Marble Cognition lève 3,75 millions de dollars en financement de pré-amorçage pour créer des collègues IA qui apprennent en observant

La partie la plus difficile de l’automatisation du travail de bureau survient souvent avant même qu’un agent IA n’agisse pour la première fois : comprendre ce que font réellement les employés. Un processus peut passer par une boîte de réception, un tableur et plusieurs applications métier, ses exceptions étant connues de l’équipe, mais jamais consignées dans une spécification formelle. Marble Cognition a levé 3,75 millions de dollars en financement de pré-amorçage pour transformer ces connaissances opérationnelles en collègues IA.

Heartcore et Seedcamp ont codirigé le tour de financement. Selon l’annonce, parmi les investisseurs providentiels figurent un membre du conseil d’administration de Datadog, un fondateur de Personio et des dirigeants de McKinsey, Mistral AI et Lovable. L’entreprise munichoise utilisera ces fonds pour accroître sa capacité d’inférence, étoffer son équipe d’ingénierie et se lancer aux États-Unis.

L’approche de Marble commence par l’observation du travail. L’entreprise observe le déroulement des processus, transforme ces observations en cartes structurées et déploie des Marble Coworkers pour exécuter les processus ainsi définis dans les outils que les employés utilisent déjà. Les personnes restent impliquées lorsqu’un jugement ou une approbation est nécessaire.

Transformer des processus non documentés en plans d’automatisation

Même un agent capable de naviguer dans les logiciels doit savoir quels dossiers consulter, ce qui constitue une tâche achevée et à quel moment une exception doit être signalée. Il est difficile de fournir ces consignes lorsque les procédures opérationnelles réelles d’une entreprise relèvent d’habitudes, de transmissions informelles et de connaissances dispersées dans ses systèmes.

Marble mise sur la valeur croissante de ce contexte à mesure que le développement logiciel et la création d’agents deviennent plus faciles. L’avantage qu’elle entend offrir repose sur une compréhension précise du travail à automatiser : la succession des actions, les informations utilisées et les décisions qui relient chaque étape à la suivante.

L’entreprise indique que son application de bureau enregistre les écrans, les clics et les frappes au clavier dans les applications métier. À partir de ces observations, elle établit des cartes de processus structurées que les systèmes d’IA peuvent interpréter, puis crée des collègues capables d’exécuter le processus de bout en bout. Cette approche relie la découverte des processus à leur déploiement, au lieu de laisser au client le soin de transformer l’analyse d’un processus en un projet d’automatisation distinct.

« Toutes les entreprises auxquelles nous parlons veulent que l’IA prenne en charge du travail réel. Mais personne ne peut expliquer à l’IA comment ce travail est réellement effectué », a déclaré Felix Rösner, cofondateur et PDG de Marble, dans l’annonce. « Alors, nous commençons par résoudre ce problème. »

Des collègues IA qui fonctionnent avec les outils métier déjà en place

Le site web actuel du produit de Marble décrit plus concrètement son mode de fonctionnement. L’entreprise présente des collègues capables d’utiliser nativement un ordinateur et un navigateur, ce qui permet aux équipes de leur déléguer des tâches dans les environnements qu’elles utilisent déjà. Son exemple de tri des demandes de remboursement associe une requête client, une politique de remboursement et des dossiers commerciaux : le collègue classe la demande, vérifie la politique, rédige une réponse et transmet les exceptions à une personne.

Cet exemple montre pourquoi le contexte est important. Produire une réponse plausible n’est qu’une étape. Pour être utile, un collègue doit mettre en relation la demande avec les règles applicables et les informations sur le client, puis distinguer les tâches courantes des cas qui ne devraient pas être traités automatiquement.

Sur le plan opérationnel, Marble cherche à combler l’écart entre la compréhension d’un processus et son exécution. La carte du processus fournit une spécification du travail ; le collègue l’applique dans les applications métier ; et la vérification humaine maintient une étape de décision lorsque la tâche l’exige. La réussite du déploiement dépend de la capacité de cette spécification à décrire les exceptions aussi bien que le déroulement habituel.

Premiers clients et déploiement dans les services financiers

Marble indique travailler avec des licornes technologiques, des entreprises soutenues par des fonds de capital-investissement et des groupes de consolidation dans le domaine de l’IA. Parmi ses clients, elle cite EGYM, Mutares et Enam. Ces organisations constituent un terrain d’essai naturel pour un produit destiné aux opérations administratives répétitives faisant appel à de nombreux outils.

Lors d’un déploiement dans une entreprise américaine de services financiers, dont le nom n’a pas été communiqué et qui appartient à un fonds de capital-investissement, Marble affirme qu’un collègue a réduit de 90 % le temps de traitement par dossier et aidé l’équipe à traiter 50 % de dossiers supplémentaires au cours de son premier mois, sans embauches supplémentaires. Le collègue prépare des offres de règlement qu’un spécialiste doit approuver, après avoir appris le processus en observant l’équipe.

Ces chiffres sont des résultats communiqués par l’entreprise pour un déploiement particulier, et non un indicateur général de performance. Ils décrivent deux résultats distincts — le temps consacré à un dossier individuel et le volume total traité par l’équipe — et l’approbation du spécialiste reste une étape du processus.

Cet exemple met aussi en évidence l’orientation commerciale de l’entreprise. Un travail suivant une structure répétitive et comportant une limite d’approbation clairement définie peut constituer un premier domaine de déploiement pour un agent, tandis que les décisions plus ambiguës restent du ressort de l’équipe. Pour étendre cette approche, le système doit savoir reconnaître les cas qui, malgré leur apparente familiarité, sortent du cadre du processus appris.

La protection de la vie privée est au cœur de l’observation du travail

Un produit qui apprend à partir de l’activité des employés doit définir clairement les limites de la collecte et de l’accès aux données. Marble indique que son application de bureau exclut les applications privées, les onglets privés et l’activité en dehors des heures de travail. Les employés peuvent suspendre l’enregistrement, et les données sont analysées de manière agrégée plutôt que pour évaluer des individus.

L’entreprise indique également que les données recueillies sont anonymisées avant d’être consultées par une personne ou un modèle d’IA, y compris lorsque le système est déployé dans le propre environnement infonuagique d’un client. Il s’agit des mesures de protection annoncées par l’entreprise ; elles sont essentielles au fonctionnement prévu du système et ne constituent pas de simples fonctionnalités accessoires du produit.

Dans le cadre d’un déploiement en entreprise, les questions pratiques portent notamment sur les applications concernées, la manière dont les informations sensibles sont supprimées et les personnes qui peuvent accéder aux données sur les processus ainsi obtenues. Apprendre suffisamment pour reproduire un flux de travail tout en limitant la collecte superflue constitue un défi majeur d’ingénierie et de gouvernance pour ce modèle.

Un financement de pré-amorçage pour l’inférence, l’ingénierie et l’expansion aux États-Unis

Rösner et le cofondateur Christophe Schmit, directeur technique de Marble, se sont rencontrés au Centre de technologie et de gestion numériques de Munich et ont fondé la société fin 2025. Rösner a précédemment travaillé pour la société d’agents de vente IA 11x. Schmit, ancien chercheur au MIT, a précédemment travaillé chez Enam, selon le communiqué.

Le financement soutiendra les infrastructures et les travaux d’ingénierie nécessaires pour transformer les flux de travail observés en collaborateurs déployables, ainsi que le lancement de Marble aux États-Unis, prévu par l’entreprise. La participation de Seedcamp met également Marble en relation avec un investisseur qui a soutenu UiPath au début de son développement, inscrivant l’entreprise dans une lignée plus large de sociétés qui cherchent à réduire les tâches de bureau répétitives grâce aux logiciels.

Marble estime que la qualité des connaissances des processus transmises à un agent constitue un frein de plus en plus important à l’automatisation en entreprise. Ses collaborateurs IA seront évalués selon leur capacité à transformer ces connaissances en tâches accomplies de manière fiable — et à préserver le jugement humain lorsque le flux de travail l’exige.