AI-modeller och plattformar
Form & Function lanserar Lever för att ge AI-assistenter en gemensam verksamhetskontext
Viktiga punkterLever's verkliga värde ligger i kontextlagret som byggs innan någon chatbot besvarar…
Visa mer
- Lever's verkliga värde ligger i kontextlagret som byggs innan någon chatbot besvarar frågor.
- Gemensamma affärsdefinitioner förhindrar rimliga men vilseledande svar mellan frånkopplade försäljnings- och leveranssystem.
- Identifierade kapacitetsvinster är analytiska möjligheter snarare än intäkter som kunden redan har samlat in.
Form & Function Consulting har lanserat Lever, en AI-plattform som ska ge företag inom professionella tjänster en enhetlig bild av verksamheten i olika, frånkopplade system. Produkten presenterades den 12 november och kombinerar verksamhetsdata med företagsspecifika definitioner, så att ledare kan ställa frågor om bemanning, intäktsprognoser och projektlönsamhet via konversationsbaserade gränssnitt.
Det intressanta är inte ännu en chattbot som besvarar ekonomiska frågor. Det handlar om arbetet som krävs innan svaren blir användbara. Ett säljsystem kan registrera en lovande affär samtidigt som leveransteamet ser att kapaciteten inte räcker till för att genomföra den. För att förklara vad den kombinationen innebär för verksamheten behöver en AI-assistent mer än tillgång till båda databaserna.
Att omvandla företagets kunskap till verksamhetskontext
Enligt lanseringsmeddelandet börjar Form & Function med information från system för kundrelationshantering, automatisering av professionella tjänster och ekonomi. Företaget samlar också in dokument och den kunskap som medarbetarna använder för att tolka uppgifterna. Chattboten Lev stödjer intervjuer med intressenter för att fånga hur företaget faktiskt fungerar.
Den introduktionsprocessen ger underlag till ett kontextlager som beskriver hur arbetet säljs, bemannas, utförs och mäts. Målet är att koppla samman frågor som annars hamnar mellan avdelningar: om försäljningspipen ger stöd för ett rekryteringsbeslut, vilka uppdrag som har bäst marginaler eller hur en försenad investering skulle påverka det prognostiserade kassaflödet.
Den här skillnaden spelar roll i tjänsteföretag, eftersom mått med liknande namn kan bygga på olika antaganden. Tillgänglig kapacitet kanske inte räknar in tid som läggs på försäljning, medan en intäktsprognos kan bero både på sannolikheten att en affär går i lås och på när det efterföljande arbetet kan utföras. Ett till synes rimligt svar som bygger på fel definition kan vara mer vilseledande än ett uppenbart felaktigt svar.
En gemensam verksamhetsbild i olika AI-gränssnitt
Företagets produktsida för Lever visar hur Lev besvarar frågor, skapar visuellt innehåll och används i Slack. Den visar också hur tjänsten kan nås via andra AI-klienter, däribland Claude och ChatGPT, med hjälp av Model Context Protocol, eller MCP. I stället för att kräva att varje gränssnitt återskapar företagets verksamhetslogik erbjuder lösningen en gemensam grund för interaktionerna.
Vid lanseringen presenterades Lever som en del av rådgivningsuppdrag där operativa partner medverkar. Den aktuella produktsidan beskriver också att tjänsten finns tillgänglig som fristående produkt. Där anges varken priser eller detaljerade krav för driftsättning, så lanseringen bör inte tolkas som en lösning som kan tas i bruk på egen hand och har ett offentliggjort prenumerationspris.
Den bredare utvecklingen mot en gemensam verksamhetsförståelse syns också i Collates tillkännagivande av Ontology Studio. Lever har en snävare inriktning på verksamheten inom professionella tjänster och introduktion med stöd av konsulter, snarare än att behandla verksamhetskontext som ett generiskt lager som alla organisationer kan införa oförändrat.
Vad de tidiga resultaten faktiskt visar
Form & Function uppger att en kund identifierade ytterligare leveranskapacitet som skulle räcka för att möjliggöra cirka 1,8 miljoner dollar i ökade årliga intäkter utan att anställa fler medarbetare. I pressmeddelandet beskrivs även en förbättring av de prognostiserade bruttomarginalerna. Det handlar om möjliga verksamhetsvinster som analysen har identifierat, inte om bevis för att kunden redan har fått in dessa extra intäkter.
Företagets tekniska genomgång av semantiska lager ger ytterligare sammanhang. I en jämförelse som företaget självt genomförde testade det fem verksamhetsfrågor fem gånger vardera och jämförde åtkomst till rådata i BigQuery med en semantisk modell byggd med Malloy. Den strukturerade metoden gav bättre resultat på frågor som krävde verksamhetsdefinitioner och relationer mellan tabeller.
Det är en användbar illustration av hur metoden fungerar, men testet är litet och genomfört av leverantören själv. Det visar inte att lösningen är helt korrekt för godtyckliga frågor, föränderliga datamängder eller varje kunds driftsättning. Att definiera mått i förväg minskar tvetydigheten, men undanröjer inte behovet av att underhålla definitionerna och granska beslut med betydande konsekvenser.
Arbetet flyttas från promptning till underhåll av definitioner
Lanseringen av Lever belyser en praktisk förskjutning inom företags-AI: att koppla en modell till data är bara början. Någon måste avgöra vad uppgifterna betyder, reda ut motstridiga definitioner och hålla tolkningen aktuell när avtal, bemanningspolicyer och affärsprocesser förändras.
För företag inom professionella tjänster kan fördelen vara en kortare väg från verksamhetsdata till beslut om kapacitet eller lönsamhet. Det verkliga testet över tid blir om den gemensamma kontexten förblir tillförlitlig i takt med att verksamheten utvecklas, och om de identifierade möjligheterna leder till mätbara resultat i stället för bara mer övertygande svar.












