Interloom lève 16,5 millions de dollars pour apporter la « mémoire » aux agents d’IA d’entreprise

Les agents d’IA d’entreprise deviennent de plus en plus capables, 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.

Ce fossé est au centre de l’annonce de financement la plus récente d’Interloom. Le startup basé à Munich a levé 16,5 millions de dollars dans le cadre d’un cycle de financement initial mené par DN Capital, avec la participation de Bek Ventures et Air Street Capital. L’entreprise se concentre sur la création d’une plateforme qui capture la façon dont les équipes fonctionnent réellement et transforme ces connaissances en quelque chose que les systèmes d’IA peuvent utiliser de manière fiable.

À mesure que les entreprises poussent l’IA plus profondément dans leurs flux de travail essentiels, le défi devient plus clair. L’IA peut suivre des instructions, résumer des informations et générer des sorties, mais elle manque souvent du contexte nécessaire pour prendre des décisions cohérentes dans des environnements réels complexes. Une grande partie de ce contexte n’est pas écrite nulle part – il existe dans les cas passés, les discussions internes et les décisions prises par des employés expérimentés.

La couche manquante dans l’IA d’entreprise

La plupart des organisations supposent que leurs processus sont bien documentés, mais dans la pratique, le contraire est souvent vrai. Les connaissances opérationnelles critiques sont dispersées dans les e-mails, les tickets de support, les outils internes et les flux de travail informels. Même lorsque la documentation existe, elle a tendance à être en retard par rapport à la réalité ou à simplifier à l’extrême la façon dont les décisions sont réellement prises.

Ceci crée un problème majeur pour l’adoption de l’IA. Sans accès à ces connaissances implicites, les agents d’IA luttent pour aller au-delà des tâches étroites et prédéfinies. Ils peuvent assister, mais ils ne peuvent pas fonctionner de manière indépendante avec confiance.

Interloom tente de résoudre ce problème en introduisant ce qu’il décrit comme une couche de mémoire persistante. Au lieu de s’appuyer sur des instructions statiques, la plateforme apprend de la façon dont les équipes résolvent de vrais cas opérationnels. Au fil du temps, elle construit un modèle en constante évolution de la façon dont les décisions sont prises au sein de l’organisation, permettant aux humains et aux systèmes d’IA de se référer à des résultats passés comme guide.

De la documentation statique aux systèmes vivants

Le changement que propose Interloom est subtil mais significatif. Les systèmes d’entreprise traditionnels dépendent fortement de la documentation, des flux de travail et des règles définies à l’avance. L’approche d’Interloom va dans le sens opposé, en capturant les connaissances après les faits en observant le travail réel tel qu’il se déroule.

Ceci signifie que le système n’est pas limité à ce que les équipes pensent qu’il devrait se passer, mais reflète plutôt ce qui se passe réellement. Les décisions prises sous pression, les exceptions gérées manuellement et les solutions de contournement développées au fil du temps font toutes partie d’une mémoire opérationnelle en constante évolution.

Dans la pratique, cela permet aux agents d’IA d’agir en fonction de précédents plutôt que d’hypothèses. Au lieu de générer des réponses en isolement, ils peuvent ancrer leurs actions dans des cas similaires qui ont déjà été résolus. Pour les employés, cela réduit également le besoin de redécouvrir des solutions, puisque les décisions antérieures deviennent instantanément accessibles et réutilisables.

Une autre implication est la préservation des connaissances institutionnelles. Lorsque des employés expérimentés quittent l’entreprise, une grande partie de leur expertise disparaît généralement avec eux. En capturant la façon dont ces individus ont géré des situations complexes, Interloom vise à conserver ces connaissances et à les rendre disponibles pour les équipes et les systèmes futurs.

Des débuts prometteurs dans des industries complexes

Bien que toujours en début de cycle de vie, Interloom travaille déjà avec de grandes entreprises, notamment Zurich Insurance (ZURN.SW ) et Volkswagen. Ces environnements offrent un test clair pour la plateforme, car ils impliquent des volumes importants de décisions complexes et dépendantes du contexte.

Dans des secteurs tels que l’assurance, la fabrication et les services financiers, les processus ne suivent rarement un ensemble simple de règles. Chaque cas peut impliquer de multiples variables, exceptions et dépendances entre systèmes. Cela les rend difficiles à automatiser en utilisant des approches traditionnelles, qui s’appuient sur des flux de travail rigides.

En traitant des millions de cas opérationnels, la plateforme d’Interloom est conçue pour découvrir des modèles dans la façon dont ces décisions sont prises et les utiliser pour améliorer à la fois la vitesse et la cohérence. L’agent « Chief of Staff » nouvellement introduit s’appuie sur cela en visant à coordonner les flux de travail entre les systèmes, plutôt que d’exécuter simplement des tâches isolées.

Ce que cela signifie pour l’avenir de l’IA dans l’entreprise

L’émergence de systèmes comme Interloom pointe vers un changement plus large dans la façon dont l’IA d’entreprise est susceptible d’évoluer. Les premières vagues d’automatisation se sont concentrées sur des processus structurés et des tâches clairement définies. Les progrès récents de l’IA générative ont élargi ce que les machines pouvaient comprendre et produire. La prochaine phase peut être définie par la façon dont les systèmes d’IA peuvent incorporer le contexte au fil du temps.

Si les agents d’IA doivent prendre plus de responsabilités au sein des organisations, ils auront besoin de quelque chose qui ressemble à une mémoire organisationnelle. Sans cela, même les modèles les plus avancés resteront limités à l’assistance plutôt qu’à l’exécution. Avec cela, la frontière entre la prise de décision humaine et l’exécution machine commence à s’estomper.

Ceci soulève également de nouvelles questions sur la façon dont les entreprises gèrent et régissent leurs connaissances internes. Un système qui capture et réutilise continuellement des décisions pourrait devenir un avantage concurrentiel puissant, mais il introduit également des défis en termes de transparence, de biais et de contrôle. Si les systèmes d’IA sont formés sur des décisions passées, ils peuvent renforcer les modèles existants – tant bons que mauvais.

En même temps, la capacité à encoder et à réutiliser les connaissances opérationnelles à grande échelle pourrait redéfinir la façon dont les organisations pensent l’expertise. Au lieu d’être concentrée chez des individus ou des équipes, la connaissance devient un actif partagé qui évolue au fil du temps. Cela pourrait abaisser les barrières à l’automatisation dans des domaines qui ont historiquement résisté, en particulier ceux qui nécessitent du jugement et de l’expérience.

L’approche d’Interloom suggère que l’avenir de l’IA d’entreprise peut ne pas être défini uniquement par de meilleurs modèles, mais par de meilleurs systèmes pour capturer et appliquer les connaissances du monde réel. Que cette vision se révèle scalable ou non reste à voir, mais la direction devient de plus en plus claire : pour que l’IA aille au-delà de l’assistance et vers l’exécution, la mémoire peut être tout aussi importante que l’intelligence.