Catch træder frem fra stealth med $5M seed‑runde for at bygge en autonom AI‑executive‑assistant

Catch er kommet frem fra stealth med $5 million i seed‑finansiering for at udvide en agentisk AI‑assistent designet til at overtage det administrative arbejde, der optager en betydelig del af en leders dag.

Runden blev co‑ledet af Entrée Capital og Pitango, med deltagelse fra Seedcamp og Factorial Capital. I stedet for at bygge endnu et AI‑værktøj, der opsummerer e‑mails eller anbefaler, hvad en bruger skal gøre næste gang, forsøger Catch noget sværere: at give ledere mulighed for at delegere hele administrative opgaver til software og få dem udført.

Founded by Nir Sabato and Yoav Ramon, Catch focuses specifically on executive administration, including scheduling, email management, travel, follow-ups, calendar conflicts, reminders and outbound phone calls. The company says its system has already scheduled more than 12,000 meetings, handled over 200,000 emails and completed more than 20,000 delegated tasks.

Flytter AI fra assistance til delegation

Forskellen mellem at assistere med en opgave og faktisk fuldføre den er blevet en af de centrale udfordringer for agentisk AI.

Store sprogmodeller kan allerede opsummere en indbakke, udforme en e‑mail, foreslå fly eller fastlægge, hvornår to personer er tilgængelige. Men at omdanne disse individuelle funktioner til et system, der pålideligt kan koordinere med en anden person, opdatere en kalender, foretage en reservation og følge op, når omstændighederne ændrer sig, kræver et meget dybere eksekveringslag.

Catch er bygget omkring dette hul.

I stedet for at bede brugerne om at konfigurere arbejdsgange eller bygge deres egne agenter, forbinder systemet til de værktøjer, som ledere allerede bruger. Catch’s hjemmeside viser understøttelse af tjenester som Gmail, Outlook, Google Calendar, Slack, WhatsApp, iMessage og telefon, så brugerne kan kommunikere med assistenten på samme måde, som de ville kommunikere med en menneskelig executive‑assistent.

Når forbindelsen er etableret, udvikler systemet en forståelse af præferencer såsom mødevaner, kalenderprioriteter og rejsebehov. Catch siger, at det derefter kan handle proaktivt. Et aflyst møde kan for eksempel udløse en ombooking, mens en kommende rejse kan få assistenten til at identificere manglende hotelreservationer i stedet for at vente på en eksplicit anmodning.

Dette udgør et vigtigt skift i, hvordan AI‑produkter designes. I stedet for at skabe en ny grænseflade, som ledere skal håndtere, forsøger Catch at forsvinde ind i de kommunikationskanaler og den software, de allerede bruger.

Autonomi betyder ikke at handle uden grænser

Det sværere problem med administrative agenter er ikke, om en AI‑model kan forstå en anmodning. Det handler om at afgøre, hvornår softwaren skal handle autonomt, og hvornår et menneske skal forblive involveret.

Catch ser ud til at anvende en lagdelt tilgang.

For rutinemæssigt administrativt arbejde er målet at minimere unødvendige godkendelser. Men handlinger med finansielle eller andre væsentlige konsekvenser kan kræve bekræftelse. I virksomhedens rejse‑arbejdsgang kan Catch for eksempel fortolke et rejse‑brief, sammenligne fly og hoteller i forhold til begrænsninger og sammensætte en rejseplan, men brugeren giver eksplicit godkendelse, før en booking fuldføres.

Tilsvarende kan Catch’s indbakke‑produkt triagere beskeder og udforme svar baseret på en brugers tidligere skrive stil, mens den nuværende arbejdsgang holder brugeren involveret, inden visse beskeder sendes.

Den grænse kan vise sig at være afgørende for adoption af agentisk AI. Fuld autonomi lyder tiltalende, men i praksis vil virksomheder sandsynligvis adoptere agenter gradvist, udvide deres myndighed, efterhånden som systemerne demonstrerer, at de kan træffe pålidelige beslutninger inden for klart definerede domæner.

Administrativt arbejde kan være et særligt nyttigt prøveland, fordi det kombinerer gentagne opgaver med tilstrækkelig kontekstuel beslutningstagning til at teste, om AI‑systemer kan gå ud over simpel automatisering.

Catch bygger specialiseret AI under assistenten

Bag den samtalebaserede grænseflade udvikler Catch også sin egen AI‑arkitektur i stedet for udelukkende at stole på en generel grundmodel.

Virksomheden beskriver et system af snævert afgrænsede “splinter‑agenter”, hvor individuelle agenter kun får adgang til de oplysninger, der er nødvendige for en specifik opgave. Ideen er at reducere mængden af følsom kontekst, der eksponeres under udførelsen, samtidig med at latenstid og pålidelighed forbedres.

Catch siger, at anonymiserede interaktionsdata kan bruges til at forbedre deres egne modeller gennem supervised learning og reinforcement learning. Samtidig angiver deres sikkerhedsdokumentation, at eksterne AI‑udbydere kontraktligt er forbudt at beholde kundedata eller bruge dem til at træne deres egne modeller.

Da en executive‑assistant kan have adgang til kalendere, e‑mails, rejseplaner og potentielt følsomme virksomhedsoplysninger, får sikkerhed betydeligt større betydning, når et AI‑system kan udføre handlinger i stedet for blot at generere tekst. Catch oplyser, at de er SOC 2 Type II‑overensstemmende, samt CASA Tier‑2 og Google‑verificering, og krypterer lagrede og overførte data, mens de bruger granulære tilladelser for tilsluttede tjenester.

Grundlæggere med baggrund i AI og venture‑investering

Virksomheden blev grundlagt af to ledere, som gik til den administrative udfordring fra forskellige vinkler.

CEO Nir Sabato tilbragte tidligere flere år med at investere i Entrée Capital, hvor han fokuserede på områder som kunstig intelligens og virksomhedsteknologi. Før han gik ind i venturekapital, havde han strategiske roller hos Fiverr og BLEND. Catch siger, at Sabatos erfaring med at arbejde sammen med grundlæggere hjalp med at afsløre, hvor meget værdifuld ledelsestid der stadig blev brugt på relativt rutinepræget koordineringsarbejde.

CTO Yoav Ramon har derimod brugt mere end et årti på at arbejde med maskinlæringssystemer. Hans baggrund omfatter tale‑ og sprogteknologi hos Hi Auto samt at have tjent som CTO for sundheds‑AI‑virksomheden Nym, hvor teams implementerede store sprogmodeller i regulerede sundheds‑miljøer.

Den kombination er relevant, fordi opbygning af en administrativ agent kræver mere end en effektiv chatbot. Systemet skal forstå præferencer, opretholde kontekst på tværs af interaktioner, interagere med ekstern software og afgøre, hvornår det har tilstrækkelig sikkerhed til at handle.

Agentisk AI’s næste slagmark kan være almindeligt arbejde

Catch træder ind på et hurtigt voksende marked for agentisk AI, men dens større betydning kan komme fra, hvor snævert den har defineret problemet.

Mange AI‑virksomheder forsøger at skabe stadig mere generelle agenter, der kan udføre dusinvis eller hundreder af typer arbejde. Catch tager den modsatte tilgang: de fokuserer på et relativt begrænset domæne og forsøger at gøre systemet så pålideligt, at brugerne faktisk holder op med selv at udføre disse opgaver.

Det kan blive et vigtigt mønster for den næste fase af enterprise‑AI.

De mest kommercielt nyttige agenter vil måske ikke i første omgang være autonome digitale medarbejdere, der kan udføre enhver opgave. De kan i stedet opstå som højt specialiserede systemer, der forstår én arbejds­kategori dybt nok til at blive betroet gradvist større myndighed.

Ledelsesadministration giver en afslørende test. Planlægning af møder, håndtering af rejser og koordinering af e‑mail kan lyde trivielt sammenlignet med kodning eller videnskabelig forskning, men disse arbejdsgange kræver, at AI interagerer med rigtige mennesker, forstår ufuldstændige instruktioner, husker individuelle præferencer og træffer beslutninger, der har virkelige konsekvenser.

Hvis systemer som Catch kan håndtere disse arbejdsgange pålideligt, går betydningen ud over at spare ledere et par timer. Det vil demonstrere, at AI‑agenter begynder at krydse grænsen mellem at generere nyttig information og påtage sig ansvaret for at få arbejdet udført.

Den nye $5 million seed‑runde giver Catch yderligere kapital til at teste, om den overgang kan skaleres.