En AI som husker organisasjonen din.
Hver vurdering, agent, policy, bruksområde, beslutning og eksperiment i deres Fronterio-tenant mates inn i en nattlig konsolideringshjerne. Den destillerer varige oppfattede fakta — preferanser, mønstre, risikoer, ambisjoner — og anbefaler neste trekk, stille, hver dag.
Faktatyper motoren sporer per organisasjon — fra risikosignaler til erklærte ambisjoner
Overflater der anbefalingene vises: konsulent, dashboard, digest, Mission Control
K-anonymitetsgrense for hver innsikt på tvers av kunder — identitet forlater aldri din tenant
Slik fungerer Memory Engine
Hver handling teamet utfører i Fronterio skriver et uforanderlig, Zod-validert signal til en append-only buss — ingen rå bruker-ID-er, ingen fritekst, en avgrenset payload-hviteliste. En nattlig cron kl. 05:00 UTC leser alle signaler siden siste kjøring for hver av organisasjonene deres og fører dem gjennom en to-trinns konsolidering.
Trinn én er deterministisk: fem regelbaserte detektorer skanner etter mønstre et regneark kunne fange — policy-publiseringsstriper, fall i vurderingsscore, agent-deploy-kadens, bruksområde-utgivelsesfrekvens, guide-fullføringsrytme. Disse produserer kandidatfakta med bevisspor knyttet til spesifikke signalrader. Trinn to er en frontier AI-modell, gated til Pro+ og kun når nye signaler eller et konsulent-utledet faktum rettferdiggjør kallet. Modellen ser på bucket-konteksten deres + tidligere fakta + nyeste signaler og returnerer opptil tolv ekstra kandidater — subtile preferanser, erklærte ambisjoner, beslutningskontekster regelbaserte detektorer ikke kan se.
Kandidater samles i et varig minne med supersede-semantikk: samme faktum med høyere tillit forsterker, annen verdi erstatter. Et kanonisk vokabular på 55 nøkler forhindrer drift; alt utenfor vokabularet havner i en admin-vurderingskø i stedet for å forurense minnet deres. Fakta bærer tillitsbånd, bevis-signal-ID-er og en utløpsdato per faktatype — blokkerere utløper på 14 dager, begrensninger på ett år.
Anbefalinger beregnes fra minne + nåværende tilstand + (Business+) mønstre på tvers av kunder. En enkelt anbefaling kan tas opp på fire overflater — konsulentens prompt (topp fem), dashboard-hjemmekortet (topp tre), den ukentlige digest-e-posten (kun høy prioritet) og Mission Control-dashbordet (full liste). Én kilde til sannhet, fire visninger, alltid i prioritetsrekkefølge.
Hvorfor minne, ikke bare analyser
Uten Memory Engine
- AI-konsulenten starter hver samtale fra null — den kjenner scoren deres, men ikke preferansene, historien eller beslutningene
- Mønstergjenkjenning skjer inne i noens hode — churn-risikoer, vandrende initiativer og kapasitetshull sitter i minnet til et møte tar dem frem
- Hver dashboard-widget svarer på 'hva skjedde', men ingenting svarer på 'hva bør dere gjøre nå, forankret i hva dere har gjort'
- Peer-benchmarks er utdaterte PDF-er; 'hva organisasjoner som vår vanligvis gjør' bor i en konsulents LinkedIn-DM-er
Med Memory Engine
- Konsulenten siterer oppfattede fakta etter fact_type med tillit-markører — ingen hallusinasjon, ingen gjentakelse av samme spørsmål hver samtale
- Risikosignaler dukker opp om morgenen de kvalifiserer seg, med bevis som lenker tilbake til de spesifikke agent-hendelsene eller score-fallene som utløste dem
- Hver overflate — dashboard, digest, Mission Control — leser fra ett sett anbefalinger, ordnet etter prioritet, automatisk avvist når ikke lenger relevant
- Kohortinnsikter på tvers av kunder (Business+) er bucket-only med k≥15 anonymitet — nyttige mønstre, null identitetslekkasje
Hva følger med Memory Engine
Oppfattede fakta per organisasjon
Preferanser, mønstre, relasjoner, begrensninger, forpliktelser, risikosignaler, ambisjoner, kapasitetshull, blokkerere, momentum, kohortinnsikter — tolv kanoniske faktatyper.
Regelbasert + AI-konsolidering
Deterministiske detektorer for hver organisasjon; Pro+ legger til nattlig Sonnet-kjøring med signal-terskel-gating og Zod-validert output.
Maldreven anbefalinger
Deklarative maler mapper faktatyper til anbefalinger med planbaserte prioritetsforhøyelser, CTA-lenker og automatisk avvisning når det underliggende faktumet forsvinner.
Fire visningsoverflater
Konsulent-prompt-injeksjon, dashboard-kort, ukentlig digest-seksjon, Mission Control-dashbord — samme kilde, forskjellige prioriteter.
Personvern by design
Org-saltet hashing, Zod-gated emit-grense, avgrenset meta-hviteliste, bucket-only kohort-aggregering med k≥15-gulv håndhevet på databaselaget.
Opt-out respekteres på hvert lag
cohort_contribution_enabled-flippen ekskluderer en organisasjon fra både kohort-skrivinger og -lesninger — ingen data forlater tenanten deres uten eksplisitt samtykke.
Slik lander det i tenanten deres
Signaler begynner å strømme
Fra dag én sender hver vurdering, agentgodkjenning, policy-publisering, guide-fullføring, beslutning og eksperiment et Zod-validert signal til bussen.
Første konsolideringskjøring
Dag to kl. 05:00 UTC: regelkjøringen finner sine første mønstre, seeder de første organization_memory-radene. Konsulenten begynner å sitere dem.
Anbefalinger dukker opp
Innen en uke viser dashboard-hjemmekortet og Mission Control de første anbefalingene. Digesten inkluderer høyprioriterte elementer hver mandag.
AI-kjøringen starter (Pro+)
Når signalmengde eller konsulent-utledede fakta rettferdiggjør det, legger AI-modellen vår til de subtile fakta — preferanser, ambisjoner, beslutningskontekster detektorer ikke kan se.
“Vi sluttet å forklare organisasjonen vår til AI-en hver mandag. Den visste det bare. Tre uker inn flagget den en governance-avvik vi ikke hadde lagt merke til selv.”
Tilgjengelig på Pro, Business og Enterprise
Regelkjøring + konsulent-injeksjon følger med hver plan. Pro+ låser opp nattlig AI-konsolidering og dashboard-kort-anbefalinger. Business+ får Mission Control og prediktive kohortinnsikter. Enterprise legger til prediksjoner for risikosignaler på tvers av kunder og Brain API-tilgang.
Gi AI-en deres et minne.
Bestill en gjennomgang og se hva motoren ville lære om organisasjonen i sin første uke.