AI 模型与平台
Form & Function推出Lever,为AI助手提供共享业务背景
要点Lever的真正价值在于任何聊天机器人回答问题之前所构建的上下文层。
查看更多
- Lever的真正价值在于任何聊天机器人回答问题之前所构建的上下文层。
- 共享的业务定义可防止在彼此脱节的销售与交付系统中出现看似合理却具有误导性的答案。
- 已识别的产能提升是分析性机会,而非客户已经收取的收入。
Form & Function Consulting推出了Lever,这是一个旨在帮助专业服务公司整合各个彼此独立的系统、全面了解运营情况的AI平台。该产品于11月12日宣布推出,它将运营数据与公司的专属业务定义相结合,让管理者可以通过对话式界面询问人员配置、收入预测和项目盈利能力等问题。
新意不在于又多了一个能回答财务问题的聊天机器人,而在于要让这些答案真正有用,背后需要做哪些工作。销售系统可能记录了一笔前景看好的交易,但交付团队却发现没有足够的产能来完成订单。AI助手若要解释这两方面的信息对业务意味着什么,仅仅能够访问两个数据库还不够。
将公司知识转化为业务背景
根据发布公告,Form & Function首先整合客户关系管理、专业服务自动化和财务系统中的信息。它还会汇集相关文档,以及员工用来解读这些记录的知识。其Lev聊天机器人会协助开展利益相关方访谈,以了解公司的实际运营方式。
这一引导流程会构建一个背景层,说明公司如何销售、配置人员、交付工作并衡量成效。其目标是关联那些往往横跨多个部门的问题:销售管道是否足以支撑招聘决策、哪些项目的利润率最高,或者投资延迟会如何影响预期现金流。
这一区别对服务型企业尤为重要,因为名称相似的指标可能基于不同的假设。例如,可用产能的计算可能不包括用于销售的时间;收入预测则可能同时取决于交易成交的可能性,以及由此产生的工作何时能够交付。基于错误定义得出的答案即使看似合理,也可能比明显的错误更具误导性。
通过不同AI界面全面了解运营情况
该公司的Lever产品页面展示了Lev如何回答问题、生成可视化内容并在Slack中运行。页面还展示了如何通过包括Claude和ChatGPT在内的其他AI客户端,使用模型上下文协议(MCP)访问Lever。与其要求每个界面都重新构建公司的业务逻辑,这种做法为这些交互提供了共享的基础。
发布公告将Lever定位为运营合伙人咨询项目的一部分。目前的产品页面也介绍了独立使用的选项。页面没有公布价格和详细的部署要求,因此不应将此次发布理解为推出了附带公开订阅价格的自助服务产品。
Collate的Ontology Studio公告也体现了业界正朝着共享业务含义的方向发展。Lever采取的方式则更为聚焦,以专业服务运营和顾问协助的引导流程为核心,而不是将业务背景视为一层可以由所有组织原样采用的通用能力。
早期成果究竟说明了什么
Form & Function表示,一家客户发现了额外的交付产能,足以在不增加员工的情况下支持约180万美元的新增年收入。公告还称,预期毛利率有所提升。这些是通过分析发现的潜在运营收益,并不意味着客户已经获得了这笔新增收入。
该公司的语义层技术探讨提供了更多背景信息。在一项由公司开展的对比测试中,研究人员针对五个业务问题分别进行了五次测试,对比了直接访问原始BigQuery数据与使用Malloy构建的语义模型。对于需要运用业务定义和理解表间关系的问题,结构化方法表现更好。
这有助于说明其运作机制,但这只是一次由供应商自行开展的小规模测试。它无法证明该方法面对任意问题、不断变化的数据集或每位客户的部署环境时都能做到完全准确。预先定义指标可以减少歧义,但并不能免除维护这些定义以及审查重大决策的必要性。
工作重点从编写提示转向维护定义
Lever的发布凸显了企业AI领域的一项实际转变:将模型连接到数据只是第一步。还需要有人确定数据的含义、解决定义之间的冲突,并随着合同、人员配置政策和业务流程的变化,及时更新相应解释。
对服务型公司而言,潜在的益处是缩短从运营记录到产能或盈利能力决策的路径。真正经得起时间检验的,是这套共享背景能否随着业务发展继续保持可靠,以及发现的机会能否转化为可衡量的成果,而不只是让答案听起来更有说服力。












