Interloom Captura $16,5 Milhões para Levar “Memória” aos Agentes de IA Empresariais

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

Essa lacuna está no centro do anúncio de financiamento mais recente da Interloom. A startup com sede em Munique levantou $16,5 milhões em uma rodada de sementes liderada pela DN Capital, com a participação da Bek Ventures e da Air Street Capital. A 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 impulsionam a IA mais profundamente em seus fluxos de trabalho principais, o desafio está se tornando mais claro. A IA pode seguir instruções, resumir informações e gerar saídas, mas muitas vezes falta o contexto necessário para tomar decisões consistentes em ambientes reais complexos. Grande parte desse contexto não está escrita em lugar algum – existe em casos anteriores, discussões internas e julgamentos de funcionários experientes.

A Camada Perdida na IA Empresarial

A maioria das organizações assume que seus processos estão bem documentados, mas na prática, o oposto é frequentemente verdadeiro. O conhecimento operacional crítico está disperso por e-mails, tickets de suporte, ferramentas internas e fluxos de trabalho informais. Mesmo quando a documentação existe, tende a ficar atrás da realidade ou simplificar demais 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 lutam para ir além de tarefas pré-definidas estreitas. Eles podem ajudar, mas não podem 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 confiar em instruções estáticas, a plataforma aprende com como as equipes resolvem casos operacionais reais. Com o tempo, constrói um modelo continuamente evolutivo de como as decisões são tomadas em toda a organização, permitindo que tanto os humanos quanto os sistemas de IA consultem resultados anteriores como um guia.

De Documentação Estática para Sistemas Viventes

A mudança que a Interloom está propondo é sutil, mas significativa. Os sistemas empresariais tradicionais dependem fortemente de documentação, fluxos de trabalho e regras definidas antecipadamente. A abordagem da Interloom se move na direção oposta, capturando o conhecimento após o fato, observando o trabalho real à medida que acontece.

Isso significa que o sistema não está limitado ao que as equipes pensam que deve acontecer, mas reflete o que realmente acontece. Decisões tomadas sob pressão, exceções tratadas manualmente e soluções desenvolvidas ao longo do tempo tornam-se parte de uma memória operacional em crescimento.

Na prática, isso permite que os agentes de IA atuem com base em precedentes, em vez de suposições. Em vez de gerar respostas em isolamento, eles podem fundamentar suas ações em casos semelhantes que já foram resolvidos. Para os funcionários, isso também reduz a necessidade de redescobrir soluções, pois decisões anteriores se tornam instantaneamente acessíveis e reutilizáveis.

Outra implicação é a preservação do conhecimento institucional. Quando funcionários experientes saem, grande parte de sua expertise normalmente some com eles. Ao capturar como esses indivíduos lidaram com situações complexas, a Interloom visa reter esse conhecimento e torná-lo disponível para futuras equipes e sistemas.

Tracção Inicial em Indústrias Complexas

Embora ainda esteja nos primórdios de seu ciclo de vida, a Interloom já está trabalhando com grandes empresas, incluindo Zurich Insurance (ZURN.SW ) e Volkswagen. Esses ambientes fornecem um caso de teste claro para a plataforma, pois envolvem grandes volumes de decisões dependentes de contexto e complexas.

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 os torna difíceis de automatizar usando abordagens tradicionais, que dependem de fluxos de trabalho rígidos.

Ao processar milhões de casos operacionais, a plataforma da Interloom é projetada para descobrir padrões em como essas decisões são tomadas e usá-los para melhorar tanto a velocidade quanto a consistência. O agente “Chief of Staff” recém-introduzido da empresa se baseia nisso, visando 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 a Interloom aponta para uma mudança mais ampla em como a IA empresarial provavelmente evoluirá. As primeiras ondas de automação se concentraram em processos estruturados e tarefas claramente definidas. Avanços mais recentes em IA gerativa expandiram o que as máquinas podiam entender e produzir. A próxima fase pode ser definida por como bem os sistemas de IA podem incorporar o contexto ao longo do tempo.

Se os agentes de IA devem assumir mais responsabilidades dentro das organizações, eles precisarão de algo mais próximo da memória organizacional. Sem isso, mesmo os modelos mais avançados permanecerão limitados a ajudar, em vez de operar. Com isso, a fronteira entre a tomada de decisão humana e a execução da máquina começa a se desvanecer.

Isso também levanta novas questões sobre como as empresas gerenciam e governam seu conhecimento interno. Um sistema que capture e reutilize continuamente decisões pode se tornar uma vantagem competitiva poderosa, mas também introduz desafios em torno de transparência, viés e controle. Se os sistemas de IA são treinados em decisões passadas, eles podem reforçar padrões existentes – tanto bons quanto ruins.

Ao mesmo tempo, a capacidade de codificar e reutilizar o conhecimento operacional em escala pode redefinir como as organizações pensam sobre a expertise. Em vez de ser concentrada em indivíduos ou equipes, o conhecimento se torna um ativo compartilhado que evolui com o tempo. Isso pode reduzir a barreira para a automação em áreas que historicamente resistiram a ela, particularmente aquelas que exigem julgamento e experiência.

A abordagem da Interloom sugere que o futuro da IA empresarial pode não ser definido apenas por melhores modelos, mas por melhores sistemas para capturar e aplicar conhecimento do mundo real. Se essa visão se provar escalável, ainda é para ser visto, mas a direção está se tornando cada vez mais clara: para a IA ir além da assistência e para a execução, a memória pode ser tão importante quanto a inteligência.