Catch sai do stealth com $5M seed para construir um Assistente Executivo de IA Autônomo

Catch saiu do modo stealth com US$5 milhões em financiamento seed para expandir um assistente de IA agente projetado para assumir o trabalho administrativo que consome uma parte significativa do dia de um executivo.

A rodada foi co-liderada pela Entrée Capital e Pitango, com participação da Seedcamp e da Factorial Capital. Em vez de criar outra ferramenta de IA que resume e‑mails ou recomenda o que o usuário deve fazer a seguir, a Catch está tentando algo mais difícil: permitir que executivos deleguem tarefas administrativas inteiras a um software e que elas sejam concluídas.

Fundada por Nir Sabato e Yoav Ramon, a Catch foca especificamente na administração executiva, incluindo agendamento, gerenciamento de e‑mail, viagens, acompanhamentos, conflitos de agenda, lembretes e chamadas telefônicas externas. A empresa afirma que seu sistema já agendou mais de 12.000 reuniões, processou mais de 200.000 e‑mails e concluiu mais de 20.000 tarefas delegadas.

Movendo a IA da assistência para a delegação

A distinção entre ajudar em uma tarefa e realmente concluí‑la tornou‑se um dos principais desafios que a IA agente enfrenta.

Modelos de linguagem de grande escala já conseguem resumir uma caixa de entrada, redigir um e‑mail, sugerir voos ou determinar quando duas pessoas estão disponíveis. Mas transformar essas capacidades individuais em um sistema que possa coordenar de forma confiável com outra pessoa, atualizar uma agenda, fazer uma reserva e acompanhar mudanças nas circunstâncias requer uma camada de execução muito mais profunda.

A Catch foi construída em torno dessa lacuna.

Em vez de solicitar que os usuários configurem fluxos de trabalho ou criem seus próprios agentes, o sistema se conecta às ferramentas que os executivos já utilizam. O site da Catch demonstra suporte a serviços como Gmail, Outlook, Google Calendar, Slack, WhatsApp, iMessage e telefone, permitindo que os usuários se comuniquem com o assistente da mesma forma que fariam com um assistente executivo humano.

Uma vez conectado, o sistema desenvolve uma compreensão das preferências, como hábitos de reunião, prioridades de agenda e requisitos de viagem. A Catch afirma que pode então agir proativamente. Uma reunião cancelada, por exemplo, pode disparar o reagendamento, enquanto uma viagem próxima pode levar o assistente a identificar reservas de hotel ausentes em vez de aguardar um comando explícito.

Isso representa uma mudança importante na forma como os produtos de IA são projetados. Em vez de criar outra interface que os executivos precisem gerenciar, a Catch está tentando desaparecer nos canais de comunicação e nos softwares que eles já utilizam.

Autonomia não significa agir sem limites

O problema mais difícil com agentes administrativos não é se um modelo de IA pode entender uma solicitação. É determinar quando o software deve agir autonomamente e quando um ser humano deve permanecer envolvido.

A Catch parece estar adotando uma abordagem em camadas.

Para trabalhos administrativos rotineiros, o objetivo é minimizar aprovações desnecessárias. Mas ações com consequências financeiras ou outras consequências relevantes podem exigir confirmação. No fluxo de trabalho de viagens da empresa, por exemplo, a Catch pode interpretar um briefing de viagem, comparar voos e hotéis em relação a restrições e montar um itinerário, mas o usuário fornece aprovação explícita antes que a reserva seja concluída.

De forma semelhante, o produto de caixa de entrada da Catch pode triage mensagens e redigir respostas com base no estilo de escrita anterior do usuário, enquanto seu fluxo de trabalho atual mantém o usuário envolvido antes que certas mensagens sejam enviadas.

Essa fronteira pode ser crucial para a adoção de IA agente. A autonomia total parece atraente, mas na prática as empresas provavelmente adotarão agentes gradualmente, ampliando sua autoridade à medida que os sistemas demonstrarem que podem tomar decisões confiáveis dentro de domínios claramente definidos.

O trabalho administrativo pode ser um campo de prova particularmente útil porque combina tarefas repetitivas com decisão contextual suficiente para testar se os sistemas de IA podem ir além da automação simples.

Catch está construindo IA especializada sob o assistente

Por trás da interface conversacional, a Catch também está desenvolvendo sua própria arquitetura de IA ao invés de depender exclusivamente de um modelo de base de uso geral.

A empresa descreve um sistema de “agentes splinter” de escopo restrito, em que agentes individuais recebem acesso apenas às informações necessárias para uma tarefa específica. A ideia é reduzir a quantidade de contexto sensível exposto durante a execução, ao mesmo tempo melhorando latência e confiabilidade.

A Catch afirma que dados de interação anonimados podem ser usados para melhorar seus próprios modelos por meio de aprendizado supervisionado e aprendizado por reforço. Ao mesmo tempo, sua documentação de segurança indica que provedores externos de IA são contratualmente proibidos de reter dados de clientes ou usá‑los para treinar seus próprios modelos.

Como um assistente executivo pode ter acesso a calendários, e‑mails, planos de viagem e informações potencialmente sensíveis da empresa, a segurança torna‑se consideravelmente mais importante quando um sistema de IA pode executar ações ao invés de apenas gerar texto. A Catch afirma estar em conformidade com SOC 2 Tipo II, além de CASA Tier‑2 e verificação do Google, e criptografa dados armazenados e transmitidos enquanto utiliza permissões granulares para os serviços conectados.

Fundadores com experiência em IA e investimento de risco

A empresa foi fundada por dois executivos que abordaram o problema administrativo a partir de diferentes perspectivas.

O CEO Nir Sabato passou vários anos investindo na Entrée Capital, onde se concentrou em áreas como inteligência artificial e tecnologia empresarial. Antes de entrar no capital de risco, ocupou cargos de estratégia na Fiverr e na BLEND. A Catch afirma que a experiência de Sabato trabalhando com fundadores ajudou a revelar quanto tempo executivo de alto valor ainda era consumido por trabalhos de coordenação relativamente rotineiros.

O CTO Yoav Ramon, por sua vez, tem mais de uma década de experiência trabalhando com sistemas de aprendizado de máquina. Seu histórico inclui tecnologia de fala e linguagem na Hi Auto e atuação como CTO da empresa de IA para saúde Nym, onde equipes implantaram grandes modelos de linguagem em ambientes de saúde regulamentados.

Essa combinação é relevante porque construir um agente administrativo requer mais do que um chatbot eficaz. O sistema precisa entender preferências, manter contexto entre interações, interagir com softwares externos e determinar quando tem confiança suficiente para agir.

O próximo campo de batalha da IA agente pode ser o trabalho ordinário

A Catch está entrando em um mercado de IA agente em rápida expansão, mas sua maior importância pode vir da forma como definiu o problema de maneira restrita.

Muitas empresas de IA estão tentando criar agentes cada vez mais gerais capazes de executar dezenas ou centenas de tipos de trabalho. A Catch está adotando a abordagem oposta: concentrar‑se em um domínio relativamente restrito e tentar tornar o sistema suficientemente confiável para que os usuários realmente deixem de executar essas tarefas por conta própria.

Isso pode se tornar um padrão importante para a próxima fase da IA empresarial.

Os agentes comercialmente mais úteis podem não ser inicialmente empregados digitais autônomos capazes de executar qualquer tarefa. Eles podem, em vez disso, surgir como sistemas altamente especializados que compreendem profundamente uma categoria de trabalho, a ponto de serem confiáveis com autoridade progressivamente maior.

A administração executiva oferece um teste revelador. Agendar reuniões, gerenciar viagens e coordenar e‑mails podem parecer tarefas mundanas comparadas com programação ou pesquisa científica, mas esses fluxos de trabalho exigem que a IA interaja com pessoas reais, compreenda instruções incompletas, lembre preferências individuais e tome decisões que têm consequências no mundo real.

Se sistemas como a Catch puderem lidar de forma confiável com esses fluxos de trabalho, a importância vai além de economizar algumas horas dos executivos. Isso demonstraria que os agentes de IA estão começando a cruzar a fronteira entre gerar informações úteis e assumir a responsabilidade de concluir o trabalho.

A nova rodada seed de US$5 milhões oferece à Catch capital adicional para testar se essa transição pode ser escalada.