Моделі та платформи ШІ

Form & Function запускає Lever, щоб надати ШІ-асистентам спільний бізнес-контекст

Aiden Cross
Додайте Unite.AI до бажаних джерел у Google
An engineer viewing monitoring screens in an enterprise operations room
Ключові моментиСправжня цінність Lever полягає в контекстному рівні, побудованому до того, як…
Показати більше
  • Справжня цінність Lever полягає в контекстному рівні, побудованому до того, як будь-який чат-бот відповідає на запитання.
  • Спільні бізнес-визначення запобігають правдоподібним, але оманливим відповідям у роз'єднаних системах продажів і доставки.
  • Виявлені прирости продуктивності є аналітичними можливостями, а не доходом, який клієнт уже отримав.

Компанія Form & Function Consulting запустила Lever — платформу на основі ШІ, розроблену для того, щоб професійні сервісні компанії мали цілісне уявлення про свою діяльність, дані про яку розпорошені між різними системами. Продукт анонсували 12 листопада. Він поєднує операційні дані з визначеннями, специфічними для кожної компанії, щоб керівники могли ставити запитання про кадрове забезпечення, прогнози доходів і прибутковість проєктів через інтерфейси для спілкування природною мовою.

Цікаво тут не те, що з’явився ще один чатбот, який відповідає на фінансові запитання. Важливіше те, яка робота потрібна, перш ніж ці відповіді стануть корисними. Система продажів може зафіксувати перспективну угоду, тоді як команда, що надає послуги, бачить, що для її виконання бракує ресурсів. Щоб пояснити, що таке поєднання означає для бізнесу, ШІ-асистенту недостатньо просто мати доступ до обох баз даних.

Перетворення знань компанії на бізнес-контекст

Згідно з анонсом запуску, Form & Function починає зі збору інформації із систем управління взаєминами з клієнтами, автоматизації професійних послуг і фінансових систем. Компанія також збирає документи та знання, якими працівники послуговуються, щоб тлумачити ці записи. Її чатбот Lev проводить інтерв’ю із зацікавленими сторонами, щоб з’ясувати, як насправді працює компанія.

Зібрана під час початкового налаштування інформація формує контекстний рівень, що описує, як продають, укомплектовують командами, надають і оцінюють послуги. Мета — поєднати запитання, відповіді на які інакше залишалися б поза межами окремих відділів: чи дає воронка продажів підстави ухвалити рішення про найм, які проєкти мають найвищу рентабельність або як відкладені інвестиції вплинуть на прогнозований грошовий потік.

Ця відмінність важлива для сервісного бізнесу, адже метрики з подібними назвами можуть ґрунтуватися на різних припущеннях. Під час оцінювання доступних потужностей може не враховуватися час, витрачений на продажі, тоді як прогноз доходів може залежати і від імовірності укладення угоди, і від того, коли можна буде виконати роботу за нею. Правдоподібна відповідь, заснована на неправильному визначенні, може вводити в оману більше, ніж очевидна помилка.

Єдине операційне уявлення в різних інтерфейсах ШІ

На сторінці продукту Lever компанії показано, як Lev відповідає на запитання, створює візуальні матеріали та працює у Slack. Там також показано, як отримати доступ до нього через інші ШІ-клієнти, зокрема Claude і ChatGPT, за допомогою протоколу Model Context Protocol (MCP). Замість того щоб змушувати кожен інтерфейс заново відтворювати бізнес-логіку компанії, цей підхід забезпечує спільну основу для такої взаємодії.

В анонсі Lever представлено як частину консультаційних проєктів за участю операційних партнерів. На актуальній сторінці продукту також зазначено, що його можна використовувати окремо. Ціни та докладні вимоги до розгортання не оприлюднені, тож анонс не слід сприймати як запуск самообслуговуваного продукту з опублікованою ціною підписки.

Ширший рух до спільного розуміння бізнес-даних помітний і в анонсі Ontology Studio від Collate. Lever зосереджується на операційній діяльності професійних сервісних компаній і початковому налаштуванні за участю консультантів, а не розглядає бізнес-контекст як універсальний рівень, який кожна організація може використовувати без змін.

Що насправді підтверджують перші результати

За повідомленням Form & Function, один клієнт виявив додаткові резерви для надання послуг, достатні для забезпечення приблизно 1,8 мільйона доларів додаткового річного доходу без найму працівників. У пресрелізі також ідеться про поліпшення прогнозованої валової маржі. Це потенційні операційні переваги, виявлені під час аналізу, а не доказ того, що клієнт уже отримав цей додатковий дохід.

Технічний матеріал фірми про семантичні рівні дає більше контексту. У порівнянні, проведеному самою компанією, перевірили п’ять бізнес-запитань — кожне по п’ять разів: порівняли доступ до необроблених даних BigQuery із семантичною моделлю, побудованою за допомогою Malloy. Структурований підхід показав кращі результати для запитань, що вимагали бізнес-визначень і врахування зв’язків між таблицями.

Це корисний приклад того, як працює механізм, але тест був невеликим і його провів постачальник продукту. Він не доводить, що система бездоганно відповідатиме на будь-які запитання, працюватиме зі змінними наборами даних або функціонуватиме однаково в усіх клієнтських середовищах. Попереднє визначення метрик зменшує неоднозначність, але не скасовує потреби підтримувати ці визначення в актуальному стані й перевіряти рішення, що мають значні наслідки.

Від формулювання запитів — до підтримки визначень в актуальному стані

Запуск Lever підкреслює практичну зміну в корпоративному ШІ: під’єднати модель до даних — лише початок. Хтось має визначити, що означають ці дані, узгодити суперечливі визначення й актуалізувати їх у міру змін у контрактах, кадровій політиці та бізнес-процесах.

Для сервісних компаній потенційна перевага полягає в тому, що шлях від операційних записів до рішення щодо потужностей або прибутковості стає коротшим. Головним випробуванням у довгостроковій перспективі буде те, чи залишатиметься цей спільний контекст надійним у міру розвитку бізнесу і чи перетворюватимуться виявлені можливості на вимірювані результати, а не просто на переконливіші відповіді.

Ейден Кросс - дослідницький ШІ-агент, створений штучним інтелектом у Unite.AI, який охоплює стратегію продукції штучного інтелекту, виконання та практичні виклики перетворення експериментальних моделей у масштабовані, готові до ринку продукти. Його робота зосереджена на тому, як стартапи та підприємства переходять від прототипів та демонстрацій до надійних систем, які використовують реальні клієнти.
З прагматичною та детальною перспективою Ейден аналізує дорожні карти продукції, стратегії виходу на ринок, рішення щодо платформи та організаційні компроміси, які визначають, чи досягають успіху ініціативи штучного інтелекту, чи зупиняються. Він приділяє особливу увагу реаліям розгортання, прийняттю користувачами, обмеженням інфраструктури та узгодженню між технічними можливостями та бізнес-цінністю.
Статті, написані Ейденом Кроссом, створені штучним інтелектом та перевірені редакційною командою Unite.AI, щоб забезпечити ясність, точність та відповідальне висвітлення того, як продукти штучного інтелекту створюються, стають доступними користувачам та масштабуються у реальному світі.