Interloom Mengumpulkan $16,5M untuk Membawa “Memori” ke Agen AI Perusahaan

Agen AI perusahaan menjadi lebih mampu, tetapi satu keterbatasan besar terus menghambat mereka: mereka tidak benar-benar mengingat bagaimana pekerjaan dilakukan di dalam sebuah organisasi.

Gap itu berada di pusat pengumuman pendanaan terbaru Interloom. Startup yang berbasis di Munich ini telah mengumpulkan $16,5 juta dalam putaran pendanaan awal yang dipimpin oleh DN Capital, dengan partisipasi dari Bek Ventures dan Air Street Capital. Perusahaan ini fokus membangun platform yang menangkap bagaimana tim benar-benar beroperasi dan mengubah pengetahuan itu menjadi sesuatu yang sistem AI dapat gunakan dengan andal.

Ketika perusahaan mendorong AI lebih dalam ke alur kerja inti mereka, tantangan menjadi lebih jelas. AI dapat mengikuti instruksi, merangkum informasi, dan menghasilkan output, tetapi seringkali kekurangan konteks yang dibutuhkan untuk membuat keputusan konsisten di lingkungan dunia nyata yang kompleks. Sebagian besar konteks itu tidak tertulis di mana-mana – itu ada di kasus sebelumnya, diskusi internal, dan keputusan yang diambil oleh karyawan berpengalaman.

Lapisan yang Hilang dalam AI Perusahaan

Sebagian besar organisasi menganggap proses mereka sudah terdokumentasi dengan baik, tetapi dalam prakteknya, sebaliknya sering terjadi. Pengetahuan operasional yang kritis tersebar di seluruh email, tiket dukungan, alat internal, dan alur kerja informal. Bahkan ketika dokumentasi ada, cenderung tertinggal dari kenyataan atau menyederhanakan bagaimana keputusan benar-benar dibuat.

Hal ini menciptakan masalah besar bagi adopsi AI. Tanpa akses ke pengetahuan implisit ini, agen AI berjuang untuk melampaui tugas yang sempit dan telah ditentukan sebelumnya. Mereka dapat membantu, tetapi tidak dapat beroperasi secara mandiri dengan kepercayaan diri.

Interloom mencoba memecahkan ini dengan memperkenalkan apa yang mereka sebut sebagai lapisan memori yang persisten. Alih-alih mengandalkan instruksi statis, platform ini belajar dari bagaimana tim menyelesaikan kasus operasional yang sebenarnya. Dengan waktu, itu membangun model yang terus berkembang tentang bagaimana keputusan dibuat di seluruh organisasi, memungkinkan baik manusia maupun sistem AI untuk merujuk pada hasil sebelumnya sebagai panduan.

Dari Dokumentasi Statis ke Sistem yang Hidup

Perubahan yang diusulkan Interloom halus tetapi signifikan. Sistem perusahaan tradisional sangat bergantung pada dokumentasi, alur kerja, dan aturan yang ditentukan sebelumnya. Pendekatan Interloom bergerak ke arah yang berlawanan, menangkap pengetahuan setelah fakta dengan mengamati pekerjaan yang sebenarnya terjadi.

Hal ini berarti sistem ini tidak terbatas pada apa yang tim pikir seharusnya terjadi, tetapi sebaliknya mencerminkan apa yang sebenarnya terjadi. Keputusan yang diambil di bawah tekanan, pengecualian yang ditangani secara manual, dan solusi yang dikembangkan selama waktu semua menjadi bagian dari memori operasional yang terus berkembang.

Dalam prakteknya, ini memungkinkan agen AI untuk bertindak berdasarkan preseden daripada asumsi. Alih-alih menghasilkan jawaban dalam isolasi, mereka dapat membumikan tindakan mereka dalam kasus serupa yang telah diselesaikan sebelumnya. Bagi karyawan, ini juga mengurangi kebutuhan untuk menemukan kembali solusi, karena keputusan sebelumnya menjadi tersedia dan dapat digunakan kembali secara instan.

Implikasi lainnya adalah pelestarian pengetahuan institusional. Ketika karyawan berpengalaman meninggalkan, sebagian besar keahlian mereka biasanya menghilang bersama mereka. Dengan menangkap bagaimana individu tersebut menangani situasi yang kompleks, Interloom bertujuan untuk mempertahankan pengetahuan itu dan membuatnya tersedia untuk tim dan sistem di masa depan.

Tarikan Awal di Industri yang Kompleks

Meskipun masih awal dalam siklus hidupnya, Interloom sudah bekerja dengan perusahaan besar, termasuk Zurich Insurance (ZURN.SW ) dan Volkswagen. Lingkungan ini menyediakan kasus uji yang jelas untuk platform, karena melibatkan volume besar keputusan yang bergantung pada konteks dan kompleks.

Dalam sektor seperti asuransi, manufaktur, dan jasa keuangan, proses jarang mengikuti set aturan sederhana. Setiap kasus dapat melibatkan banyak variabel, pengecualian, dan ketergantungan di seluruh sistem. Ini membuatnya sulit untuk diotomatisasi menggunakan pendekatan tradisional, yang bergantung pada alur kerja yang kaku.

Dengan memproses jutaan kasus operasional, platform Interloom dirancang untuk mengungkap pola dalam bagaimana keputusan dibuat dan menggunakannya untuk meningkatkan baik kecepatan dan konsistensi. Agen “Kepala Staf” yang baru diperkenalkan membangun pada ini dengan bertujuan untuk mengkoordinasikan alur kerja di seluruh sistem, bukan hanya menjalankan tugas yang terisolasi.

Apa yang Ini Berarti untuk Masa Depan AI di Perusahaan

Munculnya sistem seperti Interloom menunjukkan perubahan yang lebih luas dalam bagaimana AI perusahaan kemungkinan akan berkembang. Gelombang awal otomatisasi fokus pada proses terstruktur dan tugas yang jelas didefinisikan. Kemajuan terbaru dalam AI generatif memperluas apa yang mesin bisa pahami dan produksi. Fase berikutnya mungkin didefinisikan oleh seberapa baik sistem AI dapat menggabungkan konteks dari waktu ke waktu.

Jika agen AI akan mengambil tanggung jawab yang lebih besar di dalam organisasi, mereka akan membutuhkan sesuatu yang lebih dekat dengan memori organisasional. Tanpa itu, bahkan model yang paling maju akan tetap terbatas pada membantu daripada beroperasi. Dengan itu, batas antara pengambilan keputusan manusia dan eksekusi mesin mulai kabur.

Ini juga mengangkat pertanyaan baru tentang bagaimana perusahaan mengelola dan mengatur pengetahuan internal mereka. Sistem yang terus menangkap dan menggunaka kembali keputusan bisa menjadi keunggulan kompetitif yang kuat, tetapi juga memperkenalkan tantangan sekitar transparansi, bias, dan kontrol. Jika sistem AI dilatih pada keputusan sebelumnya, mereka mungkin memperkuat pola yang sudah ada – baik yang baik maupun yang buruk.

Pada saat yang sama, kemampuan untuk mengkodekan dan menggunaka kembali pengetahuan operasional dalam skala besar bisa mengubah cara organisasi berpikir tentang keahlian. Alih-alih terkonsentrasi pada individu atau tim, pengetahuan menjadi aset bersama yang berkembang dari waktu ke waktu. Ini bisa menurunkan hambatan untuk otomatisasi di area yang secara historis telah menolaknya, terutama mereka yang memerlukan penilaian dan pengalaman.

Pendekatan Interloom menunjukkan bahwa masa depan AI perusahaan mungkin tidak ditentukan semata-mata oleh model yang lebih baik, tetapi oleh sistem yang lebih baik untuk menangkap dan mengaplikasikan pengetahuan dunia nyata. Apakah visi itu terbukti dapat diskalakan masih belum terlihat, tetapi arahnya menjadi semakin jelas: untuk AI melampaui asisten dan menuju eksekusi, memori mungkin sama pentingnya dengan kecerdasan.