La forma di cio che arriva nel vostro tenant.

L'Intelligence Layer e il corpus che la piattaforma produce e che il vostro team interroga. Non e un report. Non e un dashboard statico. E un substrato di dati per tenant dove ogni fatto porta un timestamp, un perimetro di segmento, uno score di confidenza e una citazione verso il momento esatto in una vera intervista che lo ha prodotto. Lo vedete tramite dashboard, i vostri partner di marca lo vedono tramite un'API delimitata e i vostri agenti IA lo vedono tramite strumenti MCP. Tutti e tre leggono lo stesso corpus.

Questa pagina descrive il livello dal punto di vista dell'operatore. Cosa contiene, come risponde una query su di esso, cosa fa un ciclo di aggiornamento e come controllate gli accessi. Il pipeline che produce il livello e trattato sotto Metodologia. Il confine di tenant che contiene il livello e trattato sotto Fiducia e sicurezza.

Ogni conversazione arricchita viene scomposta in dieci dimensioni tipizzate: punti di attrito, scoring delle opportunita, mappa di percezione del brand, scoring di maturita IA, fattori di retention, segnale di mercato, rischio normativo e di conformita, lacuna di formazione, comportamento per segmento di clientela e mappa delle menzioni dei concorrenti. Queste dieci costituiscono l'insieme operativo per il retail. Per consulenza, ristorazione, farmacia e gli altri verticali che la piattaforma supporta, due o tre dimensioni cambiano, ma la forma rimane la stessa: dieci slot tipizzati, schema stabile, una riga per fatto.

Ogni riga di fatto porta la dimensione, l'affermazione, l'identificatore del chunk sorgente nella forma transcript_id / turn_id / sentence_id, la finestra bi-temporale, il vettore di segmento, un conteggio di salienza (quante conversazioni indipendenti lo corroborano), uno score di confidenza e un embedding per il recupero vettoriale. I vostri dashboard raggruppano queste righe per dimensione, per segmento, per finestra temporale. I vostri agenti IA le recuperano con una chiamata allo strumento.

Le dimensioni sono stabili tra mercati e nel tempo, il che rende possibile il benchmarking cross-mercato. Un punto di attrito in un mercato e comparabile a un punto di attrito in qualsiasi altro perche la stessa definizione e lo stesso protocollo di sondaggio li hanno prodotti entrambi.

Ogni fatto porta tre timestamp indipendenti. learned_at indica quando la piattaforma lo ha osservato (la data dell'intervista, la data di arricchimento). valid_at indica quando il fatto e diventato vero nel mondo, spesso inferito dalla conversazione stessa. invalid_at indica quando il fatto ha cessato di essere vero: impostato esplicitamente quando arriva una conversazione contraddittoria, o impostato dal decadimento dell'emivita se nessun aggiornamento lo conferma. I fatti di percezione del brand decadono in settimane. I fatti di lacuna di formazione decadono solo quando il catalogo di formazione cambia. Le emivite sono calibrate per dimensione, per verticale.

La conseguenza operativa e il replay a una data specificata. Potete eseguire una query sul corpus com'era lo scorso maggio e confrontarla con la stessa query oggi. Un partner di marca che chiede "cosa dicevano i vostri dati sulla nostra categoria sei mesi fa, quando abbiamo preso la decisione di acquisto del Q2" riceve la risposta corretta per entrambe le date. I vostri agenti IA non possono fondare una raccomandazione su fatti la cui finestra di validita non include oggi.

La cadenza di aggiornamento e integrata nel ciclo di vita dei fatti. La console mostra l'orologio di obsolescenza per mercato e per dimensione: quando il venti percento dei fatti di una dimensione ha superato la propria validita, la piattaforma raccomanda un ciclo di aggiornamento. E cosi che il livello si mantiene onesto senza che dobbiate ricordare il calendario.

Un fatto e raramente vero ovunque. "Il fondotinta X viene rifiutato piu spesso" potrebbe essere vero per i negozi mass-market in America Latina e falso per le boutique europee. "Il brand e una destinazione moda-valore" potrebbe essere vero per i clienti finali oggi e contestato a livello di franchising. Ogni fatto nel livello porta un vettore di segmento sparso: una proiezione sugli assi di segmentazione rilevanti per il vostro verticale (livello, geografia, formato negozio, segmento cliente, partner di marca, demografica).

Questo e cio che rende gestibile l'API per partner di marca. Quando un partner interroga tramite l'API, il suo token si proietta sulla propria porzione del vettore di segmento. Vede i fatti il cui vettore di segmento interseca la sua proiezione. Non vede nulla al di fuori, e la piattaforma non gli fornisce alcun segnale che qualcosa sia stato filtrato. Lo stesso corpus serve cento partner senza perdite.

Ogni affermazione in ogni report, ogni riga in ogni dashboard, ogni recupero nel vostro agente IA rimanda alla trascrizione che lo ha prodotto tramite l'identificatore di chunk. Il link e sempre presente, su ogni conversazione, senza campionamento. Un partner di marca chiede perche affermate che il suo prodotto perde rispetto a un sostituto: la risposta e tre ID chunk, tre enunciati di consulenti, tre timestamp, in tre store nominati. Non un'inferenza. Una ricevuta.

La catena verbatim e applicata dal pipeline. Ogni citazione che lascia il sistema e una sottostringa letterale di un vero turno utente in una vera intervista. Un filtro deterministico lo verifica prima della persistenza. Le citazioni inventate vengono eliminate, mai riscritte. La descrizione completa della catena si trova su la pagina di fondamento Fiducia e sicurezza.

Lo stesso corpus serve tre superfici. Il vostro team di strategia, merchandising o operazioni lo consuma tramite dashboard. I vostri partner di marca lo consumano tramite un'API delimitata. I vostri agenti IA lo consumano tramite strumenti MCP. Ogni superficie applica il proprio perimetro al livello del percorso dati. Un partner non vede la porzione di un altro partner. Un copilota per consulenti vede solo i fatti che il suo ticket di sessione OAuth autorizza. La cascade di sicurezza completa e documentata sotto la cascade di sicurezza.

La superficie MCP nasconde la complessita del doppio store. Gli agenti non devono scegliere tra traversata grafo e SQL. Chiamano query_facts, traverse_relations, pivot_dimension, replay_as_of e cite. Ogni risposta torna come righe strutturate con citazione. L'agente non vede mai i confini dello store sottostante.

All'interno del vostro tenant, la console operatore fornisce al vostro team la vista di lavoro del livello. Vedete la salute del corpus per mercato e per dimensione, l'orologio di obsolescenza per ciascuna dimensione, gli score di qualita per conversazione dell'audit dell'intervistatore e il registro di audit di ogni chiamata di arricchimento. Quando qualcosa sembra errato, potete risalire fino alla chiamata LLM esatta che lo ha prodotto, con identificatore del modello, versione del prompt, conteggi di token e durata.

Quando un esperto di dominio nel vostro team contesta un'interpretazione nel suo contesto, la corregge dalla console. Il ciclo Expert-in-the-Loop trova ogni conversazione nel corpus che corrisponde al contesto, le rielabora nel pipeline e propaga la correzione nell'intero registro storico. L'interpretazione precedente rimane nel registro di audit. Nulla viene sovrascritto silenziosamente.