Catch vychází z utajení s 5 milionovým seed financováním a buduje autonomního AI asistenta pro výkonné manažery

Catch vyšla z utajení s $5 million seed financováním, aby rozšířila agentní AI asistenta navrženého převzít administrativní práci, která zabírá značnou část dne výkonného manažera.

Kolo financování vedly společně Entrée Capital a Pitango, s účastí Seedcamp a Factorial Capital. Místo toho, aby vyvíjela další AI nástroj, který shrnuje e‑maily nebo doporučuje, co má uživatel udělat dál, se Catch snaží o něco obtížnějšího: umožnit výkonným manažerům delegovat celé administrativní úkoly na software a nechat je dokončit.

Založena Nir Sabato a Yoav Ramon, Catch se zaměřuje výhradně na administrativu výkonných manažerů, včetně plánování schůzek, správy e‑mailů, cestování, následných aktivit, konfliktů v kalendáři, připomínek a odchozích telefonních hovorů. Firma uvádí, že její systém již naplánoval více než 12 000 schůzek, zpracoval přes 200 000 e‑mailů a dokončil více než 20 000 delegovaných úkolů.

Moving AI from assistance to delegation

Rozlišení mezi pomáháním při úkolu a jeho skutečným dokončením se stalo jednou ze stěžejních výzev, kterým čelí agentní AI.

Velké jazykové modely již dokážou shrnout doručenou poštu, vytvořit návrh e‑mailu, navrhnout lety nebo zjistit, kdy jsou dvě osoby k dispozici. Přetvořit však tyto jednotlivé schopnosti na systém, který spolehlivě koordinuje s jinou osobou, aktualizuje kalendář, provádí rezervaci a reaguje na změny okolností, vyžaduje mnohem hlubší vrstvu provádění.

Catch je postaven na této mezeře.

Místo toho, aby uživatele nutila konfigurovat pracovní postupy nebo vytvářet vlastní agenty, systém se připojuje k nástrojům, které výkonní manažeři již používají. Webová stránka Catch uvádí podporu pro služby jako Gmail, Outlook, Google Calendar, Slack, WhatsApp, iMessage a telefon, což uživatelům umožňuje komunikovat s asistentem podobně jako s lidským asistentem výkonného manažera.

Po připojení systém vybuduje pochopení preferencí, jako jsou zvyklosti při schůzkách, priority v kalendáři a požadavky na cestování. Catch uvádí, že pak může jednat proaktivně. Zrušená schůzka například může spustit přeplánování, zatímco nadcházející cesta může asistenta přimět k identifikaci chybějících hotelových rezervací místo čekání na explicitní podnět.

Jedná se o důležitý posun v tom, jak jsou AI produkty navrhovány. Místo vytváření dalšího rozhraní, které by výkonní manažeři museli spravovat, se Catch snaží zmizet v komunikačních kanálech a softwaru, které již používají.

Autonomy does not mean acting without limits

Složitější problém u administrativních agentů není, zda AI model dokáže požadavek pochopit. Jde o určení, kdy by měl software jednat autonomně a kdy by měl člověk zůstat zapojen.

Zdá se, že Catch zvolila vrstvený přístup.

U rutinní administrativní práce je cílem minimalizovat zbytečná schválení. Avšak akce s finančními či jinými významnými důsledky mohou vyžadovat potvrzení. Ve firemním pracovním postupu pro cestování například Catch dokáže interpretovat cestovní zadání, porovnat lety a hotely s omezeními a sestavit itinerář, ale uživatel poskytne explicitní schválení před dokončením rezervace.

Podobně může produkt Catch pro doručenou poštu třídit zprávy a vytvářet návrhy odpovědí na základě předchozího stylu psaní uživatele, přičemž současný pracovní postup udržuje uživatele zapojeného před odesláním určitých zpráv.

Tato hranice může být klíčová pro přijetí agentní AI. Plná autonomie zní lákavě, ale v praxi budou podniky pravděpodobně adoptovat agenty postupně, rozšiřovat jejich pravomoci, jakmile systémy prokáží, že dokážou spolehlivě rozhodovat v jasně definovaných oblastech.

Administrativní práce může být zvláště užitečným testovacím polem, protože kombinuje opakující se úkoly s dostatečným kontextovým rozhodováním, aby se ověřilo, zda AI systémy dokážou přejít za pouhou automatizaci.

Catch is building specialized AI underneath the assistant

Za konverzačním rozhraním Catch také vyvíjí vlastní AI architekturu místo toho, aby se spoléhala výhradně na obecný základní model.

Společnost popisuje systém úzce zaměřených “splinter agents”, kde jednotliví agenti mají přístup jen k informacím potřebným pro konkrétní úkol. Cílem je snížit množství citlivého kontextu vystaveného během provádění a zároveň zlepšit latenci a spolehlivost.

Catch uvádí, že anonymizovaná data interakcí lze použít ke zlepšení vlastních modelů prostřednictvím dozorovaného učení a posilovacího učení. Současně dokumentace zabezpečení uvádí, že externí poskytovatelé AI jsou smluvně zakázáni uchovávat zákaznická data nebo je používat k trénování vlastních modelů.

Protože asistent výkonného manažera může mít přístup k kalendářům, e‑mailům, cestovním plánům a potenciálně citlivým firemním informacím, bezpečnost se stává podstatně důležitější, jakmile AI systém může vykonávat akce místo pouhého generování textu. Catch uvádí, že splňuje normu SOC 2 Type II, spolu s certifikací CASA Tier‑2 a ověřením Google, a šifruje uložená i přenášená data při využití detailních oprávnění pro připojené služby.

Founders with backgrounds in AI and venture investing

Společnost založili dva manažeři, kteří se k administrativnímu problému postavili z různých úhlů.

CEO Nir Sabato předtím strávil několik let investováním v Entrée Capital, kde se soustředil na oblasti jako umělá inteligence a podniková technologie. Před vstupem do venture kapitálu zastával strategické pozice ve společnostech Fiverr a BLEND. Catch uvádí, že Sabatovo zkušenosti s prací s zakladateli odhalily, kolik času výkonných manažerů s vysokou hodnotou je stále spotřebováváno relativně rutinní koordinační prací.

CTO Yoav Ramon mezitím strávil více než deset let prací se systémy strojového učení. Jeho zázemí zahrnuje technologii řeči a jazyka ve společnosti Hi Auto a působení jako CTO společnosti Nym, která vyvíjí AI pro zdravotnictví, kde týmy nasazovaly velké jazykové modely v regulovaných zdravotnických prostředích.

Tato kombinace je relevantní, protože vytvoření administrativního agenta vyžaduje více než efektivní chatbot. Systém musí rozumět preferencím, udržovat kontext napříč interakcemi, komunikovat s externím softwarem a rozhodnout, kdy má dostatečnou jistotu k akci.

Agentic AI’s next battleground may be ordinary work

Catch vstupuje na rychle rostoucí trh s agentní AI, ale její větší význam může spočívat v tom, jak úzce definovala problém.

Mnoho AI společností se snaží vytvořit stále obecnější agenty schopné vykonávat desítky či stovky typů práce. Catch zvolila opačný přístup: soustředí se na relativně úzkou oblast a snaží se vytvořit systém dostatečně spolehlivý, aby uživatelé skutečně přestali tyto úkoly vykonávat sami.

To by se mohlo stát důležitým vzorcem pro další fázi podnikové AI.

Nejkomerčnější užiteční agenti nemusí být zpočátku autonomní digitální zaměstnanci schopní vykonávat jakýkoli úkol. Mohou se místo toho objevit jako vysoce specializované systémy, které rozumí jedné kategorii práce natolik, že jim lze důvěřovat s postupně větší pravomocí.

Administrativa výkonných manažerů poskytuje odhalující test. Plánování schůzek, správa cest a koordinace e‑mailů mohou znít obyčejně ve srovnání s programováním nebo vědeckým výzkumem, ale tyto pracovní postupy vyžadují, aby AI komunikovala se skutečnými lidmi, rozuměla neúplným instrukcím, pamatovala si individuální preference a rozhodovala se tak, aby měly reálné dopady.

Pokud systémy jako Catch dokážou spolehlivě zvládnout tyto pracovní postupy, jejich význam přesahuje úsporu několika hodin výkonných manažerů. Ukázalo by to, že AI agenti začínají překračovat hranici mezi generováním užitečných informací a převzetím odpovědnosti za dokončení práce.

Nové seed financování ve výši $5 million poskytuje společnosti Catch další kapitál k otestování, zda lze tento přechod škálovat.