Interloom Raises $16.5M to Bring “Memory” to Enterprise AI Agents

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

Diese Lücke steht im Mittelpunkt der Interloom’s neuesten Finanzierungs- Ankündigung. Das in München ansässige Startup hat 16,5 Millionen Dollar in einer Seed-Runde aufgebracht, die von DN Capital angeführt wird, mit Beteiligung von Bek Ventures und Air Street Capital. Das Unternehmen konzentriert sich auf den Bau einer Plattform, die aufzeichnet, wie Teams tatsächlich operieren, und diese Kenntnisse in etwas umwandelt, das AI-Systeme zuverlässig nutzen können.

Da Unternehmen AI tiefer in ihre Kernworkflows integrieren, wird die Herausforderung deutlicher. AI kann Anweisungen befolgen, Informationen zusammenfassen und Ausgaben generieren, aber oft fehlt der Kontext, der für konsistente Entscheidungen in chaotischen, realen Umgebungen erforderlich ist. 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-Agents, um über eng definierte Aufgaben hinauszugehen. Sie können assistieren, aber sie können nicht unabhängig mit Zuversicht operieren.

Interloom versucht, dies zu lösen, indem es eine sogenannte persistente Speicherschicht einführt. Anstatt auf statische Anweisungen zu vertrauen, lernt die Plattform kontinuierlich von der Art und Weise, wie Teams reale betriebliche Fälle lösen. Im Laufe der Zeit baut sie ein kontinuierlich sich entwickelndes Modell davon auf, wie Entscheidungen im gesamten Unternehmen 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 signifikant. 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 aufzeichnet, indem er die tatsächliche Arbeit beobachtet, während sie passiert.

Dies bedeutet, dass das System nicht auf das beschränkt ist, was Teams denken, dass 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-Agents, auf der Grundlage von Präzedenzfällen und nicht von Annahmen zu handeln. 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 wieder verwendbar sind.

Eine weitere Implikation ist die Erhaltung von institutionellem Wissen. Wenn erfahrene Mitarbeiter das Unternehmen verlassen, verschwindet ein großer Teil ihrer Expertise normalerweise mit ihnen. Indem Interloom aufzeichnet, wie diese Personen komplexe Situationen gehandhabt haben, zielt das Unternehmen darauf ab, dieses Wissen zu bewahren und es für zukünftige Teams und Systeme zugänglich 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 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 beinhalten. Dies macht es schwierig, sie mit herkömmlichen Ansätzen zu automatisieren, die auf starren Workflows basieren.

Indem Interlooms Plattform Millionen von betrieblichen Fällen verarbeitet, soll sie Muster in der Art und Weise aufdecken, 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 einen umfassenderen Wandel in der Art und Weise hin, wie Enterprise-AI wahrscheinlich evolviert. Frühe Wellen der Automatisierung konzentrierten sich auf strukturierte Prozesse und klar definierte Aufgaben. Jüngere Fortschritte im Bereich generativer AI erweiterten das, was Maschinen verstehen und produzieren konnten. Die nächste Phase dürfte durch die Fähigkeit von AI-Systemen definiert werden, Kontext über die Zeit hinweg zu integrieren.

Wenn AI-Agents innerhalb von Organisationen mehr Verantwortung übernehmen sollen, benötigen sie etwas, das organisatorischem Gedächtnis näher kommt. Ohne es werden sogar die fortschrittlichsten Modelle auf das Assistenzen beschränkt bleiben. Mit ihm beginnt die Grenze zwischen menschlichem Entscheiden 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 aufzeichnet und wiederverwendet, könnte zu einem mächtigen Wettbewerbsvorteil werden, aber es wirft auch Herausforderungen in Bezug auf Transparenz, Voreingenommenheit und Kontrolle auf. Wenn AI-Systeme auf vergangenen Entscheidungen trainiert werden, können sie bestehende Muster – sowohl gute als auch schlechte – verstärken.

Gleichzeitig könnte die Fähigkeit, betriebliches Wissen im großen Maßstab zu kodifizieren und wiederzuverwenden, die Art und Weise verändern, wie Organisationen über Expertenwissen nachdenken. Anstatt in Individuen oder Teams konzentriert zu sein, wird Wissen zu einem gemeinsamen Vermögen, das sich im Laufe der Zeit entwickelt. 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 möglicherweise nicht allein durch bessere Modelle, sondern durch bessere Systeme für die Aufzeichnung und Anwendung realer Kenntnisse definiert wird. Ob diese Vision sich als skalierbar erweist, bleibt abzuwarten, aber die Richtung wird immer deutlicher: Um AI über das Assistenzen hinaus zu bringen und in die Ausführung zu überführen, kann Gedächtnis ebenso wichtig sein wie Intelligenz.