Fortune Cookie

Fortune Cookie läuft über eine Chatoberfläche, also gehen Mitarbeiter damit um, als würden sie einem Kollegen schreiben. Von diesem einen Fenster aus erledigen sie Aufgaben, suchen Daten, führen Abfragen aus, erhalten Warnungen und erstellen Inhalte in vielen Unternehmensanwendungen. Die Sicherheit steht im Zentrum des Designs. Das zählt, wenn der Assistent Gehalts-, Vertriebs- und HR-Daten liest.

Statt jedem Kunden ein einziges Modell aufzuzwingen, können Teams angepasste große Sprachmodelle einsetzen und das passende auswählen. RandomWalk beschreibt das als Weg, das System effizient und kostengünstig zu halten. Ein leichtes Modell übernimmt Routineabfragen, schwerere übernehmen komplexe Analysen. Die Wahl gilt pro Aufgabe, nicht pro Firma.

Der Assistent analysiert große Datenmengen, um Muster zu zeigen, die Entscheidungen stützen. Er dockt über generative KI an Visualisierungswerkzeuge an, das Ergebnis ist also mehr als Text. Stellen Sie eine Frage und bekommen Sie ein Diagramm oder ein Dashboard zurück. Keine Zahlenwand zum Entschlüsseln. Daten in Silos sind hier der Feind. Das Tool verwandelt auch rohe Tabellen in Ansichten, die ein Leiter wirklich lesen kann.

Isolierte Daten sind das Problem, das Fortune Cookie lösen will. Es verwandelt verstreute Quellen in semantische Wissensgraphen und Vektordatenbanken, und so verbindet es Datensätze, die in verschiedenen Systemen liegen. Das ist die Verkabelung hinter präzisen Antworten. Ohne sie liefert die Suche nur Rauschen.

Der Assistent verbessert die Suche in der ganzen Organisation, damit Menschen relevante Informationen erreichen, ohne genau zu wissen, wo sie liegen. Statt Dateinamen oder Ordnerpfade zu raten, beschreiben sie, was sie wollen. Keine Ordner-Taxonomie zu lernen. Das verkürzt die Suchzeit und hält Wissen über Abteilungen hinweg zugänglich.

Fortune Cookie baut auf RAG. Einfach gesagt ruft der Assistent die relevanten Firmendaten ab, bevor er antwortet, statt sich darauf zu verlassen, was das Modell beim Training gespeichert hat. Er kombiniert eine Vektordatenbank mit einem Wissensgraphen. Vektordatenbanken erledigen schnelle Ähnlichkeitssuchen über große Datenmengen, was zu semantischer Suche und Empfehlungen passt. Wissensgraphen zeigen Beziehungen und Abhängigkeiten, was dem Modell hilft, Kontext zu verstehen, etwa Berichtslinien oder wie eine Kennzahl hochrollt. Und wie sieht das in der Praxis aus? Fragen Sie nach einer Kennzahl, und das Modell verfolgt sie durch den Graphen, bevor es antwortet, statt eine lose Stichwortübereinstimmung zurückzugeben. Das ist der Unterschied, der in einer großen Organisation zählt.

Die Oberfläche ist auf Nachfassungen, Zusammenfassungen und Datenansichten ausgelegt. Das Ziel ist eine bessere Erfahrung für Mitarbeiter, statt ihnen Rohdaten hinzuwerfen. Für Teams, die das breit ausrollen, senkt ein vertrautes Chatlayout den Schulungsaufwand. Die Leute wissen bereits, wie man eine Frage tippt. Nichts zu lernen.