Interloom lève 16.5 millions de dollars pour intégrer la « mémoire » aux agents d'IA d'entreprise

Les agents d'IA d'entreprise deviennent de plus en plus performants, mais une limitation majeure continue de les freiner : ils ne se souviennent pas vraiment de la façon dont le travail est effectué au sein d'une organisation.

Cet écart se situe au centre de Interloom's derniers financements annonceLa startup munichoise a levé 16.5 millions de dollars lors d'un tour de table d'amorçage mené par DN Capital, avec la participation de Entreprise Bek Ventures Capitale de la rue aérienneL'entreprise se concentre sur la création d'une plateforme qui capture le fonctionnement réel des équipes et transforme ces connaissances en informations utilisables de manière fiable par les systèmes d'IA.

À mesure que les entreprises intègrent l'IA plus profondément dans leurs processus métiers, le défi se précise. L'IA peut suivre des instructions, synthétiser des informations et générer des résultats, mais elle manque souvent du contexte nécessaire pour prendre des décisions cohérentes dans des environnements complexes et réels. Une grande partie de ce contexte n'est consignée nulle part ; elle repose sur des cas antérieurs, des discussions internes et le jugement d'employés expérimentés.

La couche manquante de l'IA d'entreprise

La plupart des organisations partent du principe que leurs processus sont bien documentés, mais en pratique, c'est souvent le contraire. Les connaissances opérationnelles essentielles sont éparpillées entre les courriels, les tickets d'assistance, les outils internes et les flux de travail informels. Même lorsqu'elle existe, la documentation a tendance à être en décalage avec la réalité ou à simplifier à l'extrême le processus décisionnel.

Cela pose un problème majeur pour l'adoption de l'IA. Sans accès à ces connaissances implicites, les agents d'IA peinent à dépasser le cadre de tâches restreintes et prédéfinies. Ils peuvent apporter leur aide, mais ils ne peuvent pas opérer de manière autonome et avec assurance.

Interloom tente de résoudre ce problème en introduisant ce qu'elle décrit comme une couche de mémoire persistante. Au lieu de s'appuyer sur des instructions statiques, la plateforme apprend directement de la manière dont les équipes résolvent des cas opérationnels réels. Au fil du temps, elle construit un modèle évolutif du processus décisionnel au sein de l'organisation, permettant ainsi aux humains comme aux systèmes d'IA de se référer aux résultats passés.

De la documentation statique aux systèmes vivants

Le changement proposé par Interloom est subtil mais significatif. Les systèmes d'entreprise traditionnels reposent fortement sur la documentation, les flux de travail et les règles définis à l'avance. L'approche d'Interloom va à l'encontre de cette approche, en capturant les connaissances a posteriori par l'observation du travail réel en temps réel.

Cela signifie que le système ne se limite pas aux attentes des équipes, mais reflète la réalité. Les décisions prises sous pression, les exceptions gérées manuellement et les solutions de contournement mises au point au fil du temps alimentent une mémoire opérationnelle en constante évolution.

En pratique, cela permet Agents d'IA Il s'agit d'agir en se basant sur les précédents plutôt que sur des suppositions. Au lieu de trouver des réponses isolément, les entreprises peuvent fonder leurs actions sur des cas similaires déjà résolus. Pour les employés, cela réduit également la nécessité de redécouvrir des solutions, puisque les décisions antérieures deviennent instantanément accessibles et réutilisables.

Une autre implication est la préservation du savoir institutionnel. Lorsque des employés expérimentés quittent l'entreprise, une grande partie de leur expertise disparaît généralement avec eux. En documentant la manière dont ces personnes ont géré des situations complexes, Interloom vise à conserver ce savoir et à le mettre à la disposition des équipes et des systèmes futurs.

Traction précoce dans les industries complexes

Bien qu'encore à ses débuts, Interloom collabore déjà avec de grandes entreprises, telles que Zurich Insurance et Volkswagen. Ces environnements constituent un terrain d'expérimentation idéal pour la plateforme, car ils impliquent un volume important de décisions complexes et contextuelles.

Dans des secteurs comme l'assurance, l'industrie et les services financiers, les processus suivent rarement un ensemble de règles simples. Chaque cas peut impliquer de multiples variables, exceptions et dépendances entre systèmes. C'est pourquoi leur automatisation par les approches traditionnelles, qui reposent sur des flux de travail rigides, s'avère complexe.

En traitant des millions de dossiers opérationnels, la plateforme d'Interloom est conçue pour identifier les tendances dans la prise de décision et les exploiter afin d'améliorer la rapidité et la cohérence des processus. Le nouvel agent « Chef de cabinet » de l'entreprise s'appuie sur cette approche en visant à coordonner les flux de travail entre les systèmes, plutôt que de se contenter d'exécuter des tâches isolées.

Quelles conséquences pour l'avenir de l'IA en entreprise ?

L'émergence de systèmes comme Interloom témoigne d'une évolution plus profonde de l'IA en entreprise. Les premières vagues d'automatisation se concentraient sur des processus structurés et des tâches clairement définies. Les progrès plus récents en IA générative ont élargi le champ des possibles en matière de compréhension et de production des machines. La prochaine étape pourrait être définie par la capacité des systèmes d'IA à intégrer le contexte au fil du temps.

Pour que les agents d'IA assument davantage de responsabilités au sein des organisations, ils auront besoin d'une mémoire organisationnelle. Sans elle, même les modèles les plus avancés resteront cantonnés à un rôle d'assistance plutôt qu'à l'exécution. Grâce à elle, la frontière entre la prise de décision humaine et l'exécution par la machine s'estompe.

Cela soulève également de nouvelles questions quant à la gestion et à la gouvernance des connaissances internes des entreprises. Un système qui capture et réutilise en continu les décisions pourrait constituer un atout concurrentiel majeur, mais il pose aussi des problèmes de transparence, de biais et de contrôle. Si les systèmes d'IA sont entraînés sur des décisions passées, ils risquent de renforcer les comportements existants, qu'ils soient positifs ou négatifs.

Dans le même temps, la capacité à encoder et à réutiliser à grande échelle les connaissances opérationnelles pourrait transformer la conception de l'expertise au sein des organisations. Au lieu d'être concentrée entre les mains d'individus ou d'équipes, la connaissance devient un atout partagé qui évolue au fil du temps. Ceci pourrait faciliter l'automatisation dans des domaines qui y ont historiquement résisté, notamment ceux qui requièrent jugement et expérience.

Interloom's Cette approche suggère que l'avenir de l'IA en entreprise ne dépendra pas uniquement de meilleurs modèles, mais aussi de meilleurs systèmes de capture et d'application des connaissances du monde réel. Reste à savoir si cette vision sera applicable à grande échelle, mais une idée se dessine de plus en plus clairement : pour que l'IA passe du stade de l'assistance à celui de l'exécution, la mémoire pourrait être tout aussi importante que l'intelligence.