Interloom levanta US$ 16.5 milhões para levar "memória" a agentes de IA empresariais.

Os agentes de IA empresariais estão se tornando mais capazes, mas uma grande limitação continua a impedi-los de avançar: eles não se lembram realmente de como o trabalho é feito dentro de uma organização.

Essa lacuna está no centro de Interloom's financiamento mais recente anúncioA startup sediada em Munique arrecadou US$ 16.5 milhões em uma rodada de investimento seed liderada por DN Capital, com a participação de Bek Ventures e Capital da rua aéreaA empresa está focada em construir uma plataforma que capture como as equipes realmente operam e transforme esse conhecimento em algo que os sistemas de IA possam usar de forma confiável.

À medida que as empresas incorporam a IA cada vez mais profundamente em seus fluxos de trabalho principais, o desafio se torna mais evidente. A IA pode seguir instruções, resumir informações e gerar resultados, mas muitas vezes carece do contexto necessário para tomar decisões consistentes em ambientes complexos do mundo real. Grande parte desse contexto não está documentada — existe em casos passados, discussões internas e no julgamento de funcionários experientes.

A camada que faltava na IA empresarial

A maioria das organizações presume que seus processos estão bem documentados, mas, na prática, o oposto costuma ser verdadeiro. O conhecimento operacional crítico está disperso em e-mails, chamados de suporte, ferramentas internas e fluxos de trabalho informais. Mesmo quando a documentação existe, ela tende a ficar defasada em relação à realidade ou a simplificar demais a forma como as decisões são realmente tomadas.

Isso cria um grande problema para a adoção da IA. Sem acesso a esse conhecimento implícito, os agentes de IA têm dificuldade em ir além de tarefas restritas e predefinidas. Eles podem auxiliar, mas não conseguem operar de forma independente com confiança.

A Interloom está tentando resolver isso introduzindo o que descreve como uma camada de memória persistente. Em vez de depender de instruções estáticas, a plataforma aprende diretamente com a forma como as equipes resolvem casos operacionais reais. Com o tempo, ela constrói um modelo em constante evolução de como as decisões são tomadas em toda a organização, permitindo que tanto humanos quanto sistemas de IA consultem resultados anteriores como guia.

Da documentação estática aos sistemas vivos

A mudança proposta pela Interloom é sutil, mas significativa. Os sistemas empresariais tradicionais dependem fortemente de documentação, fluxos de trabalho e regras definidas antecipadamente. A abordagem da Interloom segue na direção oposta, capturando o conhecimento a posteriori, observando o trabalho real enquanto ele acontece.

Isso significa que o sistema não se limita ao que as equipes acham que deveria acontecer, mas sim reflete o que de fato acontece. Decisões tomadas sob pressão, exceções tratadas manualmente e soluções alternativas desenvolvidas ao longo do tempo tornam-se parte de uma memória operacional crescente.

Na prática, isso permite Agentes AI Agir com base em precedentes, em vez de suposições. Em vez de gerar respostas isoladamente, as equipes podem fundamentar suas ações em casos semelhantes que já foram resolvidos. Para os funcionários, isso também reduz a necessidade de redescobrir soluções, uma vez que as decisões anteriores se tornam imediatamente acessíveis e reutilizáveis.

Outra implicação é a preservação do conhecimento institucional. Quando funcionários experientes saem da empresa, grande parte de sua expertise geralmente desaparece com eles. Ao registrar como esses indivíduos lidaram com situações complexas, a Interloom visa reter esse conhecimento e disponibilizá-lo para futuras equipes e sistemas.

Tração inicial em indústrias complexas

Embora ainda esteja em fase inicial de desenvolvimento, a Interloom já trabalha com grandes empresas, incluindo a Zurich Insurance e a Volkswagen. Esses ambientes representam um claro caso de teste para a plataforma, pois envolvem um grande volume de decisões complexas e dependentes do contexto.

Em setores como seguros, manufatura e serviços financeiros, os processos raramente seguem um conjunto simples de regras. Cada caso pode envolver múltiplas variáveis, exceções e dependências entre sistemas. Isso dificulta a automação por meio de abordagens tradicionais, que se baseiam em fluxos de trabalho rígidos.

Ao processar milhões de casos operacionais, a plataforma da Interloom foi projetada para descobrir padrões em como essas decisões são tomadas e usá-los para melhorar tanto a velocidade quanto a consistência. O novo agente "Chefe de Gabinete" da empresa amplia essa funcionalidade, buscando coordenar fluxos de trabalho entre sistemas, em vez de simplesmente executar tarefas isoladas.

O que isso significa para o futuro da IA ​​nas empresas?

O surgimento de sistemas como o Interloom aponta para uma mudança mais ampla na forma como a IA empresarial provavelmente evoluirá. As primeiras ondas de automação focaram em processos estruturados e tarefas claramente definidas. Os avanços mais recentes em IA generativa expandiram o que as máquinas podiam entender e produzir. A próxima fase poderá ser definida pela capacidade dos sistemas de IA de incorporar contexto ao longo do tempo.

Para que os agentes de IA assumam mais responsabilidades dentro das organizações, precisarão de algo mais próximo da memória organizacional. Sem ela, mesmo os modelos mais avançados ficarão limitados a auxiliar, e não a operar. Com ela, a fronteira entre a tomada de decisão humana e a execução por máquinas começa a se tornar tênue.

Isso também levanta novas questões sobre como as empresas gerenciam e governam seu conhecimento interno. Um sistema que captura e reutiliza decisões continuamente pode se tornar uma poderosa vantagem competitiva, mas também introduz desafios relacionados à transparência, viés e controle. Se os sistemas de IA forem treinados com base em decisões passadas, eles podem reforçar padrões existentes — tanto positivos quanto negativos.

Ao mesmo tempo, a capacidade de codificar e reutilizar conhecimento operacional em larga escala pode remodelar a forma como as organizações pensam sobre expertise. Em vez de estar concentrado em indivíduos ou equipes, o conhecimento torna-se um ativo compartilhado que evolui ao longo do tempo. Isso pode reduzir as barreiras à automação em áreas que historicamente resistiram a ela, particularmente aquelas que exigem julgamento e experiência.

Interloom's Essa abordagem sugere que o futuro da IA ​​empresarial pode não ser definido apenas por modelos melhores, mas por sistemas melhores para capturar e aplicar conhecimento do mundo real. Resta saber se essa visão se mostrará escalável, mas a conclusão está se tornando cada vez mais clara: para que a IA vá além da assistência e entre na execução, a memória pode ser tão importante quanto a inteligência.