Catch Muncul dari Stealth dengan Pendanaan Seed $5 Juta untuk Membangun Asisten Eksekutif AI Otonom

Catch telah muncul dari stealth dengan pendanaan seed sebesar $5 juta untuk mengembangkan asisten AI agentik yang dirancang mengambil alih pekerjaan administratif yang menyerap sebagian besar waktu seorang eksekutif.

Putaran pendanaan ini dipimpin bersama oleh Entrée Capital dan Pitango, dengan partisipasi dari Seedcamp dan Factorial Capital. Alih‑alih membangun alat AI lain yang hanya merangkum email atau merekomendasikan apa yang harus dilakukan pengguna selanjutnya, Catch mencoba hal yang lebih sulit: memungkinkan eksekutif mendelegasikan seluruh tugas administratif kepada perangkat lunak dan menyelesaikannya.

Didirikan oleh Nir Sabato dan Yoav Ramon, Catch secara khusus fokus pada administrasi eksekutif, termasuk penjadwalan, manajemen email, perjalanan, tindak lanjut, konflik kalender, pengingat, dan panggilan telepon keluar. Perusahaan menyatakan bahwa sistemnya telah menjadwalkan lebih dari 12.000 pertemuan, menangani lebih dari 200.000 email, dan menyelesaikan lebih dari 20.000 tugas yang didelegasikan.

Menggerakkan AI dari Bantuan ke Delegasi

Perbedaan antara membantu menyelesaikan tugas dan benar‑benar menyelesaikannya telah menjadi salah satu tantangan utama yang dihadapi AI agentik.

Model bahasa besar sudah dapat merangkum kotak masuk, menulis draf email, menyarankan penerbangan, atau menentukan kapan dua orang tersedia. Namun mengubah kemampuan individual tersebut menjadi sistem yang dapat secara andal berkoordinasi dengan orang lain, memperbarui kalender, membuat reservasi, dan menindaklanjuti ketika situasi berubah memerlukan lapisan eksekusi yang jauh lebih mendalam.

Catch dibangun di sekitar kesenjangan itu.

Alih‑alih meminta pengguna mengonfigurasi alur kerja atau membangun agen mereka sendiri, sistem ini terhubung ke alat yang sudah digunakan eksekutif. Situs web Catch menunjukkan dukungan untuk layanan seperti Gmail, Outlook, Google Calendar, Slack, WhatsApp, iMessage, dan telepon, memungkinkan pengguna berkomunikasi dengan asisten layaknya berkomunikasi dengan asisten eksekutif manusia.

Setelah terhubung, sistem mengembangkan pemahaman tentang preferensi seperti kebiasaan rapat, prioritas kalender, dan kebutuhan perjalanan. Catch menyatakan bahwa ia kemudian dapat bertindak secara proaktif. Misalnya, pertemuan yang dibatalkan dapat memicu penjadwalan ulang, sementara perjalanan yang akan datang dapat membuat asisten mengidentifikasi pengaturan hotel yang belum lengkap alih‑alih menunggu perintah eksplisit.

Ini merupakan pergeseran penting dalam cara produk AI dirancang. Alih‑alih membuat antarmuka lain yang harus dikelola eksekutif, Catch berusaha menghilang ke dalam saluran komunikasi dan perangkat lunak yang sudah mereka gunakan.

Otonomi tidak berarti bertindak tanpa batas

Masalah yang lebih sulit pada agen administratif bukan apakah model AI dapat memahami permintaan, melainkan menentukan kapan perangkat lunak harus bertindak secara otonom dan kapan manusia harus tetap terlibat.

Catch tampaknya mengambil pendekatan berlapis.

Untuk pekerjaan administratif rutin, tujuannya adalah meminimalkan persetujuan yang tidak perlu. Namun tindakan dengan konsekuensi finansial atau konsekuensi penting lainnya dapat memerlukan konfirmasi. Dalam alur kerja perjalanan perusahaan, misalnya, Catch dapat menafsirkan ringkasan perjalanan, membandingkan penerbangan dan hotel dengan batasan, serta menyusun itinerary, namun pengguna memberikan persetujuan eksplisit sebelum pemesanan diselesaikan.

Demikian pula, produk inbox Catch dapat menyeleksi pesan dan menyiapkan draf balasan berdasarkan gaya penulisan pengguna sebelumnya, sementara alur kerja saat ini tetap melibatkan pengguna sebelum pesan tertentu dikirim.

Batasan itu mungkin menjadi kunci bagi adopsi AI agentik. Otonomi penuh terdengar menarik, namun dalam praktiknya bisnis cenderung mengadopsi agen secara bertahap, memperluas wewenangnya seiring sistem menunjukkan kemampuan membuat keputusan yang dapat diandalkan dalam domain yang jelas.

Pekerjaan administratif dapat menjadi medan uji yang sangat berguna karena menggabungkan tugas berulang dengan keputusan kontekstual yang cukup untuk menguji apakah sistem AI dapat melampaui otomatisasi sederhana.

Catch Membangun AI Khusus di Bawah Asisten

Di balik antarmuka percakapan, Catch juga mengembangkan arsitektur AI miliknya sendiri alih‑alih bergantung sepenuhnya pada model dasar yang bersifat umum.

Perusahaan menggambarkan sistem “splinter agents” yang memiliki ruang lingkup sempit, di mana masing‑masing agen hanya diberikan akses pada informasi yang diperlukan untuk tugas tertentu. Ideanya adalah mengurangi jumlah konteks sensitif yang terpapar selama eksekusi sekaligus meningkatkan latensi dan keandalan.

Catch menyatakan bahwa data interaksi yang dianonimkan dapat digunakan untuk meningkatkan modelnya melalui pembelajaran terawasi dan pembelajaran penguatan. Pada saat yang sama, dokumentasi keamanan mereka menyebutkan bahwa penyedia AI eksternal dilarang secara kontrak menyimpan data pelanggan atau menggunakannya untuk melatih model mereka sendiri.

Karena asisten eksekutif dapat mengakses kalender, email, rencana perjalanan, dan informasi perusahaan yang berpotensi sensitif, keamanan menjadi jauh lebih penting ketika sistem AI dapat melakukan tindakan, bukan sekadar menghasilkan teks. Catch menyatakan bahwa mereka mematuhi SOC 2 Type II, serta CASA Tier-2 dan verifikasi Google, dan mengenkripsi data yang disimpan serta ditransmisikan sambil menggunakan izin granular untuk layanan yang terhubung.

Pendiri dengan Latar Belakang AI dan Investasi Ventura

Perusahaan didirikan oleh dua eksekutif yang mendekati masalah administratif dari perspektif yang berbeda.

CEO Nir Sabato sebelumnya menghabiskan beberapa tahun berinvestasi di Entrée Capital, di mana ia fokus pada bidang termasuk kecerdasan buatan dan teknologi perusahaan. Sebelum terjun ke modal ventura, ia memegang peran strategi di Fiverr dan BLEND. Catch menyatakan bahwa pengalaman Sabato bekerja dengan para pendiri membantu mengungkap berapa banyak waktu eksekutif bernilai tinggi masih dihabiskan untuk pekerjaan koordinasi yang relatif rutin.

CTO Yoav Ramon, di sisi lain, telah menghabiskan lebih dari satu dekade bekerja dengan sistem pembelajaran mesin. Latar belakangnya mencakup teknologi suara dan bahasa di Hi Auto serta menjabat sebagai CTO perusahaan AI kesehatan Nym, di mana timnya menerapkan model bahasa besar dalam lingkungan kesehatan yang diatur.

Kombinasi tersebut relevan karena membangun agen administratif memerlukan lebih dari sekadar chatbot yang efektif. Sistem harus memahami preferensi, mempertahankan konteks antar interaksi, berinteraksi dengan perangkat lunak eksternal, dan menentukan kapan ia memiliki kepercayaan yang cukup untuk bertindak.

Medan Pertempuran Selanjutnya AI Agentik Mungkin adalah Pekerjaan Biasa

Catch memasuki pasar AI agentik yang berkembang pesat, namun signifikansi yang lebih besar mungkin berasal dari seberapa sempit mereka mendefinisikan masalah tersebut.

Banyak perusahaan AI berupaya menciptakan agen yang semakin umum yang mampu melakukan puluhan atau ratusan jenis pekerjaan. Catch mengambil pendekatan sebaliknya: memusatkan pada domain yang relatif terbatas dan berusaha membuat sistem cukup andal sehingga pengguna benar‑benar berhenti melakukan tugas tersebut sendiri.

Hal itu dapat menjadi pola penting untuk tahap berikutnya dari AI perusahaan.

Agen yang paling berguna secara komersial mungkin pada awalnya bukan karyawan digital otonom yang mampu melakukan segala tugas. Sebaliknya, mereka dapat muncul sebagai sistem yang sangat khusus yang memahami satu kategori pekerjaan secara mendalam sehingga dapat dipercaya dengan wewenang yang semakin besar.

Administrasi eksekutif menawarkan uji coba yang mengungkapkan. Penjadwalan pertemuan, pengelolaan perjalanan, dan koordinasi email mungkin terdengar biasa dibandingkan dengan pemrograman atau riset ilmiah, namun alur kerja ini memerlukan AI berinteraksi dengan orang nyata, memahami instruksi yang tidak lengkap, mengingat preferensi individu, dan membuat keputusan yang memiliki konsekuensi dunia nyata.

Jika sistem seperti Catch dapat secara andal menangani alur kerja tersebut, signifikansinya melampaui sekadar menghemat beberapa jam bagi eksekutif. Hal itu akan menunjukkan bahwa agen AI mulai melintasi batas antara menghasilkan informasi berguna dan mengambil tanggung jawab untuk menyelesaikan pekerjaan.

Putaran seed baru sebesar $5 juta memberikan Catch tambahan modal untuk menguji apakah transisi tersebut dapat diskalakan.