Modele și platforme AI
Form & Function lansează Lever, pentru a le oferi asistenților IA un context de afaceri comun
Puncte cheieValoarea reală a Lever constă în stratul de context construit înainte ca vreun chatbot…
Vezi mai mult
- Valoarea reală a Lever constă în stratul de context construit înainte ca vreun chatbot să răspundă la întrebări.
- Definițiile de afaceri comune împiedică răspunsurile plauzibile, dar înșelătoare, în sistemele de vânzări și livrare deconectate.
- Câștigurile de capacitate identificate sunt oportunități analitice, nu venituri pe care clientul le-a încasat deja.
Form & Function Consulting a lansat Lever, o platformă IA concepută pentru a oferi firmelor de servicii profesionale o imagine unitară asupra operațiunilor lor, desfășurate prin sisteme disparate. Anunțat pe 12 noiembrie, produsul combină date operaționale cu definiții specifice fiecărei companii, astfel încât liderii să poată adresa întrebări despre personal, previziuni de venituri și profitabilitatea proiectelor prin interfețe conversaționale.
Partea interesantă nu este încă un chatbot care răspunde la întrebări financiare. Este munca necesară înainte ca răspunsurile să devină utile. Un sistem de vânzări poate înregistra o oportunitate promițătoare, în timp ce echipa de livrare constată că nu are suficientă capacitate pentru a o onora. Pentru a explica ce înseamnă această combinație pentru companie, un asistent IA are nevoie de mai mult decât acces la ambele baze de date.
Transformarea cunoștințelor despre companie în context de afaceri
Potrivit anunțului de lansare, Form & Function pornește de la informații din sistemele de gestionare a relațiilor cu clienții, de automatizare a serviciilor profesionale și financiare. De asemenea, colectează documente și cunoștințele pe care angajații le folosesc pentru a interpreta aceste date. Chatbotul său Lev poate realiza interviuri cu părțile interesate, pentru a surprinde modul în care funcționează în realitate o firmă.
Acest proces de integrare alimentează un strat de context care descrie cum sunt vândute, încadrate cu personal, livrate și măsurate activitățile. Scopul este să conecteze întrebări care altfel ar rămâne între departamente: dacă portofoliul de vânzări justifică o decizie de angajare, care proiecte oferă cele mai bune marje sau cum ar afecta o investiție amânată fluxul de numerar prognozat.
Această distincție contează în companiile de servicii, deoarece indicatorii cu denumiri asemănătoare pot ascunde ipoteze diferite. Capacitatea disponibilă ar putea exclude timpul alocat vânzărilor, în timp ce o prognoză a veniturilor ar putea depinde atât de probabilitatea încheierii unei tranzacții, cât și de momentul în care pot fi livrate activitățile rezultate. Un răspuns plauzibil, bazat pe o definiție greșită, poate induce mai mult în eroare decât o greșeală evidentă.
O singură imagine operațională, accesibilă prin interfețe IA diferite
Pagina produsului Lever a companiei arată cum Lev răspunde la întrebări, generează conținut vizual și funcționează în Slack. De asemenea, prezintă accesul prin alți clienți IA, inclusiv Claude și ChatGPT, folosind Model Context Protocol, sau MCP. În loc să oblige fiecare interfață să reconstruiască logica de afaceri a firmei, această abordare oferă o bază comună pentru interacțiuni.
La lansare, Lever a fost prezentat ca parte a colaborărilor de consultanță cu parteneri operaționali. Pagina actuală a produsului menționează și disponibilitatea independentă. Prețurile și cerințele detaliate de implementare nu sunt dezvăluite acolo, așadar anunțul nu trebuie interpretat ca o lansare cu autoservire și un preț de abonament publicat.
Tendința mai amplă către un sens comun al activității de afaceri se observă și în anunțul Collate privind Ontology Studio. Lever adoptă o abordare mai restrânsă, axată pe operațiunile din domeniul serviciilor profesionale și pe integrarea asistată de consultanți, în loc să trateze contextul de afaceri ca pe un strat generic pe care orice organizație îl poate adopta fără modificări.
Ce demonstrează, de fapt, rezultatele preliminare
Form & Function relatează că un client a identificat capacitate suplimentară de livrare, suficientă pentru a susține venituri anuale incrementale de aproximativ 1,8 milioane de dolari, fără angajări. Comunicatul menționează și o îmbunătățire a marjelor brute prognozate. Acestea sunt posibile câștiguri operaționale identificate prin analiză, nu dovezi că acel client a încasat deja veniturile suplimentare.
Discuția tehnică despre straturile semantice a firmei oferă mai mult context. Într-o comparație realizată de companie, aceasta a testat cinci întrebări de afaceri, fiecare de cinci ori, comparând accesul la date BigQuery brute cu un model semantic construit folosind Malloy. Abordarea structurată a dat rezultate mai bune la întrebările care necesitau definiții de afaceri și relații între tabele.
Acesta este un exemplu util al mecanismului, dar testul, realizat de furnizor, a fost de mici dimensiuni. El nu demonstrează acuratețe perfectă pentru întrebări arbitrare, seturi de date în schimbare sau implementarea fiecărui client. Definirea anticipată a indicatorilor reduce ambiguitatea, dar nu elimină necesitatea de a menține aceste definiții și de a analiza deciziile cu consecințe importante.
Munca se mută de la formularea prompturilor la menținerea definițiilor
Lansarea Lever evidențiază o schimbare practică în domeniul IA pentru companii: conectarea unui model la date este doar începutul. Cineva trebuie să decidă ce înseamnă datele, să rezolve definițiile contradictorii și să mențină interpretarea actualizată pe măsură ce se schimbă contractele, politicile de personal și procesele de afaceri.
Pentru firmele de servicii, beneficiul potențial este scurtarea drumului de la evidențele operaționale la o decizie privind capacitatea sau profitabilitatea. Testul de durată va fi dacă acest context comun rămâne fiabil pe măsură ce evoluează compania și dacă oportunitățile identificate se transformă în rezultate măsurabile, în loc să ducă doar la răspunsuri mai convingătoare.












