Quill samler inn 6,5 millioner dollar for å bygge en suveren «Chief of AI Staff»

Ettersom AI-verktøyene multipliseres på arbeidsplassen, oppstår et nytt problem. Profesjonelle gjør ikke bare jobben sin, men håndterer også en voksende flåte av AI-assistenter for skriving, forskning, koding, dokumentasjon og kommunikasjon. Verktøyene deler sjelden kontekst, og de forstår sjelden hvordan noen faktisk arbeider.

Quill mener at den manglende ingrediensen er samtale.

Selskapet har samlet inn 6,5 millioner dollar i seed-finansiering for å utvide sin plattform og lansere Quilliam, en suveren Chief of AI Staff designet for å koordinere AI-verktøy ved hjelp av kontekst hentet direkte fra møter og diskusjoner. Runden ble ledet av Basis Set Ventures, med deltakelse fra 500 Global, Naval Ravikant, Morado Ventures, og AME Cloud Ventures.

Starte der arbeidet faktisk skjer

Quill begynte som et lokalt først møte-transkripsjonsverktøy fokusert på å bevare samtale-poster. Ved å prosessere lyd direkte på en brukers enhet og strukturere sammenfatninger og handlingselementer fra diskusjoner, forsøkte det å redusere gapet mellom hva som ble sagt og hva som måtte skje neste. Over tid utvidet produktet seg beyond note-fangst til å vedlikeholde en kontinuerlig lag av kontekstuell minne avledet fra disse interaksjonene.

Den underliggende premissen er at samtale, snarere enn isolerte dokumenter, kan tilby en mer nøyaktig grunnlag for å forstå hvordan arbeid utvikler seg i praksis.

Fra notat-takning til koordinasjon

Quilliam utvider denne grunnlaget snarere enn å erstatte den. Mens tidligere iterasjoner sentrerte seg på å fange og strukturere samtaler, bærer den nyere lag konteksten videre til andre systemer gjennom Model Context Protocol.

I stedet for å stoppe ved transkripsjon, kan systemet samhandle med dokumentasjonsplattformer, oppgavehåndterere og andre verktøy. En produkt-diskusjon kan oversettes til oppdaterte prosjektnoter eller nyopprettede oppgaver. Før en klient-møte kan tidligere utvekslinger bli fremmet for å gjenopprette kontinuitet.

Fokuset er koordinasjon. Ettersom AI-verktøy blir integrert i skriving-, planleggings- og analyse-arbeidsflyter, opererer profesjonelle stadig mer over fragmenterte systemer som mangler delt minne. Quilliam forsøker å redusere denne fragmenteringen ved å vedlikeholde kontekstuell kontinuitet over miljøer snarere enn å introdusere et annet isolert verktøy.

Arkitektur og datakontroll

Plattformens design plasserer data-lokalitet og inferenskontroll i forgrunnen.

Lydd-transkripsjon kjører på brukerens enhet som standard, og ingen lyd overføres eksternt med mindre synkronisering er aktivert. Når sky-synkronisering er aktivert, er det end-to-end kryptert, og ukryptert innhold er ikke tilgjengelig for tjenesten. Brukere kan bestemme hvor inferens skjer, enten gjennom bedrifts-sky-leverandører konfigurert for null-innhold-logging eller gjennom fullstendig lokale modeller egnet for offline- eller luft-gap-miljøer.

Brukerdata brukes ikke til modell-trening. Integrasjoner og arbeidsflyter er konfigurerbare, og tillater organisasjoner å justere utrullinger med interne retningslinjer for overholdelse, inkludert data-bosetting og regulatoriske begrensninger. For team som krever streng isolasjon, kan systemet operere uten eksterne nettverksanrop.

Sammen behandler disse arkitektoniske beslutningene inferens-lokasjon og data-håndtering som justerbare parametre snarere enn faste antagelser.

En skift mot kontekst-bevisst arbeids-infrastruktur

Denne kategorien av programvare reflekterer en bredere skift i hvordan digitalt arbeid kan struktureres.

Tradisjonelle produktivitetsverktøy dreier seg om dokumenter, oppgaver og dashboards. AI-systemer har i stor grad fulgt denne modellen, og genererer utdata fra promter og filer. Samtale, til tross for at det er der mange beslutninger oppstår, har forblett løst strukturert og vanskelig å integrere i operative systemer.

Når diskusjoner blir strukturert, søkbare og varige, begynner de å fungere som institusjonell minne. Møter er ikke lenger isolerte hendelser, men innganger til kontinuerlige arbeidsflyter. Grensen mellom diskusjon og utførelse blir mindre tydelig.

Konsekvensene strekker seg beyond note-fangst. Kontekst-bevisste systemer kan påvirke hvordan organisasjoner dokumenterer beslutninger, håndterer kunnskap, håndterer overholdelse og påmelder ansatte. Ettersom AI blir integrert i daglige operasjoner, blir valg om data-lokalitet og inferenskontroll grunnleggende design-considerasjoner.

Hvis den første fasen av AI betonet generering, kan den neste fasen betone kontinuitet og kontekst.