Die Form dessen, was in Ihrem Tenant landet.

Der Intelligence Layer ist der Korpus, den die Plattform erzeugt und den Ihr Team abfragt. Er ist kein Bericht. Er ist kein statisches Dashboard. Er ist ein Datensubstrat pro Tenant, in dem jeder Fakt einen Zeitstempel, einen Segmentumfang, einen Konfidenz-Score und eine Quellenangabe zurück zu dem exakten Moment in einem echten Interview trägt, der ihn erzeugt hat. Sie sehen ihn über Dashboards, Ihre Markenpartner sehen ihn über eine begrenzte API, und Ihre KI-Agenten sehen ihn über MCP-Tools. Alle drei lesen denselben Korpus.

Diese Seite beschreibt die Schicht aus der Perspektive des Operators. Was sie enthält, wie eine Abfrage gegen sie zurückkommt, was ein Aktualisierungszyklus bewirkt und wie Sie den Zugriff steuern. Die Pipeline, die die Schicht erzeugt, wird unter Methodik behandelt. Die Tenant-Grenze, die die Schicht hält, wird unter Trust & Security behandelt.

Jedes angereicherte Gespräch wird in zehn typisierte Dimensionen zerlegt: Schmerzpunkte, Opportunity-Bewertung, Markenwahrnehmungskarte, KI-Bereitschafts-Score, Bindungsfaktoren, Marktsignal, regulatorisches Compliance-Risiko, Schulungslücke, Kundensegmentverhalten und Wettbewerbserwähnungskarte. Diese zehn sind der operative Satz für den Einzelhandel. Für Beratung, Gastronomie, Apotheke und die anderen von der Plattform unterstützten Branchen wechseln zwei oder drei Dimensionen aus, aber die Form bleibt dieselbe: zehn typisierte Slots, stabiles Schema, eine Zeile pro Fakt.

Jede Faktzeile trägt die Dimension, die Behauptung, den Quell-Chunk-Identifier der Form transcript_id / turn_id / sentence_id, das bi-temporale Fenster, den Segmentvektor, eine Salienz-Anzahl (wie viele unabhängige Gespräche ihn bestätigen), einen Konfidenz-Score und ein Embedding für Vektor-Retrieval. Ihre Dashboards gruppieren diese Zeilen nach Dimension, Segment und Zeit. Ihre KI-Agenten rufen sie mit einem Tool-Aufruf ab.

Die Dimensionen sind über Märkte und Zeit hinweg stabil, was marktübergreifendes Benchmarking ermöglicht. Ein Schmerzpunkt in einem Markt ist mit einem Schmerzpunkt in jedem anderen vergleichbar, weil dieselbe Definition und dasselbe Sondierungsprotokoll beide erzeugt haben.

Jeder Fakt trägt drei unabhängige Zeitstempel. learned_at ist, wann die Plattform ihn beobachtet hat (das Interview-Datum, das Anreicherungsdatum). valid_at ist, wann der Fakt in der Welt wahr wurde, oft aus dem Gespräch selbst abgeleitet. invalid_at ist, wann der Fakt aufgehört hat, wahr zu sein: explizit gesetzt, wenn ein widerspriechendes Gespräch eintrifft, oder durch Halbwertszeit-Zerfall gesetzt, wenn keine Aktualisierung ihn bestätigt. Markenwahrnehmungs-Fakten verfallen in Wochen. Schulungslücken-Fakten verfallen erst, wenn sich der Schulungskatalog ändert. Die Halbwertszeiten werden pro Dimension und pro Branche kalibriert.

Die operative Konsequenz ist das As-of-Replay. Sie können eine Abfrage gegen den Korpus ausführen, wie er letzten Mai stand, und mit derselben Abfrage heute vergleichen. Ein Markenpartner, der fragt "Was sagten Ihre Daten über unsere Kategorie vor sechs Monaten, als wir die Q2-Kaufentscheidung trafen", erhält die korrekte Antwort für beide Daten. Ihre KI-Agenten können keine Empfehlung auf Fakten stützen, deren Gültigkeitsfenster nicht den heutigen Tag einschließt.

Die Aktualisierungskadenz ist in den Fakt-Lebenszyklus integriert. Die Konsole zeigt die Verfallsuhr pro Markt und pro Dimension: Wenn zwanzig Prozent der Fakten einer Dimension ihre Gültigkeit verloren haben, empfiehlt die Plattform einen Aktualisierungszyklus. So hält die Schicht sich selbst ehrlich, ohne dass Sie den Kalender im Kopf behalten müssen.

Ein Fakt ist selten überall wahr. "Foundation X wird am häufigsten abgelehnt" mag für lateinamerikanische Massenmarkt-Filialen wahr und für europäische Boutiquen falsch sein. "Die Marke ist ein Value-Fashion-Ziel" mag für Endkunden heute wahr und auf Franchiseebene umstritten sein. Jeder Fakt in der Schicht trägt einen spärlichen Segmentvektor: eine Projektion über die Segmentierungsachsen, die für Ihre Branche relevant sind (Ebene, Geografie, Filialformat, Kundensegment, Markenpartner, Demografie).

Das ist, was die Markenpartner-API handhabbar macht. Wenn ein Partner über die API abfragt, projiziert sein Token auf seinen Ausschnitt des Segmentvektors. Er sieht Fakten, deren Segmentvektor seine Projektion schneidet. Er sieht nichts außerhalb davon, und die Plattform gibt ihm kein Signal, dass irgendetwas gefiltert wurde. Derselbe Korpus bedient hundert Partner ohne Leckage.

Jede Behauptung in jedem Bericht, jede Zeile in jedem Dashboard, jeder Abruf in Ihren KI-Agenten verweist über den Chunk-Identifier zurück auf das Transkript, das ihn erzeugt hat. Der Link ist immer vorhanden, bei jedem Gespräch, ohne Stichprobennahme. Ein Markenpartner fragt, warum Sie behaupten, sein Produkt verliere gegen ein Substitut: die Antwort sind drei Chunk-IDs, drei Berater-Aussagen, drei Zeitstempel, in drei benannten Stores. Keine Schlussfolgerung. Ein Beleg.

Die Verbatim-Kette wird von der Pipeline durchgesetzt. Jedes Zitat, das das System verlässt, ist eine wörtliche Teilzeichenkette eines echten Benutzer-Turns aus einem echten Interview. Ein deterministischer Filter überprüft dies vor der Persistenz. Erfundene Zitate werden gelöscht, nie umgeschrieben. Die vollständige Beschreibung der Kette befindet sich auf der Trust & Security-Grundlagenseite.

Derselbe Korpus bedient drei Oberflächen. Ihr Strategie-, Merchandising- oder Operations-Team konsumiert ihn über Dashboards. Ihre Markenpartner konsumieren ihn über eine begrenzte API. Ihre KI-Agenten konsumieren ihn über MCP-Tools. Jede Oberfläche erzwingt ihren eigenen Scope auf dem Datenpfad. Ein Partner sieht nicht den Ausschnitt eines anderen Partners. Ein Berater-Copilot sieht nur die Fakten, die sein OAuth-Sitzungs-Ticket erlaubt. Die vollständige Sicherheitskaskade ist unter der Sicherheitskaskade dokumentiert.

Die MCP-Oberfläche verbirgt die Dual-Store-Komplexität. Agenten müssen nicht zwischen Graph-Traversierung und SQL wählen. Sie rufen query_facts, traverse_relations, pivot_dimension, replay_as_of und cite auf. Jede Antwort kommt als strukturierte Zeilen mit Quellenangabe zurück. Der Agent sieht nie die zugrunde liegenden Store-Grenzen.

In Ihrem Tenant gibt die Operator-Konsole Ihrem Team die Arbeitsansicht der Schicht. Sie sehen den Korpus-Zustand pro Markt und pro Dimension, die Verfallsuhr für jede Dimension, die Qualitätsscores pro Gespräch aus dem Interviewer-Audit und den Audit-Trail jedes Anreicherungsaufrufs. Wenn etwas falsch erscheint, können Sie es bis zum exakten LLM-Aufruf zurückverfolgen, der es erzeugt hat, mit Modell-Identifier, Prompt-Version, Token-Anzahl und Dauer.

Wenn ein Domänenexperte in Ihrem Team einer Interpretation in seinem Kontext widerspricht, korrigiert er sie aus der Konsole. Die Expert-in-the-Loop-Schleife findet jedes Gespräch im Korpus, das dem Kontext entspricht, führt sie erneut durch die Pipeline und propagiert die Korrektur über den historischen Datensatz. Die frühere Interpretation bleibt im Audit-Trail. Nichts wird stillschweigend überschrieben.