og sammenlignet tilgang til rå BigQuery-data med en semantisk modell bygget med Malloy. Den strukturerte tilnærmingen ga bedre resultater på spørsmål som krevde forretningsdefinisjoner og sammenhenger mellom tabeller.
Dette illustrerer mekanismen på en nyttig måte, men det er en liten test utført av leverandøren. Den dokumenterer ikke perfekt nøyaktighet for vilkårlige spørsmål, datasett i endring eller utrullinger hos alle kunder. Forhåndsdefinerte måltall reduserer tvetydighet, men fjerner ikke behovet for å vedlikeholde definisjonene og gjennomgå beslutninger med store konsekvenser.
Arbeidet flyttes fra å skrive ledetekster til å vedlikeholde definisjoner
Lanseringen av Lever viser en praktisk endring innen bedrifts-AI: Å koble en modell til data er bare begynnelsen. Noen må avgjøre hva dataene betyr, avklare motstridende definisjoner og holde tolkningen oppdatert når kontrakter, bemanningsregler og forretningsprosesser endres.
For tjenesteytende virksomheter kan gevinsten være en kortere vei fra driftsdata til beslutninger om kapasitet eller lønnsomhet. Den langsiktige prøven blir om den felles konteksten forblir pålitelig etter hvert som virksomheten utvikler seg, og om mulighetene som avdekkes, fører til målbare resultater i stedet for bare mer overbevisende svar.












