Η Interloom Συλλέγει $16,5 Εκατ. για να Φέρει “Μνήμη” στους Πράκτορες Επιχειρηματικού AI

Οι πράκτορες επιχειρηματικού AI γίνονται όλο και πιο ικανοί, αλλά ένα σημαντικό περιορισμό συνεχίζει να τους εμποδίζει: δεν θυμάται πραγματικά πώς γίνεται η δουλειά μέσα σε μια οργάνωση.

Αυτό το κενό βρίσκεται στο κέντρο της Interloom στην τελευταία ανακοίνωση χρηματοδότησής της. Η=startup με έδρα τη Μόναχο έχει συλλέξει $16,5 εκατ. σε μια φάση σπόρου με ηγεσία από την DN Capital, με συμμετοχή από την Bek Ventures και την Air Street Capital. Η εταιρεία επικεντρώνεται στην κατασκευή μιας πλατφόρμας που καταγράφει πώς λειτουργούν οι ομάδες και μετατρέπει αυτή τη γνώση σε κάτι που τα συστήματα AI μπορούν να χρησιμοποιήσουν με αξιοπιστία.

Καθώς οι επιχειρήσεις推 đẩy το AI πιο sâu στις πυρήνες ροές εργασιών, η πρόκληση γίνεται πιο σαφής. Το AI μπορεί να ακολουθήσει οδηγίες, να συνοψίσει πληροφορίες και να παράγει εξόδους, αλλά συχνά λείπει ο контέκστ που χρειάζεται για να λάβει συνεχή αποφάσεις σε ακατάστατους, πραγματικούς περιβάλλοντες. Πολύ από αυτόν τον контέκστ δεν έχει γραφτεί πουθενά – υπάρχει σε προηγούμενες περιπτώσεις, εσωτερικές συζητήσεις και τις κρίσεις των έμπειρων υπαλλήλων.

Το Λείπων Στρώμα στους Πράκτορες Επιχειρηματικού AI

Οι περισσότερες οργανώσεις υποθέτουν ότι οι διαδικασίες τους είναι καλά τεκμηριωμένες, αλλά στην πράξη, το αντίθετο είναι συχνά αλήθεια. Κρίσιμη λειτουργική γνώση είναι σκορπισμένη σε emails, tickets υποστήριξης, εσωτερικά εργαλεία και ανεπίσημες ροές εργασιών. Ακόμη και όταν υπάρχει τεκμηρίωση, τείνει να μένει πίσω από την πραγματικότητα ή να απλοποιεί πώς οι αποφάσεις λαμβάνονται πραγματικά.

Αυτό δημιουργεί ένα μεγάλο πρόβλημα για την υιοθέτηση του AI. Χωρίς πρόσβαση σε αυτή τη σιωπηλή γνώση, οι πράκτορες AI αγωνίζονται να ξεπεράσουν στενά, προκαθορισμένα καθήκοντα. Μπορούν να βοηθήσουν, αλλά δεν μπορούν να λειτουργήσουν ανεξάρτητα με εμπιστοσύνη.

Η Interloom προσπαθεί να λύσει αυτό εισαγωγώντας αυτό που περιγράφει ως ένα στρώμα μνήμης. Αντί να βασίζεται σε στατικές οδηγίες, η πλατφόρμα μαθαίνει από το πώς οι ομάδες επιλύουν πραγματικές λειτουργικές περιπτώσεις. Με τον καιρό, κατασκευάζει ένα συνεχώς εξελισσόμενο μοντέλο του πώς οι αποφάσεις λαμβάνονται σε όλη την οργάνωση, επιτρέποντας και στους ανθρώπους και στα συστήματα AI να αναφέρουν προηγούμενες εξελίξεις ως οδηγό.

Από Στατική Τεκμηρίωση σε Ζωντανούς Συστήματα

Η μετατόπιση που προτείνει η Interloom είναι υποννοούμενη αλλά σημαντική. Παραδοσιακά επιχειρηματικά συστήματα εξαρτώνται πολύ από τεκμηρίωση, ροές εργασιών και κανόνες που ορίζονται εκ των προτέρων. Η προσέγγιση της Interloom κινείται στην αντίθετη κατεύθυνση, καταγράφοντας γνώση μετά το γεγονός, παρατηρώντας την πραγματική δουλειά καθώς συμβαίνει.

Αυτό σημαίνει ότι το σύστημα δεν περιορίζεται σε αυτό που οι ομάδες πιστεύουν ότι πρέπει να συμβεί, αλλά αντανακλά τι πραγματικά συμβαίνει. Οι αποφάσεις που λαμβάνονται υπό πίεση, οι εξαιρέσεις που χειρίζονται χειροκίνητα και οι εργασίες που αναπτύσσονται με τον καιρό γίνονταιすべて μέρος μιας αυξανόμενης λειτουργικής μνήμης.

Στην πράξη, αυτό επιτρέπει στους πράκτορες AI να ενεργούν με βάση προηγούμενες περιπτώσεις αντί για υποθέσεις. Αντί να παράγουν απαντήσεις σε απομόνωση, μπορούν να εδραιώσουν τις ενέργειές τους σε παρόμοιες περιπτώσεις που έχουν ήδη επιλυθεί. Για τους υπαλλήλους, αυτό μειώνει επίσης την ανάγκη να ξαναανακαλύψουν λύσεις,既然 προηγούμενες αποφάσεις γίνονται αμέσως προσβάσιμες και επαναχρησιμοποιήσιμες.

Μια άλλη επέκταση είναι η διατήρηση θεσμικής γνώσης. Όταν έμπειροι υπάλληλοι φεύγουν, πολύ από την εμπειρία τους εξαφανίζεται μαζί τους. Καταγράφοντας πώς αυτοί οι άνθρωποι χειρίζονταν σύνθετες καταστάσεις, η Interloom στοχεύει να διατηρήσει αυτή τη γνώση και να τη κάνει διαθέσιμη σε μελλοντικές ομάδες και συστήματα.

Πρώιμη Τraction σε Συμπλεγμένες Βιομηχανίες

Αν και ακόμη είναι νωρίς στη ζωή της, η Interloom ήδη συνεργάζεται με μεγάλες επιχειρήσεις, συμπεριλαμβανομένων Zurich Insurance και Volkswagen. Αυτά τα περιβάλλοντα παρέχουν một σαφή δοκιμαστικό για την πλατφόρμα, καθώς εμπλέκονται υψηλές ποσότητες σύνθετων, εξαρτώμενων από контέκστ αποφάσεων.

Σε τομείς όπως τα ασφαλιστικά, η производство και οι χρηματοοικονομικές υπηρεσίες, οι διαδικασίες σπάνια ακολουθούν ένα απλό σύνολο κανόνων. Κάθε περίπτωση μπορεί να εμπλέξει πολλαπλά 변수, εξαιρέσεις και εξαρτήσεις μεταξύ συστημάτων. Αυτό τα κάνει δύσκολο να αυτοματοποιηθούν με παραδοσιακές προσεγγίσεις, οι οποίες βασίζονται σε ρηχές ροές εργασιών.

Επεξεργαζόμενη εκατομμύρια λειτουργικών περιπτώσεων, η πλατφόρμα της Interloom σχεδιάζεται για να ανακαλύψει μοτίβα στο πώς λαμβάνονται αυτές οι αποφάσεις και να τα χρησιμοποιήσει για να βελτιώσει τόσο την ταχύτητα όσο και τη συνεχή απόδοση. Ο πρόσφατα εισαχθεί “Chief of Staff” agent βασίζεται σε αυτό, στοχεύοντας να συντονίσει ροές εργασιών σε διάφορα συστήματα, αντί να εκτελεί μόνο απομονωμένα καθήκοντα.

Τι Αυτό Σημαίνει για το Μέλλον του AI στις Επιχειρήσεις

Η εμφάνιση συστημάτων όπως η Interloom δείχνει μια ευρύτερη μετατόπιση στο πώς το επιχειρηματικό AI είναι πιθανό να εξελιχθεί. Οι πρώτες κυμαίες της αυτοματοποίησης εστιάζονταν σε δομημένες διαδικασίες και σαφώς ορισμένα καθήκοντα. Οι πρόσφατες προόδους στο γεννητικό AI επέκτειναν τι μπορούσαν να καταλάβουν και να παράγουν οι μηχανές. Η επόμενη φάση μπορεί να οριστεί από το πώς καλά τα συστήματα AI μπορούν να ενσωματώσουν контέκστ με τον καιρό.

Εάν οι πράκτορες AI θα αναλάβουν περισσότερη ευθύνη μέσα στις οργανώσεις, θα χρειαστούν κάτι πιο κοντά στη μνήμη της οργάνωσης. Χωρίς αυτό, ακόμη και τα πιο προηγμένα μοντέλα θα παραμείνουν περιορισμένα στην βοήθεια αντί για την εκτέλεση. Με αυτό, το όριο μεταξύ ανθρώπινης λήψης αποφάσεων και μηχανικής εκτέλεσης αρχίζει να θολώνει.

Αυτό επίσης ανακύπτει νέες ερωτήσεις σχετικά με το πώς οι εταιρείες διαχειρίζονται και κυβερνούν την εσωτερική τους γνώση. Ένα σύστημα που συνεχώς καταγράφει και επαναχρησιμοποιεί αποφάσεις μπορεί να γίνει ένα ισχυρό ανταγωνιστικό πλεονέκτημα, αλλά επίσης εισάγει προκλήσεις γύρω από τη διαφάνεια, την προκατάληψη και τον έλεγχο. Εάν τα συστήματα AI εκπαιδεύονται σε προηγούμενες αποφάσεις, μπορεί να ενισχύσουν υπάρχοντα μοτίβα – και τα καλά και τα κακά.

Ταυτόχρονα, η ικανότητα να κωδικοποιήσετε και να επαναχρησιμοποιήσετε λειτουργική γνώση σε κλίμακα μπορεί να αναμορφώσει τον τρόπο που οι οργανώσεις σκέφτονται για την εμπειρία. Αντί να είναι συγκεντρωμένη σε άτομα ή ομάδες, η γνώση γίνεται ένα κοινό περιουσιακό στοιχείο που εξελίσσεται με τον καιρό. Αυτό μπορεί να μειώσει το εμπόδιο στην αυτοματοποίηση σε περιοχές που έχουν ιστορικά αντισταθεί σε αυτό, ιδιαίτερα σε εκείνες που απαιτούν κρίση και εμπειρία.

Η προσέγγιση της Interloom υποδηλώνει ότι το μέλλον του επιχειρηματικού AI μπορεί να μην οριστεί αποκλειστικά από καλύτερα μοντέλα, αλλά από καλύτερα συστήματα για την καταγραφή και εφαρμογή πραγματικής γνώσης. Εάν αυτή η όραση αποδειχθεί κλιμακώσιμη, παραμένει να δει. Η κατεύθυνση γίνεται όλο και πιο σαφής: για το AI να ξεπεράσει την βοήθεια και να περάσει στην εκτέλεση, η μνήμη μπορεί να είναι εξίσου σημαντική με την ευφυΐα.