Catch nousee varjosta 5 miljoonan dollarin siemenrahoituksella rakentaakseen autonomisen AI-toimitusavustajan

Catch on noussut varjosta 5 miljoonan dollarin siemenrahoituksen avulla laajentaakseen agenttipohjaista AI‑avustajaa, joka on suunniteltu ottamaan haltuun hallinnollinen työ, joka vie merkittävän osan johtajan päivästä.

Rahoituskierrosta johti yhdessä Entrée Capital ja Pitango, ja siihen osallistuivat Seedcamp sekä Factorial Capital. Sen sijaan, että rakennettaisiin toinen AI‑työkalu, joka tiivistää sähköposteja tai suosittelee käyttäjän seuraavaa toimenpidettä, Catch pyrkii johonkin vaikeampaan: antamaan johtajille mahdollisuuden delegoida kokonaisia hallinnollisia tehtäviä ohjelmistolle ja saada ne suoritettua.

Nir Sabato ja Yoav Ramon perustama Catch keskittyy erityisesti johtajien hallintoon, mukaan lukien aikataulutus, sähköpostien hallinta, matkat, seurantatoimet, kalenteriristiriidat, muistutukset ja ulospäin suuntautuvat puhelut. Yritys kertoo, että sen järjestelmä on jo aikatauluttanut yli 12 000 kokousta, käsitellyt yli 200 000 sähköpostia ja suorittanut yli 20 000 delegoitua tehtävää.

Tekoälyn siirtäminen avustamisesta delegointiin

Ero avustamisen ja tehtävän varsinaisen suorittamisen välillä on noussut yhdeksi agenttipohjaisen tekoälyn keskeisistä haasteista.

Suuret kielimallit voivat jo tiivistää postilaatikon, laatia sähköpostin, ehdottaa lentoja tai selvittää, milloin kaksi henkilöä ovat saatavilla. Näiden yksittäisten kykyjen muuttaminen järjestelmäksi, joka pystyy luotettavasti koordinoimaan toisen henkilön kanssa, päivittämään kalenterin, tekemään varauksen ja seuraamaan tilanteen muutoksia, edellyttää paljon syvempää toteutustasoa.

Catch on rakennettu juuri tätä aukkoa varten.

Sen sijaan, että käyttäjiltä pyydettäisiin määrittämään työnkulkuja tai rakentamaan omia agenteja, järjestelmä yhdistyy työkaluihin, joita johtajat jo käyttävät. Catchin verkkosivusto näyttää tuen palveluille kuten Gmail, Outlook, Google Calendar, Slack, WhatsApp, iMessage ja puhelin, mikä mahdollistaa käyttäjien kommunikoida avustajan kanssa samalla tavalla kuin he kommunikoisivat ihmisenä toimivan johtajan assistentin kanssa.

Kun yhteys on muodostettu, järjestelmä kehittää ymmärryksen mieltymyksistä, kuten kokouskäytännöistä, kalenterin prioriteeteista ja matkavaatimuksista. Catchin mukaan se voi sitten toimia ennakoivasti. Esimerkiksi peruutettu kokous voi käynnistää uudelleenaikataulutuksen, kun taas tuleva matka voi saada avustajan havaitsemaan puuttuvat hotellivaraukset sen sijaan, että odotettaisiin erillistä kehotusta.

Tämä edustaa merkittävää muutosta tekoälytuotteiden suunnittelussa. Sen sijaan, että luotaisiin uusi käyttöliittymä, jonka johtajien täytyy hallita, Catch pyrkii sulautumaan viestintäkanaviin ja ohjelmistoihin, joita he jo käyttävät.

Autonomia ei tarkoita toimimista ilman rajoja

Hallinnollisten agenttien vaikeampi ongelma ei ole se, pystyykö AI‑malli ymmärtämään pyynnön. Kyse on sen määrittämisestä, milloin ohjelmiston tulisi toimia itsenäisesti ja milloin ihmisen tulee pysyä mukana.

Catch näyttää käyttävän kerrospohjaista lähestymistapaa.

Rutiininomaisessa hallinnollisessa työssä tavoitteena on minimoida tarpeettomat hyväksynnät. Mutta taloudellisia tai muita merkittäviä seurauksia aiheuttavat toimet voivat vaatia vahvistuksen. Yrityksen matkatyönkulussa Catch esimerkiksi voi tulkita matkatiedot, vertailla lentoja ja hotelleja rajoitteiden perusteella sekä koontia matkaohjelman, mutta käyttäjä antaa nimenomaisen hyväksynnän ennen varauksen loppuun saattamista.

Samoin Catchin postilaatikkotuote voi priorisoida viestejä ja laatia vastauksia käyttäjän aikaisemman kirjoitustyylin perusteella, mutta sen nykyinen työnkulku pitää käyttäjän mukana ennen kuin tietyt viestit lähetetään.

Tämä raja voi osoittautua ratkaisevaksi agenttipohjaisen tekoälyn omaksumisessa. Täysi autonomia kuulostaa houkuttelevalta, mutta käytännössä yritykset todennäköisesti ottavat agentteja käyttöön vaiheittain, laajentaen niiden valtuuksia sitä mukaa, kun järjestelmät osoittavat pystyvänsä tekemään luotettavia päätöksiä selkeästi määritellyissä alueissa.

Hallinnollinen työ voi olla erityisen hyödyllinen testialusta, koska se yhdistää toistuvat tehtävät riittävään kontekstuaaliseen päätöksentekoon, jonka avulla voidaan testata, pystyvätkö AI‑järjestelmät ylittämään pelkän automaation.

Catch rakentaa erikoistunutta tekoälyä avustajan taustalle

Keskustelukäyttöliittymän takana Catch kehittää myös omaa tekoälyarkkitehtuuriaan sen sijaan, että luottaisi yksinomaan yleiskäyttöiseen perustamalliin.

Yritys kuvaa järjestelmää, jossa on kapeasti määritellyt “splinter agents”, joille yksittäiset agentit saavat pääsyn vain tiettyyn tehtävään tarvittaviin tietoihin. Ideana on vähentää suorituksen aikana paljastuvan arkaluonteisen kontekstin määrää sekä parantaa viiveitä ja luotettavuutta.

Catchin mukaan anonymisoitua vuorovaikutustietoa voidaan käyttää omien mallien parantamiseen valvotun oppimisen ja vahvistusoppimisen avulla. Samanaikaisesti sen turvallisuusdokumentaatio kertoo, että ulkopuoliset AI‑toimittajat on sopimuksellisesti kielletty säilyttämästä asiakastietoja tai käyttämästä niitä omien mallien kouluttamiseen.

Koska johtajan assistentti voi päästä käsiksi kalentereihin, sähköposteihin, matkasuunnitelmiin ja mahdollisesti arkaluonteisiin yritystietoihin, turvallisuus nousee merkittävästi tärkeämmäksi, kun AI‑järjestelmä voi suorittaa toimia pelkän tekstin tuottamisen sijaan. Catch ilmoittaa olevan SOC 2 Type II -yhteensopiva, sekä CASA Tier‑2 ja Google‑vahvistus, ja se salaa tallennetut ja siirretyt tiedot käyttäen hienojakoisia oikeuksia yhdistetyille palveluille.

Perustajilla on taustaa tekoälyn ja riskipääoman parissa

Yritys perustettiin kahden johtajan toimesta, jotka lähestyivät hallinnollista ongelmaa eri näkökulmista.

Toimitusjohtaja Nir Sabato vietti aiemmin useita vuosia sijoittaen Entrée Capitalissa, jossa hän keskittyi aloihin kuten tekoälyyn ja yritysteknologiaan. Ennen riskipääomaan siirtymistään hän toimi strategiatehtävissä Fiverrissä ja BLENDissä. Catchin mukaan Sabaton kokemus perustajien kanssa työskentelystä auttoi paljastamaan, kuinka paljon arvokasta johtajien aikaa kului edelleen melko rutiininomaiseen koordinaatiotyöhön.

Toimitusjohtaja Yoav Ramon on puolestaan työskennellyt yli vuosikymmenen koneoppimisjärjestelmien parissa. Hänen taustansa sisältää puhe‑ ja kieliteknologian Hi Autossa sekä CTO:n roolin terveydenhuollon AI‑yritys Nymissä, jossa tiimit ottoivat käyttöön suuria kielimalleja säännellyissä terveydenhuollon ympäristöissä.

Tämä yhdistelmä on merkityksellinen, koska hallinnollisen agentin rakentaminen vaatii enemmän kuin tehokkaan chatbotin. Järjestelmän on ymmärrettävä mieltymykset, ylläpidettävä kontekstia vuorovaikutusten välillä, oltava vuorovaikutuksessa ulkoisen ohjelmiston kanssa ja päätettävä, milloin sillä on riittävästi varmuutta toimia.

Agenttipohjaisen tekoälyn seuraava taistelukenttä saattaa olla tavallinen työ

Catch astuu nopeasti laajenevalle agenttipohjaiselle tekoälymarkkinalle, mutta sen suurempi merkitys voi johtua siitä, kuinka kapeasti se on määritellyt ongelman.

Monet AI‑yritykset pyrkivät luomaan yhä yleisempiä agenteja, jotka kykenevät suorittamaan kymmeniä tai satoja työn tyyppejä. Catch puolestaan valitsee päinvastaisen lähestymistavan: keskittyen melko rajoitettuun alueeseen ja pyrkien tekemään järjestelmästä niin luotettavan, että käyttäjät lopettavat itse näiden tehtävien suorittamisen.

Tämä voi muodostua tärkeäksi malliksi yritystason tekoälyn seuraavassa vaiheessa.

Kaupallisesti hyödyllisimmät agentit eivät välttämättä aluksi ole autonomisia digitaalisia työntekijöitä, jotka pystyvät suorittamaan mitä tahansa tehtävää. Ne voivat sen sijaan nousta esiin erittäin erikoistuneina järjestelminä, jotka ymmärtävät yhden työn kategorian niin syvällisesti, että niihin voidaan luottaa yhä suuremmalla valtuutuksella.

Johtajien hallinto tarjoaa valaisevan testin. Kokousten aikatauluttaminen, matkojen hallinta ja sähköpostin koordinointi saattavat kuulostaa tavallisilta verrattuna koodaukseen tai tieteelliseen tutkimukseen, mutta nämä työnkulut edellyttävät tekoälyn vuorovaikutusta oikeiden ihmisten kanssa, puutteellisten ohjeiden ymmärtämistä, yksilöllisten mieltymysten muistamista ja päätöksiä, joilla on todellisia seurauksia.

Jos Catchin kaltaiset järjestelmät voivat luotettavasti hoitaa nämä työnkulut, merkitys ulottuu pelkkien muutamien tuntien säästämisen yli. Se osoittaisi, että AI‑agentit alkavat ylittää rajan hyödyllisen tiedon tuottamisen ja työn toteuttamisen vastuullisuuden välillä.

Uusi 5 miljoonan dollarin siemenrahoituskierros antaa Catchille lisäpääomaa testatakseen, voiko tämä siirtymä skaalautua.