Interloom Kerää 16,5 Miljoonaa Dollaria Tuodaaksesi “Muistiin” Enterprise AI -agentteihin

Enterprise AI -agentit ovat saavuttamassa yhä suurempaa kykyä, mutta yksi merkittävä rajoitus jatkaa heidän takaiskuaan: he eivät todella muista, miten työ tehdään organisaation sisällä.

Tämä aukko on keskiössä Interloomin viimeisimmässä rahoitusselvityksessä. Münchenissä sijaitseva startup on kerännyt 16,5 miljoonaa dollaria siemeneräisyydestä, jota johtaa DN Capital ja johon osallistuvat Bek Ventures ja Air Street Capital. Yritys on keskittynyt rakentamaan alustaa, joka tallentaa, miten tiimit tosiasiallisesti toimivat, ja muuttaa tämän tiedon joksikin, mitä AI-järjestelmät voivat käyttää luotettavasti.

Kun yritykset työntävät AI:ta syvemmälle ydinprosesseihinsa, haaste tulee selvemmäksi. AI voi seurata ohjeita, tiivistää tietoa ja tuottaa tuloksia, mutta usein se puuttuu kontekstia, jotta se voisi tehdä johdonmukaisia päätöksiä monimutkaisissa, todellisissa ympäristöissä. Suurin osa tätä kontekstia ei ole kirjoitettu mihinkään – se on olemassa menneissä tapauksissa, sisäisissä keskusteluissa ja kokeneiden työntekijöiden arvostellessa.

Enterprise AI:n Puuttuva Kerros

Useimmat organisaatiot olettavat, että prosessit ovat hyvin dokumentoituja, mutta käytännössä vastakkainen on usein totta. Kriittinen operatiivinen tietämys on hajallaan sähköposteissa, tukipyynnöissä, sisäisissä työkaluissa ja epävirallisissa prosesseissa. Vaikka dokumentaatio on olemassa, se taipuu usein jäämään todellisuuden jäljessä tai yksinkertaistamaan, miten päätökset tehdään todella.

Tämä luo suuren ongelman AI:n omaksumiselle. Ilman pääsyä tähän implisiittiseen tietämykseen AI-agentit kamppailevat siirtymisen kapeista, ennalta määritellyistä tehtävistä. Ne voivat avustaa, mutta ne eivät voi toimia itsenäisesti luottavaisesti.

Interloom yrittää ratkaista tämän ongelman esittelemällä, mitä se kutsuu pysyväksi muistiin. Sen sijaan, että se riippuisi staattisista ohjeista, alusta oppii jatkuvasti, miten tiimit ratkaisevät todellisia operatiivisia tapauksia. Ajan myötä se rakentaa jatkuvasti kehittyvän mallin siitä, miten päätökset tehdään koko organisaatiossa, sallien sekä ihmisille että AI-järjestelmille viitata aiempiin tuloksiin opastuksena.

Staattisesta Dokumentaatiosta Eläviin Järjestelmiin

Interloomin ehdottama muutos on hienovarainen mutta merkittävä. Perinteiset yritysjärjestelmät riippuvat voimakkaasti ennalta määritellyistä dokumentaatioista, prosesseista ja säännöistä. Interloomin lähestymistapa on vastakkainen: se tallentaa tietämyksen jälkikäteen havainnoimalla todellista työtä, kun se tapahtuu.

Tämä tarkoittaa, että järjestelmä ei ole rajoitettu siihen, mitä tiimit ajattelevat tapahtuvan, vaan se heijastaa sitä, mitä todella tapahtuu. Paineessa tehtyjä päätöksiä, manuaalisesti käsiteltyjä poikkeuksia ja ajan myötä kehittyneitä ratkaisuja kaikki tulevat osaksi kasvavaa operatiivista muistia.

Käytännössä tämä mahdollistaa AI-agenttien toimimisen edeltävien tapausten perusteella eikä oletusten varassa. Sen sijaan, että ne tuottaisivat vastauksia eristyneisyydessä, ne voivat perustaa toimintansa aiemmin ratkaistuihin tapauksiin. Työntekijöille se myös vähentää tarvetta uudelleen löytää ratkaisuja, koska aiemmat päätökset tulevat heti saataville ja uudelleen käytettäviksi.

Toinen implikaatio on institutionaalisen tietämyksen säilyttäminen. Kun kokeneet työntekijät lähtevät, heidän asiantuntemuksensa katoaa usein heidän mukanaan. Interloomin tavoitteena on säilyttää tämä tietämys tallentamalla, miten nämä yksilöt käsittelevät monimutkaisia tilanteita, ja tehdä se saataville tuleville tiimille ja järjestelmille.

Varhainen Vauhti Monimutkaisissa Toimialoissa

Vaikka Interloom on vielä varhaisessa vaiheessa elinkaarensa, se työskentelee jo suurten yritysten, kuten Zurich Insurance (ZURN.SW ) ja Volkswagen, kanssa. Nämä ympäristöt tarjoavat selkeän kokeilukohdeksi alustalle, koska ne sisältävät suuria määriä monimutkaisia, konteksti-riippuvaisia päätöksiä.

Toimialoilla, kuten vakuutusala, valmistus ja rahoituspalvelut, prosessit harvoin seuraavat yksinkertaista sääntöjoukkoa. Jokainen tapaus voi sisältää useita muuttujia, poikkeuksia ja riippuvuuksia järjestelmien välillä. Tämä tekee niistä haasteellisia automatisoida perinteisillä lähestymistavoilla, jotka riippuvat joustamattomista prosesseista.

Prosessoimalla miljoonia operatiivisia tapauksia Interloomin alusta on suunniteltu paljastamaan päätöksentekoprosessien taustoja ja käyttämään niitä parantaakseen sekä nopeutta että johdonmukaisuutta. Yrityksen äskettäin esitelty “Chief of Staff” -agentti perustuu tähän ja pyrkii koordinoimaan prosesseja järjestelmien välillä eikä ainoastaan suorita erillisiä tehtäviä.

Mitä Tämä Merkitsee Enterprise AI:n Tulevaisuudelle

Interloomin kaltaisten järjestelmien nousu osoittaa laajempaa muutosta siinä, miten enterprise AI on todennäköisesti kehittyvä. Varhaiset automaation aallot keskittyivät strukturoiduksiin prosesseihin ja selkeästi määritellyihin tehtäviin. Viimeaikaiset edistysaskelset generatiivisessa AI:ssa laajensivat sitä, mitä koneet voivat ymmärtää ja tuottaa. Seuraava vaihe saattaa määritellä, miten hyvin AI-järjestelmät voivat sisällyttää kontekstin ajan myötä.

Jos AI-agentit ottavat enemmän vastuuta organisaatioissa, niiden on oltava lähes organisaation muisti. Ilman sitä, jopa kehittyneimmät mallit jäävät rajoitettuksi avustamiseen eikä toimimiseen. Sen kanssa, rajat ihmisen päätöksenteon ja koneen suorittamisen välillä alkavat hävitä.

Tämä herättää myös uusia kysymyksiä siitä, miten yritykset hallinnoivat ja ohjaavat sisäistä tietämystään. Järjestelmä, joka jatkuvasti tallentaa ja uudelleen käyttää päätöksiä, voi muodostua voimakkaaksi kilpailuetuksi, mutta se myös esittää haasteita läpinäkyvyyden, puolueettomuuden ja hallinnan suhteen. Jos AI-järjestelmät koulutetaan aiempiin päätöksiin, ne voivat vahvistaa olemassa olevia malleja – sekä hyviä että huonoja.

Samaan aikaan kyky koodata ja uudelleen käyttää operatiivista tietämystä suurissa mittakaavoissa voi muokata, miten organisaatiot ajattelevat asiantuntijuudesta. Sen sijaan, että se keskitetään yksilöihin tai tiimeihin, tietämys muodostuu jaettavaksi varallisuudeksi, joka kehittyy ajan myötä. Tämä voisi alentaa esteitä automaation aloille, jotka ovat historiallisesti vastustaneet sitä, erityisesti niille, jotka vaativat arvostelukykyä ja kokemusta.

Interloomin lähestymistapa viittaa siihen, että enterprise AI:n tulevaisuus ei välttämättä määritellä ainoastaan paremmilla malleilla, vaan paremmilla järjestelmillä tallentamaan ja soveltamaan todellista maailman tietämystä. Vaikka tämä visio osoittautuu skaalautuvaksi, se on jo selvää: AI:n siirtyessä avustamisesta toimimiseen muisti voi olla yhtä tärkeä kuin älykkyys.