Interloom recauda $16.5M para llevar “memoria” a los agentes de inteligencia artificial empresarial

Los agentes de inteligencia artificial empresarial están volviéndose más capaces, pero una limitación importante sigue reteniéndolos: no recuerdan verdaderamente cómo se realiza el trabajo dentro de una organización.

Esta brecha está en el centro del anuncio de financiamiento más reciente de Interloom. La startup con sede en Múnich ha recaudado $16.5 millones en una ronda de semilla liderada por DN Capital, con la participación de Bek Ventures y Air Street Capital. La empresa se centra en construir una plataforma que capture cómo funcionan los equipos en realidad y convierta ese conocimiento en algo que los sistemas de inteligencia artificial puedan utilizar de manera confiable.

A medida que las empresas impulsan la inteligencia artificial más profundamente en sus flujos de trabajo principales, el desafío se vuelve más claro. La inteligencia artificial puede seguir instrucciones, resumir información y generar resultados, pero a menudo carece del contexto necesario para tomar decisiones consistentes en entornos reales y desordenados. Gran parte de ese contexto no está escrito en ningún lugar: existe en casos anteriores, discusiones internas y decisiones de empleados experimentados.

La capa que falta en la inteligencia artificial empresarial

La mayoría de las organizaciones asumen que sus procesos están bien documentados, pero en la práctica, lo contrario es a menudo cierto. El conocimiento operacional crítico está disperso en correos electrónicos, tickets de soporte, herramientas internas y flujos de trabajo informales. Incluso cuando existe documentación, tiende a quedarse atrás de la realidad o a simplificar demasiado cómo se toman las decisiones en realidad.

Esto crea un problema importante para la adopción de la inteligencia artificial. Sin acceso a este conocimiento implícito, los agentes de inteligencia artificial luchan por ir más allá de tareas predefinidas y estrechas. Pueden asistir, pero no pueden operar de manera independiente con confianza.

Interloom está intentando solucionar esto introduciendo lo que describe como una capa de memoria persistente. En lugar de confiar en instrucciones estáticas, la plataforma aprende de cómo los equipos resuelven casos operativos reales. Con el tiempo, construye un modelo en constante evolución de cómo se toman las decisiones en toda la organización, lo que permite que tanto los humanos como los sistemas de inteligencia artificial consulten resultados anteriores como guía.

De la documentación estática a los sistemas vivos

El cambio que Interloom propone es sutil pero significativo. Los sistemas empresariales tradicionales dependen en gran medida de la documentación, flujos de trabajo y reglas definidas de antemano. El enfoque de Interloom se mueve en la dirección opuesta, capturando el conocimiento después de los hechos observando el trabajo real a medida que sucede.

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 manejadas manualmente y los trabajos realizados con el tiempo se convierten en parte de una memoria operativa en crecimiento.

En la práctica, esto permite que los agentes de inteligencia artificial actúen en función de precedentes en lugar de suposiciones. En lugar de generar respuestas en aislamiento, pueden basar sus acciones en casos similares que ya han sido resueltos. Para los empleados, también reduce la necesidad de redescubrir soluciones, ya que las decisiones anteriores se vuelven instantáneamente accesibles y reutilizables.

Otra implicación es la preservación del conocimiento institucional. Cuando los empleados experimentados dejan la empresa, gran parte de su experiencia típicamente desaparece con ellos. Al capturar cómo esas personas manejaron situaciones complejas, Interloom pretende retener ese conocimiento y hacerlo disponible para futuros equipos y sistemas.

Tracción temprana en industrias complejas

Aunque todavía está en las primeras etapas de su ciclo de vida, Interloom ya está trabajando con grandes empresas, incluyendo Zurich Insurance y Volkswagen. Estos entornos proporcionan un caso de prueba claro para la plataforma, ya que involucran grandes volúmenes de decisiones complejas y dependientes del contexto.

En sectores como el seguro, la fabricación 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 los hace difíciles de automatizar utilizando enfoques tradicionales, que dependen de flujos de trabajo rígidos.

Al procesar millones de casos operativos, la plataforma de Interloom está diseñada para descubrir patrones en cómo se toman esas decisiones y utilizarlos para mejorar tanto la velocidad como la consistencia. El agente “Chief of Staff” recién introducido se basa en esto al pretender coordinar flujos de trabajo entre sistemas, en lugar de simplemente ejecutar tareas aisladas.

Qué significa esto para el futuro de la inteligencia artificial en la empresa

La aparición de sistemas como Interloom apunta a un cambio más amplio en cómo es probable que evolucione la inteligencia artificial empresarial. Las primeras olas de automatización se centraron en procesos estructurados y tareas claramente definidas. Los avances más recientes en la inteligencia artificial generativa ampliaron lo que las máquinas podían entender y producir. La próxima fase puede estar definida por cómo bien los sistemas de inteligencia artificial pueden incorporar el contexto con el tiempo.

Si los agentes de inteligencia artificial van a asumir más responsabilidad dentro de las organizaciones, necesitarán algo más cercano a la memoria organizativa. Sin ella, incluso los modelos más avanzados seguirán limitados a asistir 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 decisiones podría convertirse en una ventaja competitiva poderosa, pero también introduce desafíos en torno a la transparencia, el sesgo y el control. Si los sistemas de inteligencia artificial se entrenan en decisiones pasadas, pueden reforzar patrones existentes, tanto buenos como malos.

Al mismo tiempo, la capacidad de codificar y reutilizar el conocimiento operativo a gran escala podría cambiar la forma en que las organizaciones piensan 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 la barrera para la automatización en áreas que históricamente han resistido, particularmente aquellas que requieren juicio y experiencia.

El enfoque de Interloom sugiere que el futuro de la inteligencia artificial empresarial puede no estar definido únicamente por mejores modelos, sino por mejores sistemas para capturar y aplicar conocimiento del mundo real. Ya sea que esta visión resulte escalable queda por verse, pero la dirección se vuelve cada vez más clara: para que la inteligencia artificial vaya más allá de la asistencia y hacia la ejecución, la memoria puede ser tan importante como la inteligencia.