Modelos e plataformas de IA
Form & Function lança Lever para oferecer contexto empresarial compartilhado a assistentes de IA
Pontos-chaveO valor real do Lever está na camada de contexto construída antes que qualquer chatbot…
Ver mais
- O valor real do Lever está na camada de contexto construída antes que qualquer chatbot responda a perguntas.
- Definições de negócio compartilhadas evitam respostas plausíveis, mas enganosas, entre sistemas de vendas e de entrega desconectados.
- Os ganhos de capacidade identificados são oportunidades analíticas, e não receita que o cliente já tenha arrecadado.
A Form & Function Consulting lançou Lever, uma plataforma de IA criada para oferecer às empresas de serviços profissionais uma visão coerente de suas operações, mesmo quando os dados estão dispersos em sistemas desconectados. Anunciado em 12 de novembro, o produto combina dados operacionais com definições de negócio específicas de cada empresa, permitindo que líderes façam perguntas sobre alocação de pessoal, projeções de receita e rentabilidade de projetos por meio de interfaces conversacionais.
O aspecto interessante não é ter mais um chatbot respondendo a perguntas financeiras. É o trabalho necessário para que essas respostas se tornem úteis. Um sistema de vendas pode registrar uma oportunidade promissora enquanto a equipe de entrega constata que não há capacidade suficiente para executá-la. Para explicar o que essa combinação significa para a empresa, um assistente de IA precisa de mais do que acesso às duas bases de dados.
Transformando o conhecimento da empresa em contexto de negócios
Segundo o anúncio de lançamento, a Form & Function começa com informações de sistemas de gestão do relacionamento com clientes, automação de serviços profissionais e finanças. Também reúne documentos e o conhecimento que os funcionários usam para interpretar esses registros. Seu chatbot Lev facilita entrevistas com as partes interessadas para captar como a empresa realmente funciona.
Esse processo de integração alimenta uma camada de contexto que descreve como o trabalho é vendido, alocado, executado e mensurado. O objetivo é conectar questões que, de outra forma, ficariam entre departamentos: se o pipeline de vendas sustenta uma decisão de contratação, quais projetos oferecem as melhores margens ou como um investimento adiado afetaria o fluxo de caixa projetado.
Essa distinção importa nas empresas de serviços porque métricas com nomes semelhantes podem ocultar premissas diferentes. A capacidade disponível pode desconsiderar o tempo dedicado a vendas, enquanto uma projeção de receita pode depender tanto da probabilidade de fechamento de um negócio quanto do momento em que o trabalho resultante poderá ser executado. Uma resposta plausível baseada na definição errada pode induzir mais ao erro do que um equívoco evidente.
Uma visão operacional em diferentes interfaces de IA
A página do produto Lever da empresa mostra Lev respondendo a perguntas, gerando conteúdo visual e funcionando dentro do Slack. Também demonstra o acesso por meio de outros aplicativos de IA, incluindo Claude e ChatGPT, usando o Model Context Protocol, ou MCP. Em vez de exigir que cada interface reconstrua a lógica de negócios da empresa, essa abordagem oferece uma base compartilhada para essas interações.
No lançamento, Lever foi apresentado como parte de projetos de consultoria conduzidos por parceiros operacionais. A página atual do produto também informa que ele está disponível de forma independente. Como os preços e os requisitos detalhados de implantação não são divulgados ali, o anúncio não deve ser interpretado como o lançamento de uma solução de autoatendimento com preço de assinatura publicado.
A tendência mais ampla de adotar um significado de negócios compartilhado também aparece no anúncio do Ontology Studio da Collate. Lever segue uma abordagem mais restrita, centrada nas operações de empresas de serviços profissionais e na integração com o auxílio de consultores, em vez de tratar o contexto de negócios como uma camada genérica que qualquer organização possa adotar sem alterações.
O que os primeiros resultados realmente demonstram
A Form & Function informa que um cliente identificou capacidade adicional de entrega suficiente para viabilizar cerca de US$ 1,8 milhão em receita anual incremental sem contratar funcionários. O comunicado também descreve uma melhora nas margens brutas projetadas. Esses são possíveis ganhos operacionais identificados por meio de análise, e não evidências de que o cliente já tenha recebido essa receita adicional.
A discussão técnica sobre camadas semânticas da empresa oferece mais contexto. Em uma comparação conduzida pela própria empresa, foram testadas cinco perguntas de negócios, cada uma cinco vezes, confrontando o acesso a dados brutos do BigQuery com um modelo semântico criado usando Malloy. A abordagem estruturada teve melhor desempenho nas perguntas que exigiam definições de negócio e relações entre tabelas.
Esse é um exemplo útil de como o mecanismo funciona, mas se trata de um pequeno teste conduzido pelo fornecedor. Ele não comprova precisão perfeita para perguntas arbitrárias, conjuntos de dados em constante mudança ou a implantação de cada cliente. Definir métricas com antecedência reduz a ambiguidade, mas não elimina a necessidade de manter essas definições e revisar decisões importantes.
O trabalho deixa de ser apenas criar prompts e passa a incluir a manutenção das definições
O lançamento de Lever destaca uma mudança prática na IA empresarial: conectar um modelo aos dados é apenas o começo. Alguém precisa decidir o que os dados significam, resolver definições conflitantes e manter essa interpretação atualizada conforme mudam os contratos, as políticas de alocação de pessoal e os processos de negócios.
Para empresas de serviços, o benefício potencial é encurtar o caminho entre os registros operacionais e uma decisão sobre capacidade ou rentabilidade. O teste duradouro será saber se esse contexto compartilhado continua confiável à medida que a empresa evolui e se as oportunidades identificadas se convertem em resultados mensuráveis, em vez de apenas respostas mais convincentes.












