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.

Quella lacuna è al centro dell’annuncio di finanziamento più recente di Interloom. La startup con sede a Monaco di Baviera 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. La società si concentra sulla costruzione di una piattaforma che cattura come le squadre 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 diventa più chiara. L’intelligenza artificiale può seguire istruzioni, riassumere informazioni e generare output, ma spesso manca del contesto necessario per prendere decisioni coerenti in ambienti reali 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 propri processi siano ben documentati, ma nella pratica, il contrario è spesso vero. La conoscenza operativa critica è sparsa tra e-mail, 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 effettivamente prese le decisioni.

Questo crea un problema importante per l’adozione dell’intelligenza artificiale. Senza accesso a questa conoscenza implicita, gli agenti di intelligenza artificiale lottano per andare oltre 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 costantemente da come le squadre risolvono casi operativi reali. 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 risultati passati come guida.

Dal documento statico 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 le squadre pensano dovrebbe accadere, ma invece riflette ciò che accade effettivamente. Le decisioni prese sotto pressione, le eccezioni gestite manualmente e i lavori 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 soluzioni, poiché le decisioni precedenti diventano accessibili e riutilizzabili all’istante.

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 hanno 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 ai primi passi del suo ciclo di vita, Interloom sta già lavorando con grandi aziende, tra cui Zurich Insurance (ZURN.SW ) e Volkswagen. Questi ambienti forniscono un caso di test chiaro per la piattaforma, poiché coinvolgono grandi volumi di decisioni complesse e dipendenti dal contesto.

In settori come assicurazioni, produzione e servizi finanziari, i processi raramente seguono un insieme semplice di regole. 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 nel modo in cui vengono prese queste decisioni e utilizzarli per migliorare sia la velocità che la coerenza. L’agente “Chief of Staff” appena introdotto si basa su questo obiettivo, mirando a coordinare i flussi di lavoro tra sistemi, piuttosto che eseguire semplicemente compiti isolati.

Cosa significa questo per il futuro dell’intelligenza artificiale aziendale

L’emergere di sistemi come Interloom punta a un cambiamento più ampio nell’evoluzione dell’intelligenza artificiale aziendale. 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 quanto bene i sistemi di intelligenza artificiale possano 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 decisioni 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 squadre, la conoscenza diventa un asset condiviso che evolve nel tempo. Ciò potrebbe abbassare la barriera all’automazione in aree che storicamente hanno resistito, in particolare quelle che richiedono giudizio e esperienza.

Il 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 quella visione si dimostra scalabile, rimane da vedere, ma la direzione sta diventando sempre più chiara: per l’intelligenza artificiale andare oltre l’assistenza e verso l’esecuzione, la memoria potrebbe essere altrettanto importante dell’intelligenza.