Interloom pozyskuje 16,5 mln dolarów, aby wprowadzić „pamięć” do agentów AI w przedsiębiorstwach

Agenci AI w przedsiębiorstwach stają się coraz bardziej zdolni, ale jeden główny limit nadal ich hamuje: nie mają prawdziwej pamięci o tym, jak praca jest wykonywana wewnątrz organizacji.

Przerwa ta jest w centrum Interloom’s najnowszego ogłoszenia o finansowaniu. Startup z Monachium pozyskał 16,5 miliona dolarów w rundzie seed, którą prowadzi DN Capital, z udziałem Bek Ventures i Air Street Capital. Firma koncentruje się na budowaniu platformy, która przechwytuje, jak zespoły naprawdę działają i przekształca tę wiedzę w coś, co systemy AI mogą wykorzystywać w sposób niezawodny.

Ponieważ przedsiębiorstwa wprowadzają AI głębiej w swoje podstawowe procesy robocze, wyzwanie staje się coraz bardziej widoczne. AI może wykonywać instrukcje, podsumowywać informacje i generować dane wyjściowe, ale często brakuje mu kontekstu niezbędnego do podejmowania spójnych decyzji w skomplikowanych, realnych środowiskach. Większość tego kontekstu nie jest zapisana nigdzie – istnieje w przypadkach z przeszłości, wewnętrznych dyskusjach i decyzjach doświadczonych pracowników.

Brakująca warstwa w przedsiębiorstwach AI

Większość organizacji zakłada, że ich procesy są dobrze udokumentowane, ale w praktyce często jest odwrotnie. Krytyczna wiedza operacyjna jest rozproszona po adresach e-mail, biletach wsparcia, wewnętrznych narzędziach i nieformalnych procesach roboczych. Nawet gdy dokumentacja istnieje, ma tendencję do pozostawania w tyle za rzeczywistością lub uproszczać, w jaki sposób decyzje są naprawdę podejmowane.

Tworzy to duży problem dla wdrożenia AI. Bez dostępu do tej niejawnej wiedzy agenci AI mają trudności z wykraczaniem poza wąskie, wcześniej zdefiniowane zadania. Mogą one asystować, ale nie mogą działać samodzielnie z pewnością.

Interloom próbuje rozwiązać ten problem, wprowadzając to, co nazywa warstwą pamięci trwałej. Zamiast polegać na statycznych instrukcjach, platforma ucz się aktywnie z tego, jak zespoły rozwiązują rzeczywiste przypadki operacyjne. Z biegiem czasu buduje ciągle ewoluujący model, w jaki sposób decyzje są podejmowane w całej organizacji, umożliwiając zarówno ludziom, jak i systemom AI odniesienie się do poprzednich wyników jako przewodnika.

Od statycznej dokumentacji do żywych systemów

Zmiana, którą proponuje Interloom, jest subtelna, ale znacząca. Tradycyjne systemy przedsiębiorstw opierają się silnie na dokumentacji, procesach roboczych i regułach zdefiniowanych z wyprzedzeniem. Podejście Interloom idzie w przeciwnym kierunku, przechwytując wiedzę po fakcie, obserwując rzeczywistą pracę, gdy się ona odbywa.

Oznacza to, że system nie jest ograniczony do tego, co zespoły uważają, że powinno się wydarzyć, ale raczej odzwierciedla to, co naprawdę się wydarza. Decyzje podejmowane pod presją, wyjątki obsługiwane ręcznie oraz rozwiązania opracowane w czasie wszystkie stają się częścią rosnącej pamięci operacyjnej.

W praktyce pozwala to agentom AI działać na podstawie precedensu, a nie założenia. Zamiast generować odpowiedzi w izolacji, mogą one oprzeć swoje działania na podobnych przypadkach, które już zostały rozwiązane. Dla pracowników również redukuje potrzebę odkrywania ponownie rozwiązań, ponieważ poprzednie decyzje stają się natychmiast dostępne i możliwe do ponownego użycia.

Inną konsekwencją jest zachowanie wiedzy instytucjonalnej. Gdy doświadczeni pracownicy odchodzą, wiele ich ekspertyzy zwykle znika z nimi. Przechwytując, w jaki sposób ci pracownicy radzili sobie z złożonymi sytuacjami, Interloom ma na celu zachowanie tej wiedzy i udostępnienie jej przyszłym zespołom i systemom.

Początkowy popyt w złożonych branżach

Pomimo że Interloom jest jeszcze na wczesnym etapie swojego cyklu życia, już pracuje z dużymi przedsiębiorstwami, w tym z Zurich Insurance (ZURN.SW ) i Volkswagen. Te środowiska stanowią wyraźny test przypadku dla platformy, ponieważ obejmują one duże ilości złożonych, zależnych od kontekstu decyzji.

W sektorach takich jak ubezpieczenia, produkcja i usługi finansowe procesy rzadko podążają za prostym zestawem reguł. Każdy przypadek może obejmować wiele zmiennych, wyjątków i zależności między systemami. To sprawia, że trudno je zautomatyzować przy użyciu tradycyjnych podejść, które opierają się na sztywnych procesach roboczych.

Przetwarzając miliony przypadków operacyjnych, platforma Interloom jest zaprojektowana do odkrywania wzorców w podejmowaniu decyzji i wykorzystywania ich do poprawy zarówno szybkości, jak i spójności. Nowo wprowadzony agent „Chief of Staff” buduje na tym, aby koordynować procesy robocze między systemami, a nie tylko wykonywać izolowane zadania.

Co to oznacza dla przyszłości AI w przedsiębiorstwach

Pojawienie się systemów takich jak Interloom wskazuje na szerszą zmianę w tym, jak AI w przedsiębiorstwach prawdopodobnie się rozwinie. Wczesne fale automatyzacji koncentrowały się na strukturalnych procesach i wyraźnie zdefiniowanych zadaniach. Ostatnie postępy w generatywnej AI rozszerzyły to, co maszyny mogą zrozumieć i wyprodukować. Następna faza może być definiowana przez to, jak dobrze systemy AI mogą inkorporować kontekst w czasie.

Jeśli agenci AI mają wziąć na siebie więcej odpowiedzialności w organizacjach, będą potrzebować czegoś w rodzaju pamięci organizacyjnej. Bez niej nawet najbardziej zaawansowane modele pozostaną ograniczone do asystowania, a nie do działania. Z nią granica między podejmowaniem decyzji przez ludzi a wykonaniem przez maszyny zaczyna się zacierać.

To również podnosi nowe pytania o to, jak firmy zarządzają i regulują swoją wewnętrzną wiedzę. System, który ciągle przechwytuje i ponownie wykorzystuje decyzje, może stać się potężną przewagą konkurencyjną, ale również wprowadza wyzwania związane z przejrzystością, stronniczością i kontrolą. Jeśli systemy AI są szkolone na podstawie poprzednich decyzji, mogą one wzmacniać istniejące wzorce – zarówno dobre, jak i złe.

Jednocześnie zdolność do zakodowania i ponownego wykorzystania wiedzy operacyjnej w skali może zmienić to, jak organizacje myślą o ekspertyzie. Zamiast być skoncentrowaną w jednostkach lub zespołach, wiedza staje się wspólnym aktywem, który ewoluuje w czasie. To może obniżyć barierę dla automatyzacji w obszarach, które historycznie opierały się jej, szczególnie w tych, które wymagają osądu i doświadczenia.

Podejście Interloom’s sugeruje, że przyszłość AI w przedsiębiorstwach może nie być definiowana wyłącznie przez lepsze modele, ale przez lepsze systemy do przechwytywania i stosowania rzeczywistej wiedzy. Czy ta wizja okaże się skalowalna, pozostaje jeszcze nieznane, ale kierunek staje się coraz bardziej widoczny: aby AI mogło wyjść poza asystowanie i wejść w wykonanie, pamięć może być równie ważna jak inteligencja.