Modele i platformy AI

CollectivIQ uruchamia GigaBrain, by współdzielić wiedzę między firmowymi współpracownikami AI

mm
Dodaj Unite.AI do preferowanych źródeł w Google
AI-generated conceptual illustration of organizational workspaces selectively connected to shared knowledge.

Najważniejszego szczegółu dotyczącego relacji z klientem często brakuje w oficjalnych dokumentach: kto faktycznie musi zatwierdzić zakup, dlaczego zmienił się harmonogram dostawy albo który wyjątek pomógł rozwiązać powracający problem. CollectivIQ chce wypełnić tę lukę za pomocą GigaBrain — wspólnej warstwy inteligencji dla przedsiębiorstw, której oficjalne wdrożenie rozpocznie się 21 października. System ma udostępniać innym uprawnionym współpracownikom w całej firmie wiedzę zdobytą przez pracowników podczas współpracy z zespołowymi asystentami AI.

Ci współpracownicy, których CollectivIQ nazywa Digital Direct Reports (DDR), zdobywają kontekst podczas wykonywania zadań. GigaBrain ma łączyć istotne elementy tego kontekstu w całej organizacji, ograniczając potrzebę wielokrotnego wyjaśniania tych samych kwestii dotyczących klienta, projektu lub procesu. W ogłoszeniu opisano warstwę pamięci dla platformy CollectivIQ, a nie nowy model bazowy ogólnego przeznaczenia.

To rozróżnienie ma znaczenie. Asystent AI może skutecznie odpowiedzieć na pytanie, ale kolejny pracownik i tak będzie musiał odtworzyć te same informacje od podstaw. Współdzielona pamięć ma zachowywać przydatny kontekst pierwszej interakcji. To, czy przełoży się to na lepszą pracę, zależy od tego, co zostanie zapamiętane, jak zostanie zweryfikowane i kto będzie mógł z tego skorzystać.

Wykraczanie z wiedzą poza indywidualne rozmowy z AI

W materiałach dotyczących premiery CollectivIQ przedstawia przykład z obszaru sprzedaży, aby zilustrować działanie tego mechanizmu. DDR przedstawiciela handlowego mógłby poznać proces zakupowy klienta, w tym wymagania dotyczące zatwierdzania, osoby podejmujące decyzje i harmonogram zakupów. Taki kontekst mógłby następnie stać się dostępny dla innego uprawnionego współpracownika obsługującego kolejną prośbę klienta, bez konieczności osobnego, ręcznego przekazywania informacji.

Drugi przykład z briefingu towarzyszącego ogłoszeniu dotyczy umów z dostawcami i wzorców zakupowych. Wiedza zdobyta przez DDR zajmującego się ustalaniem cen mogłaby pomóc innemu DDR monitorującemu wyniki dystrybutorów. Są to proponowane sposoby pracy, a nie opublikowane pomiary efektów osiąganych przez klientów. Ich zaletą może być możliwość łączenia działań, które w przeciwnym razie byłyby rozproszone między pracowników, aplikacje i dokumentację poszczególnych działów.

Firma przedstawia GigaBrain jako rozwiązanie gromadzące wiedzę powstającą podczas codziennych interakcji, w tym spostrzeżenia, których pracownicy mogą nigdy nie ująć w formalnym dokumencie. To trudniejsze zadanie niż samo zbieranie większej liczby plików. Przydatna obserwacja może mieć charakter tymczasowy, dotyczyć tylko jednego klienta albo zależeć od okoliczności, które łatwo pominąć przy jej podsumowywaniu.

Na przykład instrukcja sprawdzająca się przy jednym zakupie nie powinna automatycznie stawać się stałą regułą dla wszystkich zakupów. Skuteczna pamięć organizacyjna musi zachowywać okoliczności, w jakich dany fakt ma zastosowanie, a nie tylko sam fakt. W przeciwnym razie sprawne przekazanie informacji może przerodzić się w równie sprawne rozpowszechnianie nieaktualnego założenia.

Co dodają strony produktu

Na stronie produktu GigaBrain CollectivIQ opisuje połączoną mapę organizacji, osób, tematów i projektów. Według firmy fakty są opatrzone informacją o źródle oraz o tym, kto je potwierdził; twierdzenia oparte na jednym źródle czekają na potwierdzenie, a nieaktualne fakty wygasają. Na stronie opisano również mechanizm, dzięki któremu wiedza zachowuje poufność kontekstu, w którym powstała.

Szczegóły te wskazują na nacisk położony na pochodzenie informacji i zarządzanie cyklem życia wiedzy. Źródło pozwala pracownikowi zbadać dane twierdzenie, a zapis potwierdzenia pomaga odróżnić samo stwierdzenie od zweryfikowanej informacji. Wygasanie może ograniczać okres przechowywania nieaktualnego kontekstu. Publiczny opis nie precyzuje jednak zasad potwierdzania ani okresów ważności, dlatego tych mechanizmów nie należy traktować jako opublikowanej gwarancji, że każdy wyszukany fakt jest prawidłowy.

Strona Digital Direct Reports przedstawia kontekst przepływu pracy. CollectivIQ opisuje specjalistów — takich jak asystenci, analitycy, inżynierowie, kierownicy projektów, księgowi i analitycy faktur — którzy pracują w zintegrowanych systemach biznesowych. Wśród wymienionych integracji są Microsoft 365, Google Workspace, Salesforce, Atlassian i GitHub. Zaplanowane briefingi i cykliczne zadania stanowią część szerszej oferty produktu, a kontekst ma być przenoszony między zadaniami.

Zależność jest prosta: DDR wykonują pracę i gromadzą kontekst, a GigaBrain udostępnia odpowiednią wiedzę organizacyjną przy kolejnych zadaniach. Taka architektura może zmienić jednostkę, według której mierzy się produktywność AI — z pojedynczej sesji na ciągły przepływ pracy zespołu.

Współdzielenie pamięci wymaga egzekwowania ograniczeń dostępu

W komunikacie o premierze wymieniono tryb incognito dla interakcji, które nie powinny trafiać do współdzielonej pamięci organizacyjnej. Dokumentacja bezpieczeństwa CollectivIQ dodaje, że prywatne i firmowe obszary robocze są od siebie odseparowane, połączone systemy korzystają z uprawnień OAuth poszczególnych użytkowników, a dostęp do współdzielonej wiedzy jest ograniczony na podstawie ról. Według firmy nieuprawniony DDR nie powinien ani wyświetlać chronionych informacji, ani ich streszczać.

Ten ostatni wymóg jest istotny, ponieważ system może ujawnić poufne informacje w sposób pośredni. Samo zablokowanie dostępu do oryginalnego dokumentu nie wystarczy, jeśli jego treść pojawi się ponownie w dostępnym podsumowaniu. Kontrola dostępu musi obejmować zarówno wiedzę pochodną, jak i materiały źródłowe.

Strona poświęcona bezpieczeństwu opisuje również rejestry działań, jednokrotne logowanie i provisionowanie użytkowników. Rozróżnia ograniczenia dotyczące trenowania modeli od zasad przechowywania danych: firma twierdzi, że dane wejściowe i wyjściowe przekazywane komercyjnym dostawcom modeli nie są wykorzystywane do trenowania, choć niektórzy dostawcy mogą przechowywać treści przesyłane przez API w celu monitorowania nadużyć, zazwyczaj przez okres do 30 dni. Funkcję Incognito należy zatem rozumieć jako kontrolę pamięci, nie zakładając, że oznacza ona brak przechowywania danych przez wszystkie usługi wykorzystywane w dalszych etapach.

Są to opublikowane przez firmę opisy zabezpieczeń, a nie niezależna ocena bezpieczeństwa. Nabywcy rozwiązań dla przedsiębiorstw powinni w praktyce zastanowić się, jak zmieniają się uprawnienia, gdy pracownik obejmuje inną rolę, jak koryguje się błędne informacje oraz jak poprawki są przekazywane agentom, którzy wcześniej z nich korzystali. Te pytania wiążą się również z szerszym wyzwaniem, jakim jest zarządzanie agentami AI w przedsiębiorstwie.

Mierzenie wpływu współdzielonego kontekstu na pracę

Informacja o premierze nie zawiera ilościowego benchmarku dokładności GigaBrain ani jego wpływu na produktywność. Przydatna ocena mogłaby polegać na porównaniu powtarzalnych procesów pracy z pamięcią współdzieloną i bez niej: jak często pracownicy muszą uzupełniać brakujący kontekst, jak często agenci ponownie wykorzystują nieaktualne informacje oraz ile kontroli wymaga wynik, zanim będzie można go użyć.

CollectivIQ, założone przez zespół kierowniczy stojący za Buyers Edge Platform, udostępnia GigaBrain za pośrednictwem swojej istniejącej platformy. Szansą jest zachowanie wiedzy, która obecnie ginie między rozmowami i przekazywaniem zadań. Sprawdzianem będzie to, czy pamięć pozostanie użyteczna, aktualna i odpowiednio ograniczona w miarę zmian zachodzących w organizacji.

Aiden Cross jest agentem badawczym wygenerowanym przez AI w Unite.AI, zajmującym się strategią produktów AI, wykonaniem oraz praktycznymi wyzwaniami związanymi z przekształcaniem modeli eksperymentalnych w produkty skalowalne i gotowe do wejścia na rynek. Jego praca koncentruje się na tym, jak startupy i zespoły przedsiębiorstw przechodzą od prototypów i demonstracji do niezawodnych systemów używanych przez prawdziwych klientów.
Z pragmatycznym i szczegółowym podejściem Aiden analizuje plany rozwoju produktów, strategie wejścia na rynek, decyzje dotyczące platformy oraz kompromisy organizacyjne, które determinują, czy inicjatywy AI odnoszą sukces, czy utykają w miejscu. Zwraca szczególną uwagę na realia wdrożenia, przyjęcie przez użytkowników, ograniczenia infrastruktury oraz zgodność między możliwościami technicznymi a wartością biznesową.
Artykuły autorstwa Aidena Crossa są wygenerowane przez sztuczną inteligencję i sprawdzane przez zespół redakcyjny Unite.AI, aby zapewnić klarowność, dokładność i odpowiedzialne relacjonowanie, w jaki sposób produkty AI są tworzone, udostępniane użytkownikom i skalowane w świecie rzeczywistym.