Interloom, 기업 AI 에이전트에 “기억”을 가져오기 위해 1,650만 달러를 조달하다

기업 AI 에이전트는 더 능숙해지고 있지만, 하나의 주요한 제한이 여전히 그들을 방해하고 있다: 그들은真正로 조직 내에서 일이 어떻게 처리되는지 기억하지 못한다.

그 간격은 Interloom의 최신 자금 조달 공고의 중심에 있다. 뮌헨에 본사를 둔 이 스타트업은 DN Capital이 주도하는 시드 라운드에서 1,650만 달러를 조달했으며, Bek Ventures와 Air Street Capital이 참여했다. 이 회사는 실제로 팀이 어떻게 운영되는지 캡처하고 그 지식을 신뢰할 수 있게 AI 시스템이 사용할 수 있도록 하는 플랫폼을 구축하는 데 중점을 두고 있다.

기업이 핵심 워크플로우에 AI를 더 깊이 밀어 넣을수록, 도전은 더 명확해지고 있다. AI는 지시를 따를 수 있고, 정보를 요약할 수 있으며, 출력을 생성할 수 있지만, 실제 환경에서 일관된 quyết정을 내리기 위해 필요한 컨텍스트가 souvent 부족하다. 이러한 많은 컨텍스트는 어디에도 문서화되어 있지 않다 – 과거의 사례, 내부 토론 및 경험豊富한 직원의 판단에 존재한다.

기업 AI의 누락된 계층

대부분의 조직은 자신의 프로세스가 잘 문서화되어 있다고 가정하지만, 실제로는 반대가 종종 사실이다. 임계적인 운영 지식은 이메일, 지원 티켓, 내부 도구 및 비공식 워크플로우에 걸쳐 있다. 문서화가 존재，即使 있을 때에도 실제로 결정이 내려지는 방식보다 현실을 뒤처지거나 단순화하는 경향이 있다.

이것은 기업 AI 채택에重大한 문제를 만든다. 이 암묵적인 지식에 접근하지 못하면, AI 에이전트는狭い, 사전 정의된 작업을 넘어서서 어려움을 겪는다. 그들은 지원할 수 있지만, 자신감을 가지고 독립적으로 운영할 수 없다.

Interloom은 지속적인 메모리 계층을 도입하여 이를 해결하려고 한다. 정적인 지시를頼る 대신, 플랫폼은 실제 운영 사례를 처리하는 팀에서 학습한다. 시간이 지남에 따라, 조직 전체에서 결정이 내려지는 방식에 대한 지속적으로 진화하는 모델을 구축하며, 인간과 AI 시스템 모두가 과거의 결과를 참조할 수 있도록 한다.

정적인 문서화에서 살아있는 시스템으로

Interloom이 제안하는 변화는 미묘하지만重大하다. 전통적인 기업 시스템은事前に 정의된 워크플로우와 규칙에 크게 의존한다. Interloom의 접근 방식은 반대로, 실제로 일이 발생하는 것을 관찰하여事後에 지식을 캡처한다.

이것은 시스템이 팀이 생각하는 것에 국한되지 않고, 실제로 발생하는 것을 반영한다는 것을 의미한다. 압력下에서 내려지는 결정, 수동으로 처리되는 예외, 시간이 지남에 따라 개발된 워크어라운드 모두가 증가하는 운영 메모리의 일부가 된다.

실제로, 이것은 AI 에이전트가 가정보다는 전례에 따라 행동할 수 있도록 한다. 분리된 상태에서 답변을 생성하는 대신, 이전에 해결된 유사한 사례에 근거하여 행동할 수 있다. 직원에게도, 이전의 결정이 즉시 액세스 가능하고 재사용 가능해지므로 해결책을 다시 발견할 필요가 줄어든다.

또 다른 의미는 기관 지식의 보존이다. 경험豊富한 직원이 떠날 때, 그들의 전문 지식의 대부분이 일반적으로 함께 사라진다. Interloom은 복잡한 상황을 처리하는 방법을 캡처하여 그 지식을 보존하고 미래의 팀과 시스템에 제공하려고 한다.

복잡한 산업에서의 초기 성과

아직 초기 단계에 있지만, Interloom은 이미 Zurich Insurance 및 Volkswagen와 같은 대규모 기업과 협력하고 있다. 이러한 환경은 플랫폼에 대한 명확한 테스트 사례를 제공한다. 보험, 제조, 금융 서비스와 같은 분야에서 프로세스는 거의 단순한 규칙 세트를 따르지 않는다. 각 사례는 여러 변수, 예외 및 시스템 간의 종속성을 포함할 수 있다. 이것은 전통적인 접근 방식을 사용하여 자동화하기 어렵게 만든다. 이러한 결정이 내려지는 방식의 패턴을 발견하고 속도와 일관성을 개선하는 데 사용하기 위해, Interloom의 플랫폼은 수백만 개의 운영 사례를 처리하도록 설계되었다. 회사의 새로 도입된 “Chief of Staff” 에이전트는 이를 기반으로 하여 분리된 작업을 수행하는 대신 시스템 간의 워크플로우를 조정하는 것을 목표로 한다.

기업 AI의 미래를 위한 의미

Interloom과 같은 시스템의 출현은 기업 AI가 어떻게 진화할 것인지에 대한 보다 넓은 변화를 나타낸다. 초기의 자동화 물드는 구조화된 프로세스와 명확하게 정의된 작업에 중점을 두었다. 최근의 생성 AI의 발전은 기계가 이해하고 생성할 수 있는 것을 확장했다. 다음 단계는 AI 시스템이 시간이 지남에 따라 컨텍스트를 통합하는 방식에 의해 정의될 수 있다.

AI 에이전트가 조직 내에서 더 많은 책임을 맡기 위해서는 조직 메모리가 필요할 것이다. 그것 없이, 가장 발전된 모델은仍然 제한될 것이다. 그것과 함께, 인간의 의사결정과 기계 실행 사이의 경계는模糊해진다.

이것은 또한 내부 지식을 관리하고 관리하는 방법에 대한 새로운 질문을 제기한다. 과거의 결정에 대한 지속적인 캡처와 재사용 시스템은 강력한 경쟁 우위를 제공할 수 있지만, 투명성, 편향 및 제어에 대한 도전도 제기한다. AI 시스템이 과거의 결정에 대해 훈련된다면, 기존의 패턴, 양호한 것과 나쁨을 강화할 수 있다.

동시에, 운영 지식을 대규모로 인코딩하고 재사용할 수 있는 능력은 전문 지식에 대한 조직의 생각을 다시 정의할 수 있다. 개인이나 팀에 집중되지 않고, 시간이 지남에 따라 진화하는 共有 자산이 된다. 이것은 역사적으로 저항해 왔던, 특히 판단과 경험을 요구하는 영역에서 자동화의 장벽을 낮출 수 있다.

Interloom의 접근 방식은 기업 AI의 미래가 더 나은 모델만으로 정의되지 않을 수 있음을 시사한다. 더 나은 시스템이 실제 세계 지식을 캡처하고 적용하는 방식에 의해 정의될 수 있다. 이러한 비전이 확장 가능하다는 것이 증명되지는 않았지만, 方向은 점점 더 명확해지고 있다: AI가 지원에서 실행으로 이동하기 위해서는, 기억이 지능만큼 중요할 수 있다.