Interloom recauda 16.5 millones de dólares para incorporar la función de "memoria" a los agentes de IA empresariales.

Los agentes de IA empresariales son cada vez más capaces, pero una limitación importante sigue frenándolos: no recuerdan realmente cómo se realiza el trabajo dentro de una organización.

Esa brecha está en el centro de Interloom última financiación anuncioLa startup con sede en Múnich ha recaudado 16.5 millones de dólares en una ronda de financiación inicial liderada por DN Capital, con participación de Empresas Bek y el Capital de Air StreetLa empresa se centra en crear una plataforma que capture cómo operan realmente los equipos y convierta ese conocimiento en algo que los sistemas de IA puedan utilizar de forma fiable.

A medida que las empresas integran la IA en sus flujos de trabajo principales, el desafío se hace más evidente. La IA puede seguir instrucciones, resumir información y generar resultados, pero a menudo carece del contexto necesario para tomar decisiones coherentes en entornos complejos y reales. Gran parte de ese contexto no está documentado; reside en casos anteriores, discusiones internas y el criterio de empleados con experiencia.

La capa que falta en la IA empresarial

La mayoría de las organizaciones dan por sentado que sus procesos están bien documentados, pero en la práctica, suele ocurrir lo contrario. El conocimiento operativo fundamental se encuentra disperso en correos electrónicos, tickets de soporte, herramientas internas y flujos de trabajo informales. Incluso cuando existe documentación, esta tiende a estar desfasada con respecto a la realidad o a simplificar en exceso la forma en que se toman las decisiones.

Esto supone un grave problema para la adopción de la IA. Sin acceso a este conocimiento implícito, los agentes de IA tienen dificultades para ir más allá de tareas limitadas y predefinidas. Pueden brindar asistencia, pero no pueden operar de forma independiente con seguridad.

Interloom intenta solucionar este problema mediante lo que denomina una capa de memoria persistente. En lugar de basarse en instrucciones estáticas, la plataforma aprende directamente de cómo los equipos resuelven casos operativos reales. Con el tiempo, crea un modelo en constante evolución sobre cómo se toman las decisiones en toda la organización, lo que permite que tanto los humanos como los sistemas de IA utilicen resultados anteriores como guía.

De la documentación estática a los sistemas vivos

El cambio que propone Interloom es sutil pero significativo. Los sistemas empresariales tradicionales dependen en gran medida de la documentación, los flujos de trabajo y las reglas definidas de antemano. El enfoque de Interloom va en la dirección opuesta, capturando el conocimiento a posteriori mediante la observación del trabajo real a medida que se desarrolla.

Esto significa que el sistema no se limita a lo que los equipos creen que debería suceder, sino que refleja lo que realmente sucede. Las decisiones tomadas bajo presión, las excepciones gestionadas manualmente y las soluciones alternativas desarrolladas con el tiempo se convierten en parte de una memoria operativa en constante crecimiento.

En la práctica, esto permite Agentes de inteligencia artificial Actuar basándose en precedentes en lugar de suposiciones. En vez de generar respuestas de forma aislada, pueden fundamentar sus acciones en casos similares que ya se han resuelto. Para los empleados, esto también reduce la necesidad de redescubrir soluciones, ya que las decisiones previas se vuelven accesibles y reutilizables al instante.

Otra implicación es la preservación del conocimiento institucional. Cuando los empleados experimentados se marchan, gran parte de su experiencia suele desaparecer con ellos. Al registrar cómo estas personas gestionaron situaciones complejas, Interloom busca conservar ese conocimiento y ponerlo a disposición de futuros equipos y sistemas.

Primeros avances en industrias complejas

Aunque aún se encuentra en una fase temprana de su desarrollo, Interloom ya colabora con grandes empresas, como Zurich Insurance y Volkswagen. Estos entornos constituyen un caso de prueba idóneo para la plataforma, dado el elevado volumen de decisiones complejas y dependientes del contexto.

En sectores como los seguros, la manufactura y los servicios financieros, los procesos rara vez siguen un conjunto simple de reglas. Cada caso puede involucrar múltiples variables, excepciones y dependencias entre sistemas. Esto dificulta su automatización mediante enfoques tradicionales, que se basan en flujos de trabajo rígidos.

Mediante el procesamiento de millones de casos operativos, la plataforma de Interloom está diseñada para descubrir patrones en la toma de decisiones y utilizarlos para mejorar tanto la velocidad como la coherencia. El nuevo agente "Jefe de Gabinete" de la compañía se basa en este enfoque, ya que busca coordinar los flujos de trabajo entre sistemas, en lugar de simplemente ejecutar tareas aisladas.

Qué significa esto para el futuro de la IA en la empresa.

La aparición de sistemas como Interloom apunta a un cambio más amplio en la probable evolución de la IA empresarial. Las primeras oleadas de automatización se centraron en procesos estructurados y tareas claramente definidas. Los avances más recientes en IA generativa ampliaron la capacidad de comprensión y producción de las máquinas. La siguiente fase podría definirse por la capacidad de los sistemas de IA para incorporar el contexto a lo largo del tiempo.

Si los agentes de IA van a asumir mayor responsabilidad dentro de las organizaciones, necesitarán algo más parecido a la memoria organizacional. Sin ella, incluso los modelos más avanzados se limitarán a brindar asistencia en lugar de operar. Con ella, la frontera entre la toma de decisiones humanas y la ejecución de máquinas comienza a desdibujarse.

Esto también plantea nuevas preguntas sobre cómo las empresas gestionan y gobiernan su conocimiento interno. Un sistema que capture y reutilice continuamente las decisiones podría convertirse en una poderosa ventaja competitiva, pero también introduce desafíos en torno a la transparencia, los sesgos y el control. Si los sistemas de IA se entrenan con decisiones pasadas, pueden reforzar los patrones existentes, tanto positivos como negativos.

Al mismo tiempo, la capacidad de codificar y reutilizar el conocimiento operativo a gran escala podría transformar la concepción que tienen las organizaciones sobre la experiencia. En lugar de concentrarse en individuos o equipos, el conocimiento se convierte en un activo compartido que evoluciona con el tiempo. Esto podría reducir las barreras a la automatización en áreas que históricamente se han resistido a ella, especialmente aquellas que requieren criterio y experiencia.

Interloom Este enfoque sugiere que el futuro de la IA empresarial no se definirá únicamente por mejores modelos, sino por mejores sistemas para capturar y aplicar el conocimiento del mundo real. Aún está por verse si esta visión es escalable, pero la conclusión es cada vez más clara: para que la IA vaya más allá de la asistencia y se centre en la ejecución, la memoria puede ser tan importante como la inteligencia.