Interloom raccoglie 16.5 milioni di dollari per portare la "memoria" negli agenti di intelligenza artificiale aziendali.

Gli agenti di intelligenza artificiale aziendali stanno diventando sempre più capaci, ma un limite importante continua a frenarne lo sviluppo: non ricordano realmente come viene svolto il lavoro all'interno di un'organizzazione.

Quel tunnel è al centro di Interloom's ultimi finanziamenti annuncioLa startup con sede a Monaco ha raccolto 16.5 milioni di dollari in un round di finanziamento iniziale guidato da DN Capital, con la partecipazione di Bek Ventures e Capitale di Air StreetL'azienda si concentra sulla creazione di una piattaforma in grado di catturare le modalità operative reali dei team e di trasformare tali conoscenze in qualcosa che i sistemi di intelligenza artificiale possano utilizzare in modo affidabile.

Man mano che le aziende integrano sempre più l'intelligenza artificiale nei loro flussi di lavoro principali, la sfida diventa più chiara. L'IA può seguire le istruzioni, riassumere le informazioni e generare risultati, ma spesso manca del contesto necessario per prendere decisioni coerenti in ambienti complessi e reali. Gran parte di questo contesto non è documentato da nessuna parte: esiste in casi precedenti, discussioni interne e valutazioni di dipendenti esperti.

Lo strato mancante nell'IA aziendale

La maggior parte delle organizzazioni presume che i propri processi siano ben documentati, ma in pratica spesso accade il contrario. Le informazioni operative cruciali sono disperse tra e-mail, ticket di supporto, strumenti interni e flussi di lavoro informali. Anche quando la documentazione esiste, tende a essere obsoleta o a semplificare eccessivamente il modo in cui le decisioni vengono effettivamente prese.

Questo crea un problema importante per l'adozione dell'IA. Senza accesso a questa conoscenza implicita, gli agenti di IA faticano ad andare oltre compiti ristretti e predefiniti. Possono fornire assistenza, ma non sono in grado di operare in modo indipendente con sicurezza.

Interloom sta cercando di risolvere questo problema introducendo quello che definisce un livello di memoria persistente. Invece di basarsi su istruzioni statiche, la piattaforma apprende direttamente da come i team risolvono casi operativi reali. Nel tempo, costruisce un modello in continua evoluzione di come vengono prese le decisioni all'interno dell'organizzazione, consentendo sia agli esseri umani che ai sistemi di intelligenza artificiale di fare riferimento ai risultati passati come guida.

Dalla documentazione statica ai sistemi viventi

Il cambiamento proposto da Interloom è sottile ma significativo. I sistemi aziendali tradizionali dipendono fortemente da documentazione, flussi di lavoro e regole definite in anticipo. L'approccio di Interloom va nella direzione opposta, acquisendo conoscenza a posteriori osservando il lavoro reale mentre si svolge.

Ciò significa che il sistema non si limita a ciò che i team pensano dovrebbe accadere, ma riflette invece ciò che effettivamente accade. Decisioni prese sotto pressione, eccezioni gestite manualmente e soluzioni alternative sviluppate nel tempo entrano a far parte di una memoria operativa in continua espansione.

In pratica, ciò consente Agenti AI Agire sulla base dei precedenti piuttosto che delle supposizioni. Invece di generare risposte in modo isolato, possono basare le proprie azioni su casi simili già risolti. Per i dipendenti, inoltre, si riduce la necessità di riscoprire le soluzioni, poiché le decisioni precedenti diventano immediatamente accessibili e riutilizzabili.

Un'altra implicazione è la preservazione del patrimonio di conoscenze aziendali. Quando i dipendenti esperti lasciano l'azienda, gran parte della loro competenza tende a scomparire con loro. Registrando il modo in cui queste persone hanno gestito situazioni complesse, Interloom si propone di conservare tale conoscenza e renderla disponibile ai team e ai sistemi futuri.

Trazione iniziale in settori complessi

Sebbene sia ancora nelle fasi iniziali del suo ciclo di vita, Interloom sta già collaborando con grandi aziende, tra cui Zurich Insurance e Volkswagen. Questi contesti rappresentano un caso di studio ideale per la piattaforma, in quanto implicano un elevato volume di decisioni complesse e dipendenti dal contesto.

In settori come quello assicurativo, manifatturiero e dei servizi finanziari, i processi raramente seguono un semplice insieme di regole. Ogni caso può coinvolgere molteplici variabili, eccezioni e dipendenze tra i sistemi. Ciò rende difficile automatizzarli utilizzando approcci tradizionali, basati su flussi di lavoro rigidi.

Elaborando milioni di casi operativi, la piattaforma di Interloom è progettata per individuare schemi ricorrenti nel processo decisionale e utilizzarli per migliorare velocità e coerenza. Il nuovo agente "Chief of Staff" dell'azienda si basa su questa esigenza, puntando a coordinare i flussi di lavoro tra i diversi sistemi, anziché limitarsi a eseguire attività isolate.

Cosa significa questo per il futuro dell'IA nelle aziende

L'emergere di sistemi come Interloom indica un cambiamento più ampio nel modo in cui l'IA aziendale si evolverà. Le prime ondate di automazione si sono concentrate su processi strutturati e compiti chiaramente definiti. I progressi più recenti nell'IA generativa hanno ampliato ciò che le macchine possono comprendere e produrre. La prossima fase potrebbe essere definita dalla capacità dei sistemi di IA di integrare il contesto nel tempo.

Se gli agenti di intelligenza artificiale devono assumere maggiori responsabilità all'interno delle organizzazioni, avranno bisogno di qualcosa di più simile alla memoria organizzativa. Senza di essa, anche i modelli più avanzati rimarranno limitati ad assistere anziché operare in modo autonomo. Con la memoria organizzativa, il confine tra il processo decisionale umano e l'esecuzione automatica inizia a sfumare.

Questo solleva anche nuove questioni su come le aziende gestiscono e governano la propria conoscenza interna. Un sistema che acquisisce e riutilizza continuamente le decisioni potrebbe diventare un potente vantaggio competitivo, ma introduce anche sfide in termini di trasparenza, pregiudizi e controllo. Se i sistemi di intelligenza artificiale vengono addestrati su decisioni passate, potrebbero rafforzare i modelli esistenti, sia positivi che negativi.

Al contempo, la capacità di codificare e riutilizzare la conoscenza operativa su larga scala potrebbe ridefinire il modo in cui le organizzazioni concepiscono la competenza. Invece di essere concentrata in singoli individui o team, la conoscenza diventa un patrimonio condiviso che si evolve nel tempo. Ciò potrebbe abbassare le barriere all'automazione in aree che storicamente vi hanno resistito, in particolare quelle che richiedono giudizio ed esperienza.

Interloom's Questo approccio suggerisce che il futuro dell'IA aziendale potrebbe non essere definito unicamente da modelli migliori, ma da sistemi migliori per acquisire e applicare la conoscenza del mondo reale. Resta da vedere se questa visione si dimostrerà scalabile, ma la prospettiva sta diventando sempre più chiara: affinché l'IA passi dall'assistenza all'esecuzione, la memoria potrebbe essere altrettanto importante quanto l'intelligenza.