Interloom Haalt $16,5 Miljoen Op Om “Geheugen” Te Brengen in Enterprise AI-Agents

Enterprise AI-agents worden steeds capabeler, maar één grote beperking houdt hen nog steeds tegen: ze onthouden niet echt hoe het werk binnen een organisatie wordt gedaan.

Die kloof staat centraal in Interloom’s laatste financieringsaankondiging. Het in München gevestigde startup heeft $16,5 miljoen opgehaald in een seedronde onder leiding van DN Capital, met deelname van Bek Ventures en Air Street Capital. Het bedrijf richt zich op het bouwen van een platform dat vastlegt hoe teams daadwerkelijk opereren en die kennis omzet in iets dat AI-systemen betrouwbaar kunnen gebruiken.

Naarmate bedrijven AI dieper in hun kernwerkprocessen integreren, wordt de uitdaging duidelijker. AI kan instructies volgen, informatie samenvatten en uitvoer genereren, maar het ontbreekt vaak aan de context die nodig is om consistentie te behouden in rommelige, echte omgevingen. Veel van die context is nergens opgeschreven – het bestaat in eerdere gevallen, interne discussies en de oordeelsvellingen van ervaren medewerkers.

De Ontbrekende Laag in Enterprise AI

De meeste organisaties gaan ervan uit dat hun processen goed gedocumenteerd zijn, maar in de praktijk is het tegenovergestelde vaak waar. Critische operationele kennis is verspreid over e-mails, ondersteuningsaanvragen, interne tools en informele workflows. Zelfs wanneer documentatie bestaat, blijft het vaak achter bij de realiteit of vereenvoudigt het hoe beslissingen daadwerkelijk worden genomen.

Dit creëert een groot probleem voor AI-adoptie. Zonder toegang tot deze impliciete kennis, worstelen AI-agents om verder te gaan dan smalle, vooraf gedefinieerde taken. Ze kunnen assisteren, maar ze kunnen niet onafhankelijk met vertrouwen opereren.

Interloom probeert dit op te lossen door een persistente geheugenlaag in te voeren. In plaats van te vertrouwen op statische instructies, leert het platform van hoe teams daadwerkelijke operationele gevallen oplossen. Na verloop van tijd bouwt het een continu evoluerend model van hoe beslissingen worden genomen binnen de organisatie, waardoor zowel mensen als AI-systemen naar eerder behaalde resultaten kunnen verwijzen als leidraad.

Van Statische Documentatie naar Levende Systemen

De verschuiving die Interloom voorstelt is subtiel maar significant. Traditionele enterprise-systemen zijn sterk afhankelijk van documentatie, workflows en regels die van tevoren zijn gedefinieerd. Interloom’s aanpak gaat in de tegenovergestelde richting, door kennis te verzamelen na het feit door het observeren van echt werk terwijl het gebeurt.

Dit betekent dat het systeem niet beperkt is tot wat teams denken dat zou moeten gebeuren, maar in plaats daarvan weerspiegelt wat er daadwerkelijk gebeurt. Beslissingen die onder druk worden genomen, uitzonderingen die handmatig worden afgehandeld en workarounds die in de loop van de tijd worden ontwikkeld, worden allemaal onderdeel van een groeiend operationeel geheugen.

In de praktijk stelt dit AI-agents in staat om te handelen op basis van precedent in plaats van aannamen. In plaats van antwoorden te genereren in isolement, kunnen ze hun acties gronden in soortgelijke gevallen die al zijn opgelost. Voor medewerkers vermindert dit ook de noodzaak om oplossingen opnieuw te ontdekken, aangezien eerdere beslissingen onmiddellijk toegankelijk en herbruikbaar worden.

Een andere implicatie is het behoud van institutionele kennis. Wanneer ervaren medewerkers vertrekken, verdwijnt veel van hun expertise meestal met hen. Door vast te leggen hoe deze individuen complexe situaties hebben aangepakt, streeft Interloom ernaar om die kennis te behouden en beschikbaar te stellen voor toekomstige teams en systemen.

Vroeg Succes in Complexe Industrieën

Hoewel het nog vroeg is in zijn levenscyclus, werkt Interloom al met grote ondernemingen, waaronder Zurich Insurance (ZURN.SW ) en Volkswagen. Deze omgevingen vormen een duidelijke testcase voor het platform, aangezien ze hoge volumes van complexe, contextafhankelijke beslissingen omvatten.

In sectoren zoals verzekeringen, fabricage en financiële diensten, volgen processen zelden een eenvoudig set van regels. Elk geval kan meerdere variabelen, uitzonderingen en afhankelijkheden tussen systemen omvatten. Dit maakt het moeilijk om ze te automatiseren met traditionele benaderingen, die afhankelijk zijn van rigide workflows.

Door miljoenen operationele gevallen te verwerken, is Interloom’s platform ontworpen om patronen te ontdekken in hoe deze beslissingen worden genomen en ze te gebruiken om zowel snelheid als consistentie te verbeteren. Het door het bedrijf geïntroduceerde “Chief of Staff”-agent bouwt hierop verder door workflows te coördineren over systemen heen, in plaats van alleen geïsoleerde taken uit te voeren.

Wat Dit Betekent voor de Toekomst van AI in het Bedrijfsleven

De opkomst van systemen zoals Interloom wijst op een bredere verschuiving in de manier waarop enterprise AI waarschijnlijk zal evolueren. Vroege golven van automatisering richtten zich op gestructureerde processen en duidelijk gedefinieerde taken. Recentere vooruitgang in generatieve AI breidde uit wat machines konden begrijpen en produceren. De volgende fase kan worden gedefinieerd door hoe goed AI-systemen context over tijd kunnen incorporeren.

Als AI-agents meer verantwoordelijkheid binnen organisaties moeten gaan dragen, zullen ze iets dichter bij organisationeel geheugen nodig hebben. Zonder dat, zullen zelfs de meest geavanceerde modellen beperkt blijven tot assisteren in plaats van opereren. Met dat geheugen begint de grens tussen menselijke besluitvorming en machine-uitvoering te vervagen.

Dit roept ook nieuwe vragen op over hoe bedrijven hun interne kennis beheren en besturen. Een systeem dat voortdurend beslissingen vastlegt en hergebruikt, kan een krachtig concurrentievoordeel worden, maar het introduceert ook uitdagingen rond transparantie, vooroordelen en controle. Als AI-systemen worden getraind op eerdere beslissingen, kunnen ze bestaande patronen versterken – zowel goed als slecht.

Tegelijkertijd kan de mogelijkheid om operationele kennis op grote schaal te coderen en te hergebruiken de manier waarop organisaties denken over expertise herschikken. In plaats van geconcentreerd te zijn in individuen of teams, wordt kennis een gedeeld actief dat in de loop van de tijd evolueert. Dit kan de drempel naar automatisering verlagen in gebieden die historisch hebben weerstand geboden, met name die waarvoor oordeel en ervaring zijn vereist.

Interloom’s aanpak suggereert dat de toekomst van enterprise AI mogelijk niet wordt gedefinieerd door betere modellen, maar door betere systemen voor het vastleggen en toepassen van echte wereldkennis. Of die visie bewezen schaalbaar is, moet nog worden gezien, maar de richting wordt steeds duidelijker: voor AI om verder te gaan dan assistentie en naar uitvoering, kan geheugen net zo belangrijk zijn als intelligentie.