Catch kommer frem fra stealth med 5 millioner dollar i seed‑finansiering for å bygge en autonom AI‑assistent for ledere

Catch har kommet frem fra stealth med 5 millioner dollar i seed‑finansiering for å utvide en agentisk AI‑assistent designet for å overta det administrative arbeidet som opptar en betydelig del av en leder sin dag.

Runden ble medledet av Entrée Capital og Pitango, med deltakelse fra Seedcamp og Factorial Capital. I stedet for å bygge et nytt AI‑verktøy som oppsummerer e‑post eller anbefaler hva brukeren bør gjøre videre, forsøker Catch noe vanskeligere: å la ledere delegere hele administrative oppgaver til programvare og få dem fullført.

Catch, grunnlagt av Nir Sabato og Yoav Ramon, fokuserer spesifikt på administrasjon for ledere, inkludert planlegging, e‑posthåndtering, reiser, oppfølginger, kalenderkonflikter, påminnelser og utgående telefonoppringninger. Selskapet oppgir at systemet allerede har planlagt mer enn 12 000 møter, håndtert over 200 000 e‑poster og fullført mer enn 20 000 delegert oppgave.

Flytte AI fra assistanse til delegasjon

Skillet mellom å bistå med en oppgave og faktisk fullføre den har blitt en av de sentrale utfordringene for agentisk AI.

Store språkmodeller kan allerede oppsummere en innboks, utforme en e‑post, foreslå flyreiser eller fastslå når to personer er tilgjengelige. Men å omdanne disse individuelle evnene til et system som pålitelig kan koordinere med en annen person, oppdatere en kalender, foreta en reservasjon og følge opp når omstendighetene endres, krever et mye dypere utførelseslag.

Catch er bygget rundt dette gapet.

I stedet for å be brukerne konfigurere arbeidsflyter eller bygge sine egne agenter, kobler systemet seg til verktøyene ledere allerede bruker. Catchs nettsted viser støtte for tjenester som Gmail, Outlook, Google Calendar, Slack, WhatsApp, iMessage og telefon, slik at brukerne kan kommunisere med assistenten på samme måte som de ville kommunisere med en menneskelig lederassistent.

Når tilkoblingen er etablert, utvikler systemet en forståelse av preferanser som møtemønstre, kalenderprioriteringer og reisebehov. Catch hevder at det deretter kan handle proaktivt. Et avlyst møte kan for eksempel utløse en ny planlegging, mens en kommende reise kan få assistenten til å identifisere manglende hotellbestillinger i stedet for å vente på en eksplisitt forespørsel.

Dette representerer et viktig skifte i hvordan AI‑produkter blir designet. I stedet for å lage et nytt grensesnitt som ledere må håndtere, forsøker Catch å forsvinne inn i kommunikasjonskanalene og programvaren de allerede bruker.

Autonomi betyr ikke å handle uten grenser

Det vanskeligere problemet med administrative agenter er ikke om en AI‑modell kan forstå en forespørsel. Det handler om å avgjøre når programvaren skal handle autonomt og når et menneske fortsatt skal være involvert.

Catch ser ut til å bruke en lagdelt tilnærming.

For rutinemessig administrativt arbeid er målet å minimere unødvendige godkjenninger. Men handlinger med økonomiske eller andre betydningsfulle konsekvenser kan kreve bekreftelse. I selskapets reise‑arbeidsflyt kan for eksempel Catch tolke et reise‑brief, sammenligne fly og hoteller mot begrensninger, og sette sammen en reiserute, men brukeren gir eksplisitt godkjenning før en bestilling fullføres.

På samme måte kan Catch sin innboks‑produkt triagere meldinger og utforme svar basert på en brukers tidligere skrivestil, mens den nåværende arbeidsflyten holder brukeren involvert før enkelte meldinger sendes.

Den grensen kan vise seg avgjørende for adopsjon av agentisk AI. Full autonomi høres fristende ut, men i praksis vil bedrifter sannsynligvis ta i bruk agenter gradvis, og utvide deres myndighet etter hvert som systemene viser at de kan ta pålitelige beslutninger innen klart definerte domener.

Administrativt arbeid kan være et spesielt nyttig prøvested fordi det kombinerer repeterende oppgaver med tilstrekkelig kontekstuell beslutningstaking for å teste om AI‑systemer kan gå utover enkel automatisering.

Catch bygger spesialisert AI under assistenten

Bak den samtalebaserte grensesnittet utvikler Catch også sin egen AI‑arkitektur i stedet for å stole utelukkende på en generell grunnmodell.

Selskapet beskriver et system av snevert avgrensede «splinter‑agenter», der individuelle agenter kun får tilgang til den informasjonen som trengs for en spesifikk oppgave. Ideen er å redusere mengden sensitiv kontekst som eksponeres under utførelsen, samtidig som latenstid og pålitelighet forbedres.

Catch hevder at anonymiserte interaksjonsdata kan brukes til å forbedre sine egne modeller gjennom veiledet læring og forsterkningslæring. Samtidig sier deres sikkerhetsdokumentasjon at eksterne AI‑leverandører kontraktsmessig er forbudt fra å beholde kundedata eller bruke dem til å trene sine egne modeller.

Ettersom en lederassistent kan ha tilgang til kalendere, e‑poster, reiseplaner og potensielt sensitiv bedriftsinformasjon, blir sikkerhet betydelig viktigere når et AI‑system kan utføre handlinger i stedet for bare å generere tekst. Catch oppgir at de er SOC 2 Type II‑kompatible, i tillegg til CASA Tier‑2 og Google‑verifisering, og krypterer lagret og overført data mens de bruker granulære tillatelser for tilkoblede tjenester.

Grunnleggerne har bakgrunn innen AI og risikokapital

Selskapet ble grunnlagt av to ledere som nærmet seg det administrative problemet fra ulike vinkler.

Administrerende direktør Nir Sabato tilbrakte tidligere flere år med investeringer i Entrée Capital, hvor han fokuserte på områder som kunstig intelligens og bedrifts‑teknologi. Før han gikk inn i risikokapital, hadde han strategiske roller i Fiverr og BLEND. Catch hevder at Sabatos erfaring med å jobbe sammen med gründere avdekket hvor mye verdifull leder‑tid fortsatt ble brukt på relativt rutinemessig koordineringsarbeid.

Teknologidirektør Yoav Ramon har på sin side tilbrakt mer enn et tiår med arbeid på maskinlæringssystemer. Bakgrunnen hans inkluderer tale‑ og språk‑teknologi i Hi Auto og rollen som CTO i helse‑AI‑selskapet Nym, hvor teamene implementerte store språkmodeller i regulerte helsemiljøer.

Den kombinasjonen er relevant fordi bygging av en administrativ agent krever mer enn en effektiv chatbot. Systemet må forstå preferanser, opprettholde kontekst på tvers av interaksjoner, samhandle med ekstern programvare og avgjøre når det har tilstrekkelig sikkerhet til å handle.

Agentisk AI sin neste slagmark kan være vanlig arbeid

Catch går inn i et raskt voksende marked for agentisk AI, men den større betydningen kan komme av hvor snevert de har definert problemet.

Mange AI‑selskaper prøver å lage stadig mer generelle agenter som kan utføre dusinvis eller hundrevis av arbeidsoppgaver. Catch tar den motsatte tilnærmingen: de konsentrerer seg om et relativt avgrenset domene og prøver å gjøre systemet så pålitelig at brukerne faktisk slutter å utføre disse oppgavene selv.

Dette kan bli et viktig mønster for neste fase av bedrifts‑AI.

De mest kommersielt nyttige agentene vil kanskje ikke i første omgang være autonome digitale ansatte som kan utføre enhver oppgave. De kan i stedet dukke opp som høyt spesialiserte systemer som forstår én arbeidskategori grundig nok til å bli betrodd stadig større myndighet.

Administrasjon for ledere gir en avslørende test. Å planlegge møter, håndtere reiser og koordinere e‑post kan høres trivielt ut sammenlignet med koding eller vitenskapelig forskning, men disse arbeidsflytene krever at AI interagerer med ekte mennesker, forstår ufullstendige instruksjoner, husker individuelle preferanser og tar beslutninger som har virkelige konsekvenser.

Hvis systemer som Catch kan håndtere disse arbeidsflytene pålitelig, går betydningen utover å spare ledere noen timer. Det vil demonstrere at AI‑agenter begynner å krysse grensen mellom å generere nyttig informasjon og å påta seg ansvaret for å få arbeidet gjort.

Den nye seed‑runden på 5 millioner dollar gir Catch ekstra kapital til å teste om denne overgangen kan skaleres.