Modele i platformy AI
Form & Function wprowadza Lever, aby zapewnić asystentom AI wspólny kontekst biznesowy
Kluczowe punktyPrawdziwa wartość Lever tkwi w warstwie kontekstu zbudowanej, zanim jakikolwiek chatbot…
Zobacz więcej
- Prawdziwa wartość Lever tkwi w warstwie kontekstu zbudowanej, zanim jakikolwiek chatbot odpowie na pytania.
- Wspólne definicje biznesowe zapobiegają wiarygodnym, lecz wprowadzającym w błąd odpowiedziom w odłączonych systemach sprzedaży i dostaw.
- Zidentyfikowane zyski wydajności to możliwości analityczne, a nie przychód, który klient już uzyskał.
Form & Function Consulting uruchomiła Lever, platformę AI zaprojektowaną z myślą o zapewnieniu firmom świadczącym usługi profesjonalne spójnego obrazu działalności w różnych, niepołączonych ze sobą systemach. Produkt, zapowiedziany 12 listopada, łączy dane operacyjne z właściwymi dla danej firmy definicjami biznesowymi, dzięki czemu kadra zarządzająca może zadawać pytania dotyczące obsady kadrowej, prognoz przychodów i rentowności projektów za pośrednictwem interfejsów konwersacyjnych.
Ciekawe nie jest samo stworzenie kolejnego chatbota odpowiadającego na pytania finansowe. Istotna jest praca, którą trzeba wykonać, zanim takie odpowiedzi staną się użyteczne. System sprzedażowy może odnotować obiecującą transakcję, podczas gdy zespół realizacyjny stwierdzi, że nie ma wystarczających zasobów, by ją obsłużyć. Asystent AI potrzebuje czegoś więcej niż dostępu do obu baz danych, aby wyjaśnić, co takie połączenie informacji oznacza dla firmy.
Przekształcanie wiedzy o firmie w kontekst biznesowy
Jak podano w komunikacie o uruchomieniu, Form & Function zaczyna od informacji z systemów do zarządzania relacjami z klientami, automatyzacji procesów w firmach świadczących usługi profesjonalne oraz finansowych. Gromadzi też dokumenty i wiedzę, którą pracownicy wykorzystują do interpretowania tych danych. Jej chatbot Lev obsługuje wywiady z interesariuszami, które pozwalają uchwycić, jak firma faktycznie funkcjonuje.
Wdrożenie to zasila warstwę kontekstową opisującą, jak sprzedaje się, obsadza, realizuje i mierzy pracę. Celem jest powiązanie pytań, które w przeciwnym razie pozostają na styku różnych działów: czy portfel sprzedaży uzasadnia decyzję o zatrudnieniu, które zlecenia zapewniają najwyższe marże lub jak opóźniona inwestycja wpłynęłaby na prognozowane przepływy pieniężne.
To rozróżnienie ma znaczenie w firmach usługowych, ponieważ wskaźniki o podobnych nazwach mogą opierać się na różnych założeniach. Dostępne moce przerobowe mogą nie uwzględniać czasu poświęcanego na sprzedaż, a prognoza przychodów może zależeć zarówno od prawdopodobieństwa sfinalizowania transakcji, jak i od terminu, w którym można zrealizować wynikające z niej prace. Wiarygodnie brzmiąca odpowiedź oparta na błędnej definicji może wprowadzać w błąd bardziej niż oczywisty błąd.
Jeden obraz działalności operacyjnej w różnych interfejsach AI
Na stronie produktu Lever firma pokazuje, jak Lev odpowiada na pytania, generuje wizualizacje i działa w Slacku. Strona przedstawia też dostęp za pośrednictwem innych klientów AI, w tym Claude i ChatGPT, z wykorzystaniem protokołu Model Context Protocol (MCP). Zamiast wymagać, by każdy interfejs odtwarzał logikę biznesową firmy, to rozwiązanie zapewnia wspólną podstawę dla wszystkich takich interakcji.
W komunikacie o uruchomieniu Lever przedstawiono jako rozwiązanie wykorzystywane w ramach usług doradczych świadczonych przez partnerów operacyjnych. Aktualna strona produktu opisuje również możliwość korzystania z niego jako samodzielnego rozwiązania. Nie ujawniono tam cen ani szczegółowych wymagań dotyczących wdrożenia, dlatego komunikatu nie należy interpretować jako zapowiedzi udostępnienia samoobsługowej usługi z opublikowaną ceną subskrypcji.
Szerszy zwrot ku wspólnemu rozumieniu znaczeń biznesowych widać również w komunikacie Collate o Ontology Studio. Lever przyjmuje węższe podejście, skoncentrowane na działalności operacyjnej firm świadczących usługi profesjonalne i wdrożeniu wspieranym przez konsultantów, zamiast traktować kontekst biznesowy jako uniwersalną warstwę, którą każda organizacja może wdrożyć bez zmian.
Co faktycznie potwierdzają wstępne wyniki
Form & Function informuje, że jeden z klientów zidentyfikował dodatkowe moce przerobowe, które wystarczą do uzyskania około 1,8 mln dolarów dodatkowych przychodów rocznie, bez zatrudniania nowych pracowników. W komunikacie opisano również poprawę prognozowanych marż brutto. Są to potencjalne korzyści operacyjne zidentyfikowane w toku analizy, a nie dowód na to, że klient uzyskał już te dodatkowe przychody.
Omówienie warstw semantycznych przygotowane przez firmę zawiera więcej informacji. W przeprowadzonym przez siebie porównaniu firma przetestowała pięć pytań biznesowych, zadając każde z nich pięć razy, i zestawiła dostęp do surowych danych z BigQuery z modelem semantycznym zbudowanym przy użyciu Malloy. Ustrukturyzowane podejście sprawdziło się lepiej w przypadku pytań wymagających definicji biznesowych i uwzględnienia relacji między tabelami.
To przydatny przykład pokazujący mechanizm działania, ale test był niewielki i przeprowadzony przez dostawcę. Nie potwierdza on stuprocentowej dokładności w przypadku dowolnych pytań, zmieniających się zbiorów danych ani wdrożeń u wszystkich klientów. Zdefiniowanie wskaźników z wyprzedzeniem ogranicza niejednoznaczność, ale nie eliminuje potrzeby aktualizowania tych definicji i weryfikowania decyzji o istotnych konsekwencjach.
Punkt ciężkości przesuwa się z formułowania poleceń na utrzymywanie definicji
Uruchomienie Lever uwypukla praktyczną zmianę w obszarze AI dla przedsiębiorstw: podłączenie modelu do danych to dopiero początek. Ktoś musi ustalić, co oznaczają dane, rozstrzygać rozbieżności między definicjami i dbać o to, by ich interpretacja pozostawała aktualna, gdy zmieniają się umowy, zasady zatrudniania i procesy biznesowe.
Dla firm usługowych potencjalną korzyścią jest skrócenie drogi od danych operacyjnych do decyzji dotyczącej dostępnych mocy przerobowych lub rentowności. Ostatecznym sprawdzianem będzie to, czy wspólny kontekst pozostanie wiarygodny w miarę rozwoju firmy oraz czy zidentyfikowane możliwości przełożą się na mierzalne wyniki, a nie tylko na bardziej przekonujące odpowiedzi.












