Interloom hæver 16,5 millioner dollars for at bringe “hukommelse” til virksomheds-AI-agenter

Virksomheds-AI-agenter bliver mere kapable, men en stor begrænsning holder dem tilbage: de husker ikke rigtigt, hvordan arbejdet bliver udført inden for en organisation.

Dette gap er i centrum af Interlooms seneste finansieringsmeddelelse. Den München-baserede startup har hævet 16,5 millioner dollars i en seed-runde ledet af DN Capital, med deltagelse fra Bek Ventures og Air Street Capital. Selskabet fokuserer på at bygge en platform, der fanger, hvordan hold faktisk opererer, og omdanner denne viden til noget, som AI-systemer kan bruge pålideligt.

Da virksomhederne skyder AI dybere ind i deres kerneprocesser, bliver udfordringen mere tydelig. AI kan følge instruktioner, sammenfatte information og generere output, men den mangler ofte den kontekst, der er nødvendig for at træffe konsekvente beslutninger i komplekse, virkelige miljøer. Meget af denne kontekst er ikke skrevet ned noget sted – den findes i tidligere sager, interne diskussioner og de erfarna medarbejderes dømmekraft.

Det manglende lag i virksomheds-AI

De fleste organisationer antager, at deres processer er godt dokumenterede, men i praksis er det ofte det modsatte. Kritisk operationel viden er spredt over emails, supportbilletter, interne værktøjer og uformelle processer. Selv når dokumentation findes, tenderer den til at være forældet eller at forenkle, hvordan beslutninger faktisk bliver truffet.

Dette skaber et stort problem for AI-adopteringsprocessen. Uden adgang til denne implicitte viden kæmper AI-agenter for at gå ud over snævre, foruddefinerede opgaver. De kan assistere, men de kan ikke operere uafhængigt med tillid.

Interloom forsøger at løse dette ved at introducere, hvad de beskriver som et varigt hukommelseslag. I stedet for at afhænge af statiske instruktioner lærer platformen fra, hvordan hold løser virkelige operationelle sager. Over tid bygger den en kontinuerligt udviklende model for, hvordan beslutninger bliver truffet på tværs af organisationen, og både mennesker og AI-systemer kan henvise til tidligere resultater som vejledning.

Fra statisk dokumentation til levende systemer

Skiftet, som Interloom foreslår, er subtilt, men betydeligt. Traditionelle virksomhedssystemer afhænger stærkt af dokumentation, processer og regler, der er defineret i forvejen. Interlooms tilgang går i den modsatte retning, idet den fanger viden efter faktum ved at observere det virkelige arbejde, mens det sker.

Dette betyder, at systemet ikke er begrænset til, hvad holdene tror, skal ske, men i stedet afspejler, hvad der faktisk sker. Beslutninger, der træffes under pres, undtagelser, der håndteres manuelt, og workaround, der udvikles over tid, bliver alle en del af en voksende operationel hukommelse.

I praksis giver dette AI-agenter mulighed for at handle på baggrund af præcedens i stedet for antagelse. I stedet for at generere svar i isolation kan de grundlægge deres handlinger i lignende sager, der allerede er løst. For medarbejdere reducerer det også behovet for at genopdage løsninger, da tidligere beslutninger bliver øjeblikkeligt tilgængelige og genbrugelige.

En anden implikation er bevarelse af institutionel viden. Når erfarna medarbejdere forlader, forsvinder meget af deres ekspertise typisk med dem. Ved at fange, hvordan disse personer håndterede komplekse situationer, sigter Interloom mod at bevare denne viden og gøre den tilgængelig for fremtidige hold og systemer.

Tidlig traction i komplekse industrier

Selv om det stadig er tidligt i dens livscyklus, arbejder Interloom allerede med store virksomheder, herunder Zurich Insurance (ZURN.SW ) og Volkswagen. Disse miljøer giver en tydelig testcase for platformen, da de involverer store mængder komplekse, kontekstafhængige beslutninger.

I sektorer som forsikring, produktion og finansielle services følger processer sjældent en simpel sæt af regler. Hver sag kan involvere multiple variabler, undtagelser og afhængigheder på tværs af systemer. Dette gør dem svære at automatisere ved hjælp af traditionelle metoder, der afhænger af stive processer.

Ved at behandle millioner af operationelle sager er Interlooms platform designet til at afsløre mønstre i, hvordan disse beslutninger bliver truffet, og bruge dem til at forbedre både hastighed og konsekvens. Selskabets nyligt introducerede “Chief of Staff”-agent bygger på dette ved at sigte mod at koordinere processer på tværs af systemer, i stedet for blot at udføre isolerede opgaver.

Hvad dette betyder for fremtiden for AI i virksomhederne

Opkomsten af systemer som Interloom peger på en bredere skift i, hvordan virksomheds-AI sandsynligvis vil udvikle sig. De tidlige bølger af automatisering fokuserede på strukturerede processer og klart definerede opgaver. Mere nylige fremskridt i generativ AI udvidede, hvad maskiner kunne forstå og producere. Den næste fase kan være defineret af, hvor godt AI-systemer kan inkorporere kontekst over tid.

Hvis AI-agenter skal påtage sig mere ansvar inden for organisationer, vil de have brug for noget, der ligner organisationens hukommelse. Uden det vil selv de mest avancerede modeller forblive begrænsede til at assistere i stedet for at operere. Med det begynder grænsen mellem menneskelig beslutningstagning og maskineeksekution at blive uklar.

Dette rejser også nye spørgsmål om, hvordan virksomheder håndterer og regulerer deres interne viden. Et system, der kontinuerligt fanger og genbruger beslutninger, kan blive en kraftfuld konkurrencemæssig fordel, men det introducerer også udfordringer omkring gennemsigtighed, bias og kontrol. Hvis AI-systemer trænes på tidligere beslutninger, kan de forstærke eksisterende mønstre – både gode og dårlige.

På samme tid kan evnen til at kodificere og genbruge operationel viden i stor målestok kunne omforme, hvordan organisationer tænker om ekspertise. I stedet for at være koncentreret i individer eller hold bliver viden en fælles aktiv, der udvikler sig over tid. Dette kan sænke barrieren for automatisering i områder, der historisk har modstået det, især de, der kræver dømmekraft og erfaring.

Interlooms tilgang antyder, at fremtiden for virksomheds-AI måske ikke blot defineres af bedre modeller, men af bedre systemer for at fange og anvende virkelige verdens viden. Om denne vision viser sig at være skalerbar, skal blot vise sig, men retningen bliver mere og mere tydelig: for AI at gå ud over assistance og ind i eksekution, kan hukommelse være lige så vigtig som intelligens.