Marble Cognition recauda 3,75 millones de dólares en una ronda presemilla para crear compañeros de trabajo de IA que aprenden observando

La parte más difícil de automatizar el trabajo de oficina suele ocurrir antes de que un agente de IA dé su primer paso: averiguar qué hacen realmente los empleados. Un flujo de trabajo puede abarcar una bandeja de entrada, una hoja de cálculo y varias aplicaciones empresariales, con excepciones que el equipo conoce, pero que nunca se han plasmado en una especificación formal. Marble Cognition ha recaudado 3,75 millones de dólares en una ronda de financiación presemilla para convertir ese conocimiento operativo en compañeros de trabajo de IA.

Heartcore y Seedcamp codirigieron la ronda. Según el anuncio, entre los inversores ángeles figuran un miembro del consejo de administración de Datadog, un fundador de Personio y directivos de McKinsey, Mistral AI y Lovable. La empresa, con sede en Múnich, destinará la financiación a ampliar su capacidad de inferencia, hacer crecer su equipo de ingeniería y lanzarse en Estados Unidos.

El enfoque de Marble parte de observar el trabajo. La empresa registra cómo se desarrollan los procesos, convierte esas observaciones en mapas estructurados y despliega Marble Coworkers para ejecutar los flujos de trabajo resultantes en las herramientas que los empleados ya utilizan. Las personas siguen participando cuando se requiere criterio o aprobación.

Convertir flujos de trabajo no documentados en un plan de automatización

Un agente capaz de navegar por programas informáticos aún necesita saber qué registros consultar, qué se considera una tarea completada y cuándo una excepción requiere escalarse. Es difícil proporcionar esas instrucciones cuando los procedimientos operativos reales de una empresa existen como hábitos, traspasos informales y conocimientos dispersos por sus sistemas.

Marble apuesta a que este contexto adquiere más valor a medida que se facilita el desarrollo de software y la creación de agentes. La ventaja que propone es comprender con precisión el trabajo que se automatiza: la secuencia de acciones, la información utilizada y las decisiones que conectan cada paso con el siguiente.

La empresa afirma que su aplicación de escritorio registra las pantallas, los clics y las pulsaciones de teclas dentro de las aplicaciones empresariales. Utiliza esas observaciones para crear mapas estructurados de procesos que los sistemas de IA pueden interpretar y, a continuación, crea compañeros de trabajo que ejecutan el proceso de principio a fin. Así conecta la identificación de los flujos de trabajo con su implementación, en lugar de dejar que el cliente traduzca el análisis de un proceso en un proyecto de automatización independiente.

«Todas las empresas con las que hablamos quieren que la IA se haga cargo del trabajo real. Pero nadie sabe explicarle cómo se hace realmente ese trabajo», afirmó Felix Rösner, cofundador y director ejecutivo de Marble, en el anuncio. «Así que primero resolvemos eso».

Compañeros de trabajo de IA que operan en las herramientas empresariales existentes

El sitio web actual del producto de Marble concreta cómo funciona la ejecución. Describe compañeros de trabajo que utilizan de forma nativa el ordenador y el navegador, lo que permite a los equipos delegar tareas en los entornos que ya usan. El ejemplo de clasificación de solicitudes de reembolso combina una petición de un cliente, una política de reembolsos y registros empresariales: el compañero de trabajo clasifica la solicitud, comprueba la política, redacta una respuesta y remite las excepciones a una persona.

Ese ejemplo muestra por qué importa el contexto. Generar una respuesta verosímil es solo un paso. Un compañero de trabajo útil debe relacionar la solicitud con las normas pertinentes y la información del cliente, y después distinguir las tareas rutinarias de los casos que no deberían tramitarse automáticamente.

En términos operativos, Marble busca cerrar la brecha entre comprender un flujo de trabajo y ejecutarlo. El mapa del proceso proporciona una especificación de la tarea; el compañero de trabajo la lleva a las aplicaciones empresariales; y la revisión humana mantiene un punto de decisión cuando la tarea lo requiere. La implementación satisfactoria depende de que esa especificación recoja tanto las excepciones como el curso habitual del proceso.

Primeros clientes e implementación en el sector de los servicios financieros

Marble afirma que trabaja con empresas tecnológicas unicornio, compañías respaldadas por fondos de capital privado y grupos de consolidación de empresas de IA, y cita entre sus clientes a EGYM, Mutares y Enam. Estas organizaciones ofrecen un entorno de pruebas idóneo para un producto dirigido a operaciones administrativas repetitivas que requieren utilizar muchas herramientas.

En una implementación en una empresa estadounidense de servicios financieros, cuyo nombre no se ha revelado y que es propiedad de un fondo de capital privado, Marble afirma que un compañero de trabajo redujo un 90 % el tiempo de gestión por caso y ayudó al equipo a gestionar un 50 % más de casos durante el primer mes, sin nuevas contrataciones. El compañero de trabajo prepara propuestas de liquidación para que las apruebe un especialista, tras haber aprendido el flujo de trabajo observando al equipo.

Esas cifras son resultados comunicados por la empresa sobre una implementación concreta, no un indicador general de rendimiento. Describen dos resultados distintos: el tiempo dedicado a cada caso y el volumen total de trabajo del equipo. Además, la aprobación del especialista sigue formando parte del proceso.

El ejemplo también apunta al enfoque comercial de la empresa. Un trabajo con una estructura repetible y un límite de aprobación claro puede ser un punto de partida para implementar un agente, mientras que las decisiones más ambiguas quedan en manos del equipo. Ampliar este enfoque requiere que el sistema reconozca cuándo un caso aparentemente conocido se sale del flujo de trabajo aprendido.

Los controles de privacidad son fundamentales para observar el trabajo

Un producto que aprende de la actividad de los empleados necesita límites claros para la recopilación de datos y el acceso a ellos. Marble afirma que su aplicación de escritorio excluye las aplicaciones privadas, las pestañas privadas y la actividad fuera del horario laboral. Los empleados pueden pausar la grabación, y el análisis se realiza de forma agregada, en lugar de utilizarse para evaluar a cada persona.

La empresa también afirma que el material capturado se anonimiza antes de que lo vea una persona o un modelo de IA, incluso en las implementaciones en la nube propia del cliente. Estas son las salvaguardas que declara la empresa; son fundamentales para el funcionamiento previsto del sistema, no características accesorias del producto.

En una implementación empresarial, las preguntas prácticas incluyen qué aplicaciones están comprendidas, cómo se elimina la información confidencial y quién puede acceder a la información resultante sobre los procesos. Aprender lo suficiente para reproducir un flujo de trabajo y, a la vez, limitar la recopilación innecesaria es un desafío fundamental de ingeniería y gobernanza para este modelo.

Capital presemilla para inferencia, ingeniería y expansión en EE. UU.

Rösner y el cofundador Christophe Schmit, CTO de Marble, se conocieron en el Centro de Tecnología Digital y Gestión de Múnich y fundaron la empresa a finales de 2025. Anteriormente, Rösner trabajó en la empresa de agentes de ventas de IA 11x. Schmit, ex investigador del MIT, trabajó anteriormente en Enam, según el comunicado.

La financiación permitirá respaldar la infraestructura y la ingeniería necesarias para convertir los flujos de trabajo observados en compañeros de trabajo con IA listos para implementar, además del lanzamiento previsto de Marble en Estados Unidos. La participación de Seedcamp también conecta a la empresa con un inversor que respaldó a UiPath en las primeras etapas de su desarrollo, y sitúa a Marble dentro de una trayectoria más amplia de empresas que buscan reducir el trabajo de oficina repetitivo mediante el software.

La propuesta de Marble es que el principal obstáculo para la automatización empresarial depende cada vez más de la calidad del conocimiento sobre los procesos que recibe un agente. Sus compañeros de trabajo con IA serán evaluados por la fiabilidad con que conviertan ese conocimiento en trabajo terminado y por su capacidad para preservar el criterio humano cuando el flujo de trabajo lo requiera.