En AI der husker din organisation.
Hver vurdering, agent, politik, use case, beslutning og eksperiment i jeres Fronterio-tenant fødes ind i en natlig konsolideringshjerne. Den destillerer varige erkendte fakta — præferencer, mønstre, risici, ambitioner — og anbefaler næste træk, stille, hver dag.
Faktatyper motoren sporer per organisation — fra risikosignaler til erklærede ambitioner
Overflader hvor anbefalingerne vises: konsulent, dashboard, digest, Mission Control
K-anonymitetsgrænse for hver indsigt på tværs af kunder — identitet forlader aldrig din tenant
Sådan fungerer Memory Engine
Hver handling dit team udfører i Fronterio skriver et uforanderligt, Zod-valideret signal til en append-only bus — ingen rå bruger-ID'er, ingen fritekst, en afgrænset payload-hvidliste. En natlig cron kl. 05:00 UTC læser alle signaler siden sidste kørsel for hver af jeres organisationer og fører dem gennem en to-trins konsolidering.
Trin ét er deterministisk: fem regelbaserede detektorer scanner for mønstre et regneark kunne fange — politik-publiceringsstriber, fald i vurderingsscore, agent-deploy-kadence, use-case-udgivelsesfrekvens, guide-fuldførelsesrytme. Disse producerer kandidat-fakta med evidensspor knyttet til specifikke signalrækker. Trin to er en frontier AI-model, gated til Pro+ og kun når nye signaler eller et konsulent-udledt faktum retfærdiggør kaldet. Modellen ser på jeres bucket-kontekst + tidligere fakta + seneste signaler og returnerer op til tolv ekstra kandidater — subtile præferencer, erklærede ambitioner, beslutningskontekster regelbaserede detektorer ikke kan se.
Kandidater samles i en varig hukommelse med supersede-semantik: samme faktum med højere tillid forstærker, anden værdi erstatter. Et kanonisk ordforråd på 55 nøgler forhindrer afvigelse; alt uden for ordforrådet lander i en admin-review-kø i stedet for at forurene jeres hukommelse. Fakta bærer tillidsbånd, evidens-signal-ID'er og en udløbsdato per faktatype — blokkere udløber på 14 dage, begrænsninger på et år.
Anbefalinger beregnes fra hukommelse + nuværende tilstand + (Business+) mønstre på tværs af kunder. En enkelt anbefaling kan optages på fire overflader — konsulentens prompt (top fem), dashboard-hjemmekortet (top tre), den ugentlige digest-e-mail (kun høj prioritet) og Mission Control-dashboardet (fuld liste). Én kilde til sandhed, fire visninger, altid i prioritetsrækkefølge.
Hvorfor hukommelse, ikke bare analyser
Uden Memory Engine
- Jeres AI-konsulent starter hver samtale forfra — den kender jeres score, men ikke jeres præferencer, historie eller beslutninger
- Mønstergenkendelse sker inde i nogens hoved — churn-risici, gående initiativer og kapacitetshuller sidder i hukommelsen indtil et møde bringer dem frem
- Hver dashboard-widget svarer på 'hvad skete der', men intet svarer på 'hvad bør I gøre nu, forankret i hvad I har gjort'
- Peer-benchmarks er forældede PDF'er; 'hvad organisationer som os typisk gør' lever i en konsulents LinkedIn-DM'er
Med Memory Engine
- Konsulenten citerer erkendte fakta efter fact_type med tillids-markører — ingen hallucination, ingen gentagelse af samme spørgsmål hver samtale
- Risikosignaler dukker op om morgenen de kvalificerer sig, med evidens der linker tilbage til de specifikke agent-hændelser eller score-fald der udløste dem
- Hver overflade — dashboard, digest, Mission Control — læser fra ét sæt anbefalinger, ordnet efter prioritet, automatisk afvist når ikke længere relevant
- Kohort-indsigter på tværs af kunder (Business+) er bucket-only med k≥15 anonymitet — nyttige mønstre, nul identitetslæk
Hvad følger med Memory Engine
Erkendte fakta per organisation
Præferencer, mønstre, relationer, begrænsninger, forpligtelser, risikosignaler, ambitioner, kapacitetshuller, blokkere, momentum, kohort-indsigter — tolv kanoniske faktatyper.
Regelbaseret + AI-konsolidering
Deterministiske detektorer for hver organisation; Pro+ tilføjer natlig Sonnet-kørsel med signal-tærskel-gating og Zod-valideret output.
Skabelondrevne anbefalinger
Deklarative skabeloner mapper faktatyper til anbefalinger med plan-baserede prioritetsforøgelser, CTA-links og automatisk afvisning når det underliggende faktum forsvinder.
Fire visningsoverflader
Konsulent-prompt-indsprøjtning, dashboard-kort, ugentlig digest-sektion, Mission Control-dashboard — samme kilde, forskellige prioriteter.
Privatliv ved design
Org-saltet hashing, Zod-gated emit-grænse, afgrænset meta-hvidliste, bucket-only kohort-aggregering med k≥15-gulv håndhævet på databaselaget.
Opt-out respekteres på hvert lag
cohort_contribution_enabled-flip ekskluderer en organisation fra både kohort-skrivninger og -læsninger — ingen data forlader jeres tenant uden eksplicit samtykke.
Sådan lander det i jeres tenant
Signaler begynder at strømme
Fra dag ét udsender hver vurdering, agentgodkendelse, politikpublicering, guide-fuldførelse, beslutning og eksperiment et Zod-valideret signal til bussen.
Første konsolideringskørsel
Dag to kl. 05:00 UTC: regel-kørslen finder sine første mønstre, seeder de første organization_memory-rækker. Konsulenten begynder at citere dem.
Anbefalinger dukker op
Inden for en uge viser dashboard-hjemmekortet og Mission Control jeres første anbefalinger. Digesten inkluderer højprioritetselementer hver mandag.
AI-kørslen starter (Pro+)
Når signalmængde eller konsulent-udledte fakta retfærdiggør det, tilføjer vores AI-model de subtile fakta — præferencer, ambitioner, beslutningskontekster detektorer ikke kan se.
“Vi holdt op med at forklare vores organisation til AI'en hver mandag. Den vidste det bare. Tre uger inde flagede den en governance-afvigelse vi ikke selv havde bemærket.”
Tilgængelig på Pro, Business og Enterprise
Regel-kørsel + konsulent-indsprøjtning følger med hver plan. Pro+ åbner op for natlig AI-konsolidering og dashboard-kort-anbefalinger. Business+ får Mission Control og forudsigende kohort-indsigter. Enterprise tilføjer forudsigelser for risiko-signaler på tværs af kunder og Brain API-adgang.
Giv jeres AI en hukommelse.
Book en gennemgang og se hvad motoren ville lære om jeres organisation i sin første uge.