Interloom erhält 16,5 Millionen Dollar, um “Gedächtnis” in Enterprise-AI-Agenten zu bringen

Enterprise-AI-Agenten werden immer leistungsfähiger, aber eine große Einschränkung behindert sie weiterhin: Sie erinnern sich nicht wirklich daran, wie die Arbeit innerhalb einer Organisation erledigt wird.

Diese Lücke steht im Mittelpunkt der Interloom-Firma, die kürzlich eine Finanzierungsrunde von 16,5 Millionen Dollar in einer Seed-Runde unter der Führung von DN Capital mit Beteiligung von Bek Ventures und Air Street Capital bekannt gegeben hat. Das Unternehmen konzentriert sich auf den Aufbau einer Plattform, die erfassen kann, wie Teams tatsächlich arbeiten, und diese Kenntnisse in etwas umwandelt, das AI-Systeme zuverlässig nutzen können.

Da Unternehmen AI tiefer in ihre Kernprozesse integrieren, wird die Herausforderung immer deutlicher. AI kann Anweisungen befolgen, Informationen zusammenfassen und Ausgaben generieren, aber oft fehlt der Kontext, um konsistente Entscheidungen in komplexen, realen Umgebungen treffen zu können. Ein großer Teil dieses Kontexts ist nirgendwo schriftlich festgehalten – er existiert in vergangenen Fällen, internen Diskussionen und den Entscheidungen erfahrener Mitarbeiter.

Die fehlende Schicht in Enterprise-AI

Die meisten Organisationen gehen davon aus, dass ihre Prozesse gut dokumentiert sind, aber in der Praxis ist das Gegenteil oft der Fall. Kritische betriebliche Kenntnisse sind über E-Mails, Support-Tickets, interne Tools und informelle Workflows verstreut. Selbst wenn Dokumentationen existieren, neigen sie dazu, hinter der Realität zurückzubleiben oder zu vereinfachen, wie Entscheidungen tatsächlich getroffen werden.

Dies schafft ein großes Problem für die Einführung von AI. Ohne Zugang zu diesem impliziten Wissen kämpfen AI-Agenten darum, über eng definierte Aufgaben hinauszugehen. Sie können assistieren, aber sie können nicht mit Zuversicht unabhängig operieren.

Interloom versucht, dies zu lösen, indem es eine persistente Gedächtnisschicht einführt. Anstatt auf statische Anweisungen zu vertrauen, lernt die Plattform von der Art und Weise, wie Teams reale betriebliche Fälle lösen. Im Laufe der Zeit baut sie ein kontinuierlich evolvierendes Modell auf, wie Entscheidungen innerhalb der Organisation getroffen werden, sodass sowohl Menschen als auch AI-Systeme auf vergangene Ergebnisse als Leitfaden zurückgreifen können.

Von statischer Dokumentation zu lebendigen Systemen

Der Wandel, den Interloom vorschlägt, ist subtil, aber bedeutsam. Traditionelle Unternehmenssysteme verlassen sich stark auf Dokumentation, Workflows und Regeln, die im Voraus definiert sind. Interlooms Ansatz geht in die entgegengesetzte Richtung, indem er Kenntnisse nachträglich durch die Beobachtung realer Arbeit erfassen, wie sie passiert.

Dies bedeutet, dass das System nicht auf das beschränkt ist, was Teams denken, passieren sollte, sondern vielmehr widerspiegelt, was tatsächlich passiert. Entscheidungen, die unter Druck getroffen werden, Ausnahmen, die manuell behandelt werden, und Workarounds, die im Laufe der Zeit entwickelt werden, werden alle Teil eines wachsenden betrieblichen Gedächtnisses.

In der Praxis ermöglicht dies es AI-Agenten, auf der Grundlage von Präzedenzfällen zu handeln, anstatt Annahmen zu treffen. Anstatt Antworten in Isolation zu generieren, können sie ihre Aktionen in ähnlichen Fällen begründen, die bereits gelöst wurden. Für Mitarbeiter reduziert es auch die Notwendigkeit, Lösungen neu zu entdecken, da vorherige Entscheidungen sofort zugänglich und wiederverwendbar werden.

Eine weitere Implikation ist die Bewahrung von institutionellem Wissen. Wenn erfahrene Mitarbeiter das Unternehmen verlassen, verschwindet normalerweise ihr Fachwissen mit ihnen. Indem Interloom erfassen kann, wie diese Personen komplexe Situationen gehandhabt haben, zielt das Unternehmen darauf ab, dieses Wissen zu bewahren und für zukünftige Teams und Systeme verfügbar zu machen.

Frühe Erfolge in komplexen Branchen

Obwohl Interloom noch in den Anfängen seines Lebenszyklus ist, arbeitet das Unternehmen bereits mit großen Unternehmen wie Zurich Insurance (ZURN.SW ) und Volkswagen zusammen. Diese Umgebungen bieten einen klaren Testfall für die Plattform, da sie hohe Volumina komplexer, kontextabhängiger Entscheidungen beinhalten.

In Branchen wie Versicherungen, Fertigung und Finanzdienstleistungen folgen Prozesse selten einem einfachen Satz von Regeln. Jeder Fall kann multiple Variablen, Ausnahmen und Abhängigkeiten über Systeme hinweg umfassen. Dies macht es schwierig, sie mit herkömmlichen Ansätzen zu automatisieren, die auf starre Workflows vertrauen.

Indem Interlooms Plattform Millionen von betrieblichen Fällen verarbeitet, soll sie Muster in der Art und Weise entdecken, wie diese Entscheidungen getroffen werden, und diese nutzen, um sowohl Geschwindigkeit als auch Konsistenz zu verbessern. Das neu eingeführte “Chief of Staff”-Agenten baut darauf auf, indem es darauf abzielt, Workflows über Systeme hinweg zu koordinieren, anstatt nur isolierte Aufgaben auszuführen.

Was dies für die Zukunft von AI im Unternehmen bedeutet

Das Auftauchen von Systemen wie Interloom weist auf eine breitere Veränderung in der Art und Weise hin, wie Enterprise-AI wahrscheinlich evolvieren wird. Frühe Wellen der Automatisierung konzentrierten sich auf strukturierte Prozesse und klar definierte Aufgaben. Neuere Fortschritte in der generativen AI erweiterten das, was Maschinen verstehen und produzieren können. Die nächste Phase könnte durch die Fähigkeit von AI-Systemen definiert werden, Kontext über die Zeit hinweg zu integrieren.

Wenn AI-Agenten innerhalb von Organisationen mehr Verantwortung übernehmen sollen, benötigen sie etwas, das organisatorischem Gedächtnis ähnelt. Ohne es werden sogar die fortschrittlichsten Modelle auf das Assistenten-Level beschränkt bleiben. Mit ihm beginnt die Grenze zwischen menschlichem Entscheidungsvermögen und maschineller Ausführung zu verschwimmen.

Dies wirft auch neue Fragen über die Art und Weise auf, wie Unternehmen ihr internes Wissen verwalten und regeln. Ein System, das kontinuierlich Entscheidungen erfassen und wiederverwenden kann, könnte zu einem starken Wettbewerbsvorteil werden, aber es stellt auch Herausforderungen in Bezug auf Transparenz, Voreingenommenheit und Kontrolle. Wenn AI-Systeme auf vergangenen Entscheidungen trainiert werden, können sie bestehende Muster – sowohl gute als auch schlechte – verstärken.

Gleichzeitig könnte die Fähigkeit, betriebliches Wissen auf großem Maßstab zu kodifizieren und wiederverwendbar zu machen, die Art und Weise verändern, wie Organisationen über Fachwissen nachdenken. Anstatt in Individuen oder Teams konzentriert zu sein, wird Wissen zu einem gemeinsamen Vermögen, das im Laufe der Zeit evolviert. Dies könnte die Hürde für die Automatisierung in Bereichen senken, die historisch widerständig waren, insbesondere in denen, die Urteilsvermögen und Erfahrung erfordern.

Interlooms Ansatz legt nahe, dass die Zukunft von Enterprise-AI nicht allein durch bessere Modelle definiert werden wird, sondern durch bessere Systeme für die Erfassung und Anwendung realer Weltkenntnisse. Ob diese Vision skalierbar ist, bleibt abzuwarten, aber die Richtung wird immer deutlicher: Für AI, um über die Assistenz hinauszugehen und in die Ausführung zu gelangen, kann Gedächtnis genauso wichtig sein wie Intelligenz.