Catch wychodzi z ukrycia z $5M seed, aby zbudować autonomicznego asystenta AI dla kadry zarządzającej

Catch wyszła z trybu ukrytego z $5 million seed funding, aby rozwinąć asystenta AI o charakterze agentowym, zaprojektowanego do przejęcia prac administracyjnych, które pochłaniają znaczną część dnia kadry zarządzającej.

Runda była współprowadzona przez Entrée Capital i Pitango, przy udziale Seedcamp oraz Factorial Capital. Zamiast tworzyć kolejny narzędzie AI, które podsumowuje e‑maile lub rekomenduje, co użytkownik powinien zrobić dalej, Catch próbuje czegoś trudniejszego: umożliwić kadrom zarządzającym delegowanie całych zadań administracyjnych do oprogramowania i ich realizację.

Założona przez Nir Sabato i Yoav Ramon, Catch koncentruje się wyłącznie na administracji wykonawczej, obejmującej planowanie, zarządzanie e‑mailami, podróże, follow‑upy, konflikty w kalendarzu, przypomnienia oraz wychodzące połączenia telefoniczne. Firma podaje, że jej system już zaplanował ponad 12 000 spotkań, obsłużył ponad 200 000 e‑maili i zrealizował ponad 20 000 delegowanych zadań.

Przejście AI od pomocy do delegowania

Rozróżnienie pomiędzy asystowaniem przy zadaniu a jego rzeczywistym wykonaniem stało się jednym z głównych wyzwań stojących przed AI o charakterze agentowym.

Modele językowe dużej skali potrafią już podsumować skrzynkę odbiorczą, napisać e‑mail, zasugerować loty lub określić dostępność dwóch osób. Jednak przekształcenie tych pojedynczych możliwości w system, który może niezawodnie koordynować się z inną osobą, aktualizować kalendarz, dokonywać rezerwacji i reagować na zmiany sytuacji, wymaga znacznie głębszej warstwy wykonawczej.

Catch został zbudowany wokół tej luki.

Zamiast prosić użytkowników o konfigurowanie przepływów pracy lub budowanie własnych agentów, system łączy się z narzędziami, z których kadra zarządzająca już korzysta. Strona Catch wykazuje wsparcie dla usług takich jak Gmail, Outlook, Google Calendar, Slack, WhatsApp, iMessage i telefon, umożliwiając użytkownikom komunikację z asystentem w taki sam sposób, jak z ludzkim asystentem wykonawczym.

Po połączeniu system rozwija zrozumienie preferencji, takich jak nawyki spotkań, priorytety kalendarza i wymagania podróżne. Catch twierdzi, że może wtedy działać proaktywnie. Anulowane spotkanie może na przykład wywołać ponowne ustalenie terminu, a nadchodząca podróż może skłonić asystenta do wykrycia brakujących rezerwacji hotelowych, zamiast czekać na wyraźne polecenie.

Stanowi to ważny zwrot w projektowaniu produktów AI. Zamiast tworzyć kolejny interfejs, którym kadra zarządzająca musiałaby się zajmować, Catch stara się zniknąć w kanałach komunikacji i oprogramowaniu, które już używają.

Autonomia nie oznacza działania bez granic

Trudniejszy problem z agentami administracyjnymi nie polega na tym, czy model AI potrafi zrozumieć żądanie. Chodzi o określenie, kiedy oprogramowanie powinno działać autonomicznie, a kiedy człowiek powinien pozostać zaangażowany.

Catch wydaje się stosować podejście warstwowe.

W przypadku rutynowych prac administracyjnych celem jest minimalizacja niepotrzebnych zatwierdzeń. Jednak działania o konsekwencjach finansowych lub innych istotnych skutkach mogą wymagać potwierdzenia. W przykładowym przepływie pracy dotyczącym podróży firmy Catch może zinterpretować brief podróżny, porównać loty i hotele z ograniczeniami oraz przygotować plan podróży, ale użytkownik musi udzielić wyraźnej zgody przed finalizacją rezerwacji.

Podobnie, produkt Catch do skrzynki odbiorczej może triage’ować wiadomości i szkicować odpowiedzi na podstawie wcześniejszego stylu pisania użytkownika, przy czym obecny przepływ pracy utrzymuje zaangażowanie użytkownika przed wysłaniem niektórych wiadomości.

Ta granica może okazać się kluczowa dla przyjęcia AI agentowej. Pełna autonomia brzmi atrakcyjnie, ale w praktyce firmy prawdopodobnie będą wprowadzać agentów stopniowo, rozszerzając ich uprawnienia w miarę, jak systemy pokażą, że potrafią podejmować wiarygodne decyzje w jasno określonych obszarach.

Prace administracyjne mogą stanowić szczególnie przydatne pole testowe, ponieważ łączą powtarzalne zadania z wystarczającą ilością decyzji kontekstowych, aby sprawdzić, czy systemy AI mogą wyjść poza prostą automatyzację.

Catch buduje wyspecjalizowane AI pod asystentem

Za interfejsem konwersacyjnym Catch rozwija własną architekturę AI, zamiast polegać wyłącznie na uniwersalnym modelu podstawowym.

Firma opisuje system wąsko ukierunkowanych “splinter agents”, w którym poszczególne agenty mają dostęp wyłącznie do informacji niezbędnych do konkretnego zadania. Celem jest ograniczenie ilości wrażliwego kontekstu ujawnianego podczas wykonywania oraz poprawa opóźnień i niezawodności.

Catch twierdzi, że anonimowe dane interakcji mogą być wykorzystywane do ulepszania własnych modeli przy użyciu uczenia nadzorowanego i uczenia ze wzmocnieniem. Jednocześnie dokumentacja bezpieczeństwa podkreśla, że zewnętrzni dostawcy AI są umownie zakazani przechowywania danych klientów lub wykorzystywania ich do trenowania własnych modeli.

Ponieważ asystent wykonawczy może mieć dostęp do kalendarzy, e‑maili, planów podróży i potencjalnie wrażliwych informacji firmowych, bezpieczeństwo staje się znacznie ważniejsze, gdy system AI może podejmować działania, a nie tylko generować tekst. Catch informuje, że jest zgodny z SOC 2 Type II, a także posiada certyfikaty CASA Tier-2 i weryfikację Google, oraz szyfruje przechowywane i przesyłane dane, korzystając z precyzyjnych uprawnień dla podłączonych usług.

Założyciele z doświadczeniem w AI i inwestycjach venture capital

Firma została założona przez dwóch menedżerów, którzy podeszli do problemu administracyjnego z różnych perspektyw.

CEO Nir Sabato spędził kilka lat inwestując w Entrée Capital, koncentrując się na obszarach takich jak sztuczna inteligencja i technologia korporacyjna. Przed wejściem w venture capital pełnił role strategiczne w Fiverr i BLEND. Catch podkreśla, że doświadczenie Sabato w pracy z założycielami ujawniło, jak dużą część cennego czasu kadry zarządzającej wciąż pochłaniają stosunkowo rutynowe zadania koordynacyjne.

CTO Yoav Ramon z kolei spędził ponad dekadę pracując z systemami uczenia maszynowego. Jego doświadczenie obejmuje technologię mowy i języka w Hi Auto oraz pełnienie funkcji CTO w firmie AI w sektorze opieki zdrowotnej Nym, gdzie zespoły wdrażały duże modele językowe w regulowanych środowiskach opieki zdrowotnej.

To połączenie jest istotne, ponieważ budowa agenta administracyjnego wymaga więcej niż skutecznego chatbota. System musi rozumieć preferencje, utrzymywać kontekst w trakcie interakcji, współpracować z zewnętrznym oprogramowaniem i określać, kiedy ma wystarczające zaufanie, by podjąć działanie.

Kolejnym polem bitwy AI agentowej może być praca codzienna

Catch wchodzi na szybko rosnący rynek AI agentowej, ale jej większe znaczenie może wynikać z tego, jak wąsko zdefiniowała problem.

Wiele firm AI stara się tworzyć coraz bardziej uniwersalne agenty zdolne do wykonywania dziesiątek lub setek rodzajów pracy. Catch przyjmuje przeciwne podejście: koncentruje się na stosunkowo ograniczonej dziedzinie i stara się uczynić system na tyle niezawodnym, by użytkownicy faktycznie przestali wykonywać te zadania samodzielnie.

Może to stać się ważnym wzorcem dla kolejnego etapu AI w przedsiębiorstwach.

Najbardziej komercyjnie użyteczne agenty nie muszą początkowo być autonomicznymi cyfrowymi pracownikami zdolnymi do wykonywania dowolnego zadania. Mogą raczej wyłonić się jako wysoce wyspecjalizowane systemy, które rozumieją jedną kategorię pracy na tyle dogłębnie, że można im powierzyć stopniowo większe uprawnienia.

Administracja wykonawcza stanowi ujawniający test. Planowanie spotkań, zarządzanie podróżami i koordynacja e‑maili mogą wydawać się banalne w porównaniu z programowaniem czy badaniami naukowymi, ale te przepływy pracy wymagają od AI interakcji z prawdziwymi ludźmi, rozumienia niepełnych instrukcji, zapamiętywania indywidualnych preferencji i podejmowania decyzji o rzeczywistych konsekwencjach.

Jeśli systemy takie jak Catch będą w stanie niezawodnie obsługiwać te przepływy pracy, ich znaczenie wykracza poza oszczędzanie kilku godzin kadrom zarządzającym. Pokazałoby to, że agenty AI zaczynają przekraczać granicę między generowaniem przydatnych informacji a przejmowaniem odpowiedzialności za realizację pracy.

Nowa runda seed w wysokości $5 million zapewnia Catch dodatkowy kapitał, aby przetestować, czy ta transformacja może się skalować.