Quill erhält 6,5 Millionen US-Dollar, um einen souveränen “Chief of AI Staff” aufzubauen

Da sich AI-Tools im Arbeitsplatz vermehren, entsteht ein neues Problem. Fachleute führen ihre Arbeit nicht mehr nur aus. Sie verwalten eine wachsende Flotte von AI-Assistenten für Schreiben, Forschung, Coding, Dokumentation und Kommunikation. Die Tools teilen selten Kontext und verstehen selten, wie jemand tatsächlich arbeitet.

Quill glaubt, dass das fehlende Element die Konversation ist.

Das Unternehmen hat 6,5 Millionen US-Dollar in Seed-Finanzierung aufgenommen, um seine Plattform zu erweitern und Quilliam zu starten, einen souveränen Chief of AI Staff, der darauf ausgelegt ist, AI-Tools mithilfe von Kontexten zu koordinieren, die direkt aus Meetings und Diskussionen stammen. Die Runde wurde von Basis Set Ventures angeführt, mit Beteiligung von 500 Global, Naval Ravikant, Morado Ventures, und AME Cloud Ventures.

Am Anfang, wo die Arbeit tatsächlich stattfindet

Quill begann als lokales Transkriptions-Tool für Meetings, das auf die Erhaltung von Gesprächsprotokollen ausgerichtet war. Durch die direkte Verarbeitung von Audio auf dem Gerät des Benutzers und die Strukturierung von Zusammenfassungen und Aufgaben aus Diskussionen versuchte es, die Lücke zwischen dem, was gesagt wurde, und dem, was als Nächstes geschehen musste, zu schließen. Im Laufe der Zeit erweiterte sich das Produkt über die Notizenerfassung hinaus und behielt eine kontinuierliche Schicht von Kontextgedächtnis, das aus diesen Interaktionen abgeleitet wurde.

Die zugrunde liegende Prämisse ist, dass Konversationen, anstatt isolierte Dokumente, möglicherweise eine genauere Grundlage für das Verständnis bieten, wie Arbeit in der Praxis abläuft.

Von Notizenerfassung zu Koordination

Quilliam erweitert diese Grundlage, anstatt sie zu ersetzen. Während frühere Iterationen auf die Erfassung und Strukturierung von Konversationen ausgerichtet waren, überträgt die neuere Schicht diesen Kontext in andere Systeme mithilfe des Model Context Protocol.

Anstatt bei der Transkription zu stoppen, kann das System mit Dokumentationsplattformen, Task-Managern und anderen Tools interagieren. Eine Produktbesprechung kann beispielsweise in aktualisierte Projektnotizen oder neu erstellte Tickets übersetzt werden. Bevor ein Kundenmeeting stattfindet, können vorherige Austausche aufgerufen werden, um Kontinuität wiederherzustellen.

Der Schwerpunkt liegt auf der Koordination. Da AI-Tools in Schreib-, Planungs- und Analyse-Workflows eingebettet werden, operieren Fachleute zunehmend in fragmentierten Systemen, die kein gemeinsames Gedächtnis haben. Quilliam versucht, diese Fragmentierung zu reduzieren, indem es kontextuelle Kontinuität über Umgebungen hinweg aufrechterhält, anstatt ein weiteres isoliertes Tool einzuführen.

Architektur und Datenkontrolle

Die Plattform ist so konzipiert, dass die Datenlokalisierung und die Inferenzkontrolle im Vordergrund stehen.

Die Audio-Transkription läuft standardmäßig auf dem Gerät des Benutzers und kein Audio wird extern übertragen, es sei denn, die Synchronisierung ist aktiviert. Wenn die Cloud-Synchronisierung aktiviert ist, ist sie von Ende zu Ende verschlüsselt und unverschlüsselter Inhalt ist nicht für den Dienst zugänglich. Benutzer können bestimmen, wo die Inferenz stattfindet, entweder durch Unternehmens-Cloud-Anbieter, die für Null-Content-Logging konfiguriert sind, oder durch vollständig lokale Modelle, die für Offline- oder Air-Gap-Umgebungen geeignet sind.

Benutzerdaten werden nicht für die Modellierung verwendet. Integrationen und Workflows sind konfigurierbar, sodass Organisationen die Bereitstellungen an interne Compliance-Anforderungen anpassen können, einschließlich Datenresidenz und regulatorischen Einschränkungen. Für Teams, die eine strenge Isolation erfordern, kann das System ohne externe Netzwerkanrufe betrieben werden.

Zusammen behandeln diese architektonischen Entscheidungen die Inferenzortung und die Datenbehandlung als anpassbare Parameter und nicht als feste Annahmen.

Ein Schritt in Richtung kontextbewusster Arbeitsinfrastruktur

Diese Kategorie von Software spiegelt eine breitere Verschiebung wider, wie digitale Arbeit strukturiert werden könnte.

Traditionelle Produktivitätstools drehen sich um Dokumente, Tickets und Dashboards. AI-Systeme haben diesem Modell größtenteils gefolgt und generieren Ausgaben aus Prompten und Dateien. Konversationen, obwohl viele Entscheidungen dort entstehen, sind locker strukturiert und schwer in operative Systeme zu integrieren.

Wenn Diskussionen strukturiert, durchsuchbar und persistent werden, beginnen sie, als institutionelles Gedächtnis zu fungieren. Meetings sind nicht mehr isolierte Ereignisse, sondern Eingaben in kontinuierliche Workflows. Die Grenze zwischen Diskussion und Ausführung wird weniger deutlich.

Die Auswirkungen gehen über die Notizenerfassung hinaus. Kontextbewusste Systeme können beeinflussen, wie Organisationen Entscheidungen dokumentieren, Wissen verwalten, Compliance angehen und Mitarbeiter einstellen. Da AI in den täglichen Betrieb integriert wird, werden Entscheidungen über Datenlokalisierung und Inferenzkontrolle zu grundlegenden Designüberlegungen.

Wenn die erste Phase von AI die Generierung betont hat, könnte die nächste Phase Kontinuität und Kontext betonen.