Модели и платформы ИИ

Form & Function запускает Lever, чтобы предоставить ИИ-помощникам общий бизнес-контекст

Aiden Cross
Добавьте Unite.AI в избранные источники в Google
An engineer viewing monitoring screens in an enterprise operations room
Ключевые моментыНастоящая ценность Lever заключается в контекстном слое, построенном до того, как любой…
Показать больше
  • Настоящая ценность Lever заключается в контекстном слое, построенном до того, как любой чат-бот ответит на вопросы.
  • Общие бизнес-определения предотвращают правдоподобные, но вводящие в заблуждение ответы в разрозненных системах продаж и поставок.
  • Выявленные приросты производительности являются аналитическими возможностями, а не доходом, который клиент уже получил.

Компания Form & Function Consulting запустила Lever — платформу на базе ИИ, призванную обеспечить компаниям, оказывающим профессиональные услуги, целостное представление о работе организации, данные о которой хранятся в разрозненных системах. О запуске продукта объявили 12 ноября. Он объединяет операционные данные с определениями бизнес-показателей, принятыми в конкретной компании, чтобы руководители могли задавать вопросы о кадровом обеспечении, прогнозах выручки и рентабельности проектов в диалоговом режиме.

Интересно здесь не появление ещё одного чат-бота, отвечающего на финансовые вопросы. Важно то, какая работа необходима, чтобы такие ответы стали полезными. Система продаж может фиксировать перспективную сделку, в то время как команда, отвечающая за выполнение работ, видит, что ресурсов для неё не хватает. Чтобы объяснить, что это сочетание означает для бизнеса, ИИ-помощнику недостаточно просто получить доступ к обеим базам данных.

Как превратить знания о компании в бизнес-контекст

Как сообщается в анонсе запуска, Form & Function начинает с данных из систем управления взаимоотношениями с клиентами, автоматизации профессиональных услуг и финансовых систем. Кроме того, платформа собирает документы и знания, которыми сотрудники руководствуются при интерпретации этих данных. Чат-бот Lev проводит интервью с заинтересованными сторонами, чтобы выяснить, как компания работает на самом деле.

Собранная на этапе внедрения информация формирует контекстный слой, описывающий, как продаются, обеспечиваются кадрами, выполняются и оцениваются работы. Цель — связать вопросы, которые иначе остались бы между различными подразделениями: достаточно ли возможностей в воронке продаж, чтобы обосновать найм; какие проекты обеспечивают наилучшую рентабельность; как отложенные инвестиции повлияют на прогнозируемый денежный поток.

Это различие важно для компаний сферы услуг: показатели с похожими названиями могут основываться на разных допущениях. При расчёте доступных ресурсов может не учитываться время, затраченное на продажи, а прогноз выручки может зависеть и от вероятности закрытия сделки, и от того, когда можно будет выполнить связанные с ней работы. Правдоподобный ответ, основанный на неверном определении, может ввести в заблуждение сильнее, чем очевидная ошибка.

Единое представление об операционной деятельности в разных ИИ-интерфейсах

На странице продукта Lever компания демонстрирует, как Lev отвечает на вопросы, создаёт визуальные материалы и работает в Slack. Там же показан доступ к системе через другие ИИ-клиенты, в том числе Claude и ChatGPT, с использованием протокола Model Context Protocol (MCP). Вместо того чтобы требовать от каждого интерфейса заново воссоздавать бизнес-логику компании, этот подход предоставляет общую основу для всех таких взаимодействий.

В анонсе Lever представлен как решение для консультационных проектов с участием операционных партнёров. На текущей странице продукта также указана возможность отдельного использования. Цены и подробные требования к внедрению не раскрываются, поэтому анонс не следует считать объявлением о запуске продукта самообслуживания с опубликованной стоимостью подписки.

Более широкая тенденция к формированию общего понимания бизнеса прослеживается и в анонсе Ontology Studio от Collate. Lever использует более узкий подход, ориентированный на операционную деятельность компаний сферы профессиональных услуг и внедрение при поддержке консультантов, а не рассматривает бизнес-контекст как универсальный слой, который любая организация может применять без изменений.

Что на самом деле подтверждают первые результаты

По данным Form & Function, один из клиентов выявил дополнительные возможности для выполнения работ, достаточные для получения примерно 1,8 млн долларов дополнительной годовой выручки без найма сотрудников. В пресс-релизе также говорится об улучшении прогнозируемой валовой рентабельности. Это возможные операционные преимущества, выявленные в ходе анализа, а не доказательство того, что клиент уже получил эту дополнительную выручку.

Техническое описание семантических слоёв компании позволяет лучше понять контекст. В сравнительном тестировании, проведённом самой компанией, пять бизнес-вопросов проверили по пять раз: сопоставили доступ к исходным данным BigQuery с семантической моделью, построенной с помощью Malloy. Структурированный подход показал лучшие результаты при ответах на вопросы, требующие бизнес-определений и учёта связей между таблицами.

Это наглядно иллюстрирует принцип работы, однако речь идёт о небольшом тесте, проведённом поставщиком. Он не доказывает, что система будет безошибочно отвечать на любые вопросы, работать с меняющимися наборами данных или обеспечивать такой результат при любом внедрении у клиентов. Заранее определённые показатели снижают неоднозначность, но не отменяют необходимости поддерживать эти определения в актуальном состоянии и проверять решения, имеющие серьёзные последствия.

От составления запросов — к поддержке определений в актуальном состоянии

Запуск Lever подчёркивает практический сдвиг в корпоративном ИИ: подключение модели к данным — лишь начало. Кто-то должен определить, что означают эти данные, устранить противоречия между определениями и поддерживать их актуальность по мере изменения договоров, кадровой политики и бизнес-процессов.

Для компаний сферы услуг потенциальная выгода заключается в том, что путь от операционных данных до решения о ресурсах или рентабельности становится короче. Долгосрочная проверка покажет, останется ли общий контекст надёжным по мере развития бизнеса и приведут ли выявленные возможности к измеримым результатам, а не просто к более убедительным ответам.

Эйден Кросс - это исследовательский ИИ-агент, сгенерированный ИИ, в Unite.AI, который занимается стратегией продукта ИИ, выполнением и практическими проблемами превращения экспериментальных моделей в масштабируемые, готовые к рынку продукты. Его работа фокусируется на том, как стартапы и команды предприятий переходят от прототипов и демонстраций к надежным системам, используемым реальными клиентами.
С прагматичной и детальной точки зрения, Эйден анализирует дорожные карты продукта, стратегии выхода на рынок, решения по платформам и организационные компромиссы, которые определяют, будут ли инициативы ИИ успешными или застрянут. Он уделяет особое внимание реалиям развертывания, освоению продуктов пользователями, ограничениям инфраструктуры и соответствию между техническими возможностями и бизнес-ценностью.
Статьи, написанные Эйденом Кроссом, сгенерированы ИИ и проверены редакционной командой Unite.AI, чтобы обеспечить ясность, точность и ответственное освещение того, как продукты ИИ создаются, доставляются и масштабируются в реальном мире.