Marble Cognition capta US$ 3,75 milhões em rodada pré-seed para criar colegas de trabalho de IA que aprendem observando

A parte mais difícil de automatizar o trabalho de escritório costuma acontecer antes de um agente de IA realizar sua primeira ação: descobrir o que os funcionários realmente fazem. Um fluxo de trabalho pode passar por uma caixa de entrada, uma planilha e vários aplicativos empresariais, com exceções que a equipe conhece, mas que nunca foram registradas em uma especificação formal. A Marble Cognition captou US$ 3,75 milhões em uma rodada pré-seed para transformar esse conhecimento operacional em colegas de trabalho de IA.

Heartcore e Seedcamp co-lideraram a rodada. Entre os investidores-anjo estão um membro do conselho da Datadog, um dos fundadores da Personio e executivos da McKinsey, da Mistral AI e da Lovable, segundo o anúncio. A empresa, sediada em Munique, usará o financiamento para ampliar sua capacidade de inferência, expandir a equipe de engenharia e iniciar as operações nos Estados Unidos.

A abordagem da Marble começa pela observação do trabalho. A empresa registra como os processos se desenrolam, transforma essas observações em mapas estruturados e implementa colegas de trabalho de IA da Marble para executar os fluxos de trabalho resultantes nas ferramentas que os funcionários já usam. As pessoas continuam envolvidas quando são necessários julgamento ou aprovação.

Transformar fluxos de trabalho não documentados em um roteiro de automação

Um agente capaz de navegar por softwares ainda precisa saber quais registros consultar, o que caracteriza uma tarefa concluída e quando uma exceção exige escalonamento. É difícil fornecer essas instruções quando os procedimentos operacionais reais de uma empresa existem apenas como hábitos, transferências informais de tarefas e conhecimento disperso por seus sistemas.

A Marble aposta que esse contexto se tornará mais valioso à medida que o desenvolvimento de software e a criação de agentes ficarem mais fáceis. Sua vantagem proposta é compreender com precisão o trabalho que será automatizado: a sequência de ações, as informações utilizadas e as decisões que conectam uma etapa à seguinte.

A empresa afirma que seu aplicativo para computador registra telas, cliques e teclas digitadas nos aplicativos empresariais. Com essas observações, cria mapas estruturados de processos que sistemas de IA conseguem interpretar e, em seguida, desenvolve colegas de trabalho de IA que executam o processo de ponta a ponta. Isso conecta a descoberta de fluxos de trabalho à implementação, em vez de deixar o cliente traduzir a análise de um processo em um projeto de automação separado.

“Toda empresa com quem conversamos quer que a IA assuma tarefas reais. Mas ninguém consegue explicar à IA como esse trabalho é realmente feito”, disse Felix Rösner, cofundador e CEO da Marble, no anúncio. “Por isso, resolvemos esse problema primeiro.”

Colegas de trabalho de IA que operam em ferramentas empresariais existentes

O site atual do produto da Marble torna mais concreto o modelo de execução. A empresa descreve colegas de trabalho de IA que usam computadores e navegadores de forma nativa, permitindo que as equipes deleguem tarefas nos ambientes que já utilizam. A demonstração de triagem de reembolsos combina uma solicitação de cliente, uma política de reembolso e registros empresariais: o colega de trabalho classifica a solicitação, verifica a política, redige uma resposta e encaminha as exceções a uma pessoa.

Esse exemplo mostra por que o contexto importa. Produzir uma resposta plausível é apenas uma etapa. Um colega de trabalho de IA útil precisa relacionar a solicitação às regras pertinentes e às informações do cliente e, em seguida, distinguir o trabalho rotineiro dos casos que não devem prosseguir automaticamente.

Na prática operacional, a Marble busca eliminar a lacuna entre compreender um fluxo de trabalho e executá-lo. O mapa do processo fornece uma especificação do trabalho; o colega de trabalho de IA o executa nos aplicativos empresariais; e a revisão humana preserva um ponto de decisão quando a tarefa exige. O sucesso da implementação depende de quanto essa especificação contempla as exceções, além do fluxo mais comum.

Primeiros clientes e implementação no setor de serviços financeiros

A Marble afirma trabalhar com unicórnios de tecnologia, empresas apoiadas por fundos de private equity e grupos de consolidação de empresas de IA, e cita EGYM, Mutares e Enam entre seus clientes. Essas organizações oferecem um ambiente propício para testar um produto voltado a operações administrativas repetitivas e que dependem de diversas ferramentas.

Em uma implementação em uma empresa americana de serviços financeiros, não identificada e pertencente a um fundo de private equity, a Marble afirma que um colega de trabalho de IA reduziu em 90% o tempo de atendimento por caso e ajudou a equipe a lidar com 50% mais casos durante o primeiro mês, sem novas contratações. O colega prepara propostas de acordo para aprovação de um especialista, tendo aprendido o fluxo de trabalho ao observar a equipe.

Esses números são resultados divulgados pela empresa e referentes a uma implementação específica, não um parâmetro geral de desempenho. Eles descrevem dois resultados distintos — o tempo gasto em cada caso e o volume total de trabalho da equipe —, e a aprovação do especialista continua fazendo parte do processo.

O exemplo também aponta para o foco comercial da empresa. Um trabalho com estrutura repetível e um limite claro para a aprovação pode ser um ponto de partida para implementar um agente, enquanto as decisões mais ambíguas continuam a cargo da equipe. Ampliar essa abordagem exige que o sistema reconheça quando um caso aparentemente familiar foge do fluxo de trabalho aprendido.

Controles de privacidade são essenciais para observar o trabalho

Um produto que aprende com a atividade dos funcionários precisa de limites claros para a coleta de dados e o acesso a eles. A Marble afirma que seu aplicativo para desktop exclui aplicativos privados, abas privadas e atividades realizadas fora do horário de trabalho. Os funcionários podem pausar a gravação, e as análises são feitas de forma agregada, em vez de serem usadas para avaliar indivíduos.

A empresa também afirma que o material coletado é anonimizado antes de ser visto por uma pessoa ou por um modelo de IA, inclusive nas implantações na nuvem do próprio cliente. Essas são as salvaguardas declaradas pela empresa; elas são fundamentais para o funcionamento previsto do sistema, e não características secundárias do produto.

Em uma implantação empresarial, as questões práticas incluem quais aplicativos estão no escopo, como as informações confidenciais são removidas e quem pode acessar as informações sobre os processos resultantes. Aprender o suficiente para reproduzir um fluxo de trabalho e, ao mesmo tempo, limitar a coleta desnecessária é um desafio central de engenharia e governança para esse modelo.

Capital pré-seed para inferência, engenharia e expansão nos EUA

Rösner e o co-fundador Christophe Schmit, CTO da Marble, se conheceram no Centro de Tecnologia e Gestão Digital de Munique e fundaram a empresa no final de 2025. Rösner trabalhou anteriormente na 11x, uma empresa de agentes de vendas de IA. Schmit, ex-pesquisador do MIT, trabalhou anteriormente na Enam, de acordo com o comunicado.

O financiamento apoiará a infraestrutura e a engenharia necessárias para transformar fluxos de trabalho observados em colegas de trabalho com IA prontos para implantação, além do lançamento planejado da Marble nos EUA. A participação da Seedcamp também aproxima a empresa de um investidor que apoiou a UiPath no início de sua trajetória, situando a Marble em uma linhagem mais ampla de empresas que buscam reduzir o trabalho repetitivo de escritório por meio de software.

A proposta da Marble é que o próximo obstáculo à automação empresarial seja cada vez mais a qualidade do conhecimento sobre processos que um agente recebe. Seus colegas de trabalho com IA serão avaliados pela confiabilidade com que transformam esse conhecimento em trabalho concluído — e pela capacidade de preservar o julgamento humano quando o fluxo de trabalho exigir.