Interloom samler inn 16,5 millioner dollar for å bringe «minne» til bedrifts-AI-agenter

Bedrifts-AI-agenter blir mer og mer kapable, men én stor begrensning holder dem tilbake: de husker ikke hvordan arbeid blir gjort innen en organisasjon.

Dette gapet er i fokus for Interlooms siste finansieringsannonsering. Startupen fra München har samlet inn 16,5 millioner dollar i en seed-runde ledet av DN Capital, med deltakelse fra Bek Ventures og Air Street Capital. Selskapet fokuserer på å bygge en plattform som fanger hvordan team faktisk opererer og omgjør denne kunnskapen til noe AI-systemer kan bruke pålitelig.

Etterhvert som bedrifter skyver AI dyptere inn i sine kjerneprosesser, blir utfordringen mer tydelig. AI kan følge instruksjoner, summerere informasjon og generere utdata, men den mangler ofte konteksten som trengs for å ta konsekvente beslutninger i komplekse, virkelige miljøer. Mye av denne konteksten er ikke skrevet ned noen steder – den eksisterer i tidligere saker, interne diskusjoner og erfarna ansattes avgjørelser.

Den manglende laget i bedrifts-AI

De fleste organisasjoner antar at deres prosesser er godt dokumentert, men i praksis er det ofte motsatt. Kritisk operasjonell kunnskap er spredt over e-poster, supportbilletter, interne verktøy og uformelle arbeidsflyter. Selv når dokumentasjon finnes, tenderer den til å ligge etter virkeligheten eller forenkle hvordan avgjørelser faktisk blir tatt.

Dette skaper et stort problem for AI-tilpasning. Uten tilgang til denne implisitte kunnskapen, kjemper AI-agenter for å gå utenfor smale, forhåndsdefinerte oppgaver. De kan assistere, men de kan ikke operere uavhengig med tillit.

Interloom prøver å løse dette ved å introdusere hva de beskriver som et varig minnelag. I stedet for å stole på statiske instruksjoner, lærer plattformen seg fra hvordan team løser faktiske operative saker. Over tid bygger den en kontinuerlig utviklende modell for hvordan avgjørelser tas over hele organisasjonen, og lar både mennesker og AI-systemer referere til tidligere resultater som en guide.

Fra statisk dokumentasjon til levende systemer

Skiftet Interloom foreslår er subtilt, men betydelig. Tradisjonelle bedriftssystemer avhenger tungt av dokumentasjon, arbeidsflyter og regler definert på forhånd. Interlooms tilnærming går i motsatt retning, og fanger kunnskap etter faktum ved å observere virkelig arbeid mens det skjer.

Dette betyr at systemet ikke er begrenset til hva teamene tror burde skje, men heller reflekterer hva som faktisk skjer. Avgjørelser tatt under press, unntak håndtert manuelt og midler utviklet over tid blir alle en del av en voksende operasjonell minne.

I praksis tillater dette AI-agenter å handle basert på presedens i stedet for antagelse. I stedet for å generere svar i isolasjon, kan de grunne sine handlinger i lignende saker som allerede er løst. For ansatte reduserer det også behovet for å gjenoppdage løsninger, ettersom tidligere avgjørelser blir umiddelbart tilgjengelige og gjenbrukbare.

En annen implikasjon er bevaring av institusjonell kunnskap. Når erfarna ansatte forlater, forsvinner mye av deres ekspertise vanligvis med dem. Ved å fange hvordan disse personene håndterte komplekse situasjoner, prøver Interloom å beholde denne kunnskapen og gjøre den tilgjengelig for fremtidige team og systemer.

Tidlig suksess i komplekse industrier

Selv om det fortsatt er tidlig i livssyklusen, arbeider Interloom allerede med store bedrifter, inkludert Zurich Insurance (ZURN.SW ) og Volkswagen. Disse miljøene gir en tydelig testfall for plattformen, ettersom de involverer store volumer av komplekse, kontekstavhengige avgjørelser.

I sektorer som forsikring, produksjon og finansielle tjenester, følger prosesser sjelden en enkel sett med regler. Hver sak kan involvere flere variable, unntak og avhengigheter over systemer. Dette gjør dem vanskelige å automatisere ved hjelp av tradisjonelle tilnærminger, som avhenger av stive arbeidsflyter.

Ved å prosessere millioner av operative saker, er Interlooms plattform designet for å avdekke mønster i hvordan disse avgjørelser blir tatt og bruke dem til å forbedre både hastighet og konsistens. Selskapets nylig introduserte “Chief of Staff”-agent bygger på dette ved å sikte på å koordinere arbeidsflyter over systemer, i stedet for bare å utføre isolerte oppgaver.

Hva dette betyr for fremtiden til AI i bedrifter

Oppkomsten av systemer som Interloom peker mot en bredere skift i hvordan bedrifts-AI sannsynligvis vil utvikle seg. Tidlige bølger av automatisering fokuserte på strukturerte prosesser og klart definerte oppgaver. Mer nylige fremgang i generativ AI utvidet hva maskiner kunne forstå og produsere. Neste fase kan bli definert av hvor godt AI-systemer kan inkorporere kontekst over tid.

Hvis AI-agenter skal ta på seg mer ansvar innen organisasjoner, vil de trenge noe lignende organisatorisk minne. Uten det, vil selv de mest avanserte modellene forbli begrensede til å assistere i stedet for å operere. Med det, begynner grensen mellom menneskelig avgjørelse og maskin-utførelse å bli utydelig.

Dette reiser også nye spørsmål om hvordan selskaper håndterer og styrer sin interne kunnskap. Et system som kontinuerlig fanger og gjenbruker avgjørelser kan bli en kraftig konkurransefordel, men det introduserer også utfordringer rundt transparens, bias og kontroll. Hvis AI-systemer blir trent på tidligere avgjørelser, kan de forsterke eksisterende mønster – både gode og dårlige.

På samme tid kan evnen til å kode og gjenbruke operasjonell kunnskap i stor skala omforme hvordan organisasjoner tenker på ekspertise. I stedet for å være konsentrert i enkeltpersoner eller team, blir kunnskap en felles ressurs som utvikler seg over tid. Dette kan senke barrieren for automatisering i områder som historisk har motstått det, spesielt de som krever dømmekraft og erfaring.

Interlooms tilnærming antyder at fremtiden til bedrifts-AI kanskje ikke defineres bare av bedre modeller, men av bedre systemer for å fange og anvende virkelige kunnskaper. Om denne visjonen viser seg å være skalerbar, er å se, men retningen blir stadig mer tydelig: for AI å gå utenfor assistanse og inn i utførelse, kan minne være like viktig som intelligens.