Quill lève 6,5 millions de dollars pour construire un « Chef d’état-major de l’IA » souverain

Alors que les outils d’IA se multiplient sur le lieu de travail, un nouveau problème émerge. Les professionnels ne font plus seulement leur travail. Ils gèrent une flotte croissante d’assistants d’IA pour la rédaction, la recherche, la programmation, la documentation et la communication. Les outils partagent rarement le contexte et comprennent rarement comment quelqu’un travaille réellement.

Quill pense que l’ingrédient manquant est la conversation.

L’entreprise a levé 6,5 millions de dollars en financement initial pour étendre sa plate-forme et lancer Quilliam, un Chef d’état-major de l’IA souverain conçu pour coordonner les outils d’IA en utilisant le contexte tiré directement des réunions et des discussions. Le tour a été mené par Basis Set Ventures, avec la participation de 500 Global, Naval Ravikant, Morado Ventures, et AME Cloud Ventures.

Commencer là où le travail se déroule réellement

Quill a commencé comme un outil de transcription de réunions local-first axé sur la conservation des enregistrements conversationnels. En traitant l’audio directement sur l’appareil de l’utilisateur et en structurant les résumés et les éléments d’action à partir des discussions, il a cherché à réduire l’écart entre ce qui a été dit et ce qui devait se passer ensuite. Au fil du temps, le produit s’est étendu au-delà de la capture de notes pour maintenir une couche continue de mémoire contextuelle dérivée de ces interactions.

Le principe sous-jacent est que la conversation, plutôt que les documents autonomes, peut offrir une base plus précise pour comprendre comment le travail se déroule dans la pratique.

De la prise de notes à la coordination

Quilliam étend cette base plutôt que de la remplacer. Alors que les précédentes itérations se concentraient sur la capture et la structuration des conversations, la nouvelle couche transporte ce contexte dans d’autres systèmes via le Protocole de contexte de modèle.

Plutôt que de s’arrêter à la transcription, le système peut interagir avec les plateformes de documentation, les gestionnaires de tâches et d’autres outils. Une discussion de produit peut se traduire par des notes de projet mises à jour ou de nouveaux tickets créés. Avant une réunion avec un client, les échanges précédents peuvent être affichés pour restaurer la continuité.

L’accent est mis sur la coordination. À mesure que les outils d’IA sont intégrés dans les flux de travail d’écriture, de planification et d’analyse, les professionnels opèrent de plus en plus sur des systèmes fragmentés qui manquent de mémoire partagée. Quilliam tente de réduire cette fragmentation en maintenant la continuité contextuelle à travers les environnements plutôt que d’introduire un autre outil isolé.

Architecture et contrôle des données

La conception de la plate-forme place la localité des données et le contrôle des inférences au premier plan.

La transcription audio s’exécute par défaut sur l’appareil de l’utilisateur, et aucun audio n’est transmis à l’extérieur à moins que la synchronisation ne soit activée. Lorsque la synchronisation cloud est activée, elle est chiffrée de bout en bout, et le contenu non chiffré n’est pas accessible au service. Les utilisateurs peuvent déterminer où se produisent les inférences, que ce soit via des fournisseurs de cloud d’entreprise configurés pour un enregistrement de contenu nul ou via des modèles entièrement locaux adaptés aux environnements hors ligne ou isolés.

Les données utilisateur ne sont pas utilisées pour la formation de modèles. Les intégrations et les flux de travail sont configurables, permettant aux organisations d’aligner les déploiements sur les exigences de conformité internes, y compris la résidence des données et les contraintes réglementaires. Pour les équipes nécessitant une isolation stricte, le système peut fonctionner sans appels de réseau externes.

Ensemble, ces décisions d’architecture traitent l’emplacement de l’inférence et la gestion des données comme des paramètres ajustables plutôt que des hypothèses fixes.

Un virage vers une infrastructure de travail consciente du contexte

Ce type de logiciel reflète un changement plus large dans la façon dont le travail numérique peut être structuré.

Les outils de productivité traditionnels tournent autour de documents, de tickets et de tableaux de bord. Les systèmes d’IA ont largement suivi ce modèle, générant des sorties à partir de invites et de fichiers. La conversation, malgré le fait qu’elle est souvent à l’origine de nombreuses décisions, est restée peu structurée et difficile à intégrer dans les systèmes opérationnels.

Lorsque les discussions deviennent structurées, recherchables et persistantes, elles commencent à fonctionner comme une mémoire institutionnelle. Les réunions ne sont plus des événements isolés mais des entrées dans des flux de travail continus. La frontière entre discussion et exécution devient moins distincte.

Les implications vont au-delà de la capture de notes. Les systèmes conscients du contexte peuvent influencer la façon dont les organisations documentent les décisions, gèrent les connaissances, traitent la conformité et forment les employés. À mesure que l’IA s’intègre dans les opérations quotidiennes, les choix concernant la localité des données et le contrôle des inférences deviennent des considérations de conception fondamentales.

Si la première phase de l’IA a mis l’accent sur la génération, la suivante peut mettre l’accent sur la continuité et le contexte.