Interloom raccoglie 16,5 milioni di dollari per portare la “memoria” agli agenti di intelligenza artificiale aziendale

Gli agenti di intelligenza artificiale aziendale stanno diventando più capaci, ma una limitazione importante continua a trattenerli: non ricordano veramente come il lavoro viene svolto all’interno di un’organizzazione.

Questo gap è al centro dell’ultimo annuncio di finanziamento di Interloom. La startup con sede a Monaco ha raccolto 16,5 milioni di dollari in una fase di finanziamento iniziale guidata da DN Capital, con la partecipazione di Bek Ventures e Air Street Capital. L’azienda si concentra sulla costruzione di una piattaforma che cattura come i team operano effettivamente e trasforma quella conoscenza in qualcosa che i sistemi di intelligenza artificiale possono utilizzare in modo affidabile.

Man mano che le aziende spingono l’intelligenza artificiale più in profondità nei loro flussi di lavoro principali, la sfida sta diventando più chiara. L’intelligenza artificiale può seguire le istruzioni, riassumere le informazioni e generare output, ma spesso manca del contesto necessario per prendere decisioni coerenti in ambienti reali e complessi. Gran parte di quel contesto non è scritto da nessuna parte: esiste in casi precedenti, discussioni interne e decisioni di dipendenti esperti.

Il livello mancante nell’intelligenza artificiale aziendale

La maggior parte delle organizzazioni presume che i loro processi siano ben documentati, ma nella pratica, il contrario è spesso vero. La conoscenza operativa critica è sparsa tra email, biglietti di supporto, strumenti interni e flussi di lavoro informali. Anche quando la documentazione esiste, tende a rimanere indietro rispetto alla realtà o a semplificare eccessivamente come vengono prese le decisioni.

Questo crea un grande problema per l’adozione dell’intelligenza artificiale. Senza accesso a questa conoscenza implicita, gli agenti di intelligenza artificiale lottano per andare oltre i compiti ristretti e predefiniti. Possono assistere, ma non possono operare in modo indipendente con fiducia.

Interloom sta cercando di risolvere questo problema introducendo ciò che descrive come un livello di memoria persistente. Invece di affidarsi a istruzioni statiche, la piattaforma apprende dalle decisioni effettive prese dai team. Nel tempo, costruisce un modello in continua evoluzione di come vengono prese le decisioni in tutta l’organizzazione, consentendo sia agli esseri umani che ai sistemi di intelligenza artificiale di fare riferimento a precedenti come guida.

Dalla documentazione statica ai sistemi viventi

Il passaggio che Interloom propone è sottile ma significativo. I sistemi aziendali tradizionali dipendono fortemente dalla documentazione, dai flussi di lavoro e dalle regole definite in anticipo. L’approccio di Interloom si muove nella direzione opposta, catturando la conoscenza dopo il fatto osservando il lavoro reale mentre si svolge.

Questo significa che il sistema non è limitato a ciò che i team pensano debba accadere, ma invece riflette ciò che effettivamente accade. Le decisioni prese sotto pressione, le eccezioni gestite manualmente e i workaround sviluppati nel tempo diventano tutti parte di una memoria operativa in crescita.

Nella pratica, ciò consente agli agenti di intelligenza artificiale di agire in base a precedenti piuttosto che a ipotesi. Invece di generare risposte in isolamento, possono fondare le loro azioni su casi simili già risolti. Per i dipendenti, ciò riduce anche la necessità di riscoprire le soluzioni, poiché le decisioni precedenti diventano istantaneamente accessibili e riutilizzabili.

Un’altra implicazione è la conservazione della conoscenza istituzionale. Quando i dipendenti esperti lasciano l’azienda, gran parte della loro esperienza scompare con loro. Catturando come quegli individui abbiano gestito situazioni complesse, Interloom mira a conservare quella conoscenza e renderla disponibile per future squadre e sistemi.

Primi risultati in settori complessi

Sebbene sia ancora nella sua fase iniziale, Interloom sta già lavorando con grandi aziende, tra cui Zurich Insurance e Volkswagen. Questi ambienti forniscono un chiaro caso di test per la piattaforma, poiché coinvolgono grandi volumi di decisioni complesse e dipendenti dal contesto.

In settori come l’assicurazione, la produzione e i servizi finanziari, i processi raramente seguono un insieme di regole semplici. Ogni caso può coinvolgere molteplici variabili, eccezioni e dipendenze tra sistemi. Ciò li rende difficili da automatizzare utilizzando approcci tradizionali, che si basano su flussi di lavoro rigidi.

Elaborando milioni di casi operativi, la piattaforma di Interloom è progettata per scoprire modelli su come vengono prese le decisioni e utilizzarli per migliorare sia la velocità che la coerenza. L’agente “Chief of Staff” introdotto di recente si basa su questo obiettivo, cercando di coordinare i flussi di lavoro tra i sistemi, piuttosto che semplicemente eseguire compiti isolati.

Cosa significa per il futuro dell’intelligenza artificiale nelle aziende

L’emergere di sistemi come Interloom punta a una più ampia trasformazione di come l’intelligenza artificiale aziendale è probabile evolvere. Le prime ondate di automazione si sono concentrate su processi strutturati e compiti chiaramente definiti. I progressi più recenti nell’intelligenza artificiale generativa hanno ampliato ciò che le macchine potevano comprendere e produrre. La prossima fase potrebbe essere definita da come i sistemi di intelligenza artificiale possono incorporare il contesto nel tempo.

Se gli agenti di intelligenza artificiale devono assumere più responsabilità all’interno delle organizzazioni, avranno bisogno di qualcosa di più vicino alla memoria organizzativa. Senza di essa, anche i modelli più avanzati rimarranno limitati all’assistenza piuttosto che all’esecuzione. Con essa, il confine tra la presa di decisione umana e l’esecuzione della macchina inizia a sfumare.

Questo solleva anche nuove domande su come le aziende gestiscono e governano la loro conoscenza interna. Un sistema che cattura e riutilizza continuamente le decisioni potrebbe diventare un vantaggio competitivo potente, ma introduce anche sfide relative alla trasparenza, ai pregiudizi e al controllo. Se i sistemi di intelligenza artificiale sono addestrati su decisioni passate, potrebbero rafforzare modelli esistenti, sia buoni che cattivi.

Allo stesso tempo, la capacità di codificare e riutilizzare la conoscenza operativa su larga scala potrebbe ridisegnare il modo in cui le organizzazioni pensano all’esperienza. Invece di essere concentrata in individui o team, la conoscenza diventa un bene condiviso che evolve nel tempo. Ciò potrebbe abbassare la barriera all’automazione in aree che hanno storicamente resistito, in particolare quelle che richiedono giudizio e esperienza.

L’approccio di Interloom suggerisce che il futuro dell’intelligenza artificiale aziendale potrebbe non essere definito solo da modelli migliori, ma da sistemi migliori per catturare e applicare conoscenze del mondo reale. Se questa visione si dimostrerà scalabile, rimane da vedere, ma la direzione sta diventando sempre più chiara: per l’intelligenza artificiale andare oltre l’assistenza e entrare nell’esecuzione, la memoria potrebbe essere altrettanto importante dell’intelligenza.