Компания Interloom привлекла 16.5 млн долларов для внедрения «памяти» в корпоративные ИИ-агенты.

Корпоративные агенты искусственного интеллекта становятся все более совершенными, но одно серьезное ограничение по-прежнему сдерживает их развитие: они на самом деле не помнят, как выполняется работа внутри организации.

Этот разрыв находится в самом центре Компания Interloom последнее финансирование объявлениеМюнхенский стартап привлек 16.5 миллионов долларов в рамках посевного раунда, возглавляемого [имя инвестора]. DN Capitalс участием Бек Венчурс и Эйр Стрит КэпиталКомпания сосредоточена на создании платформы, которая фиксирует реальные методы работы команд и преобразует эти знания в надежные инструменты, которые могут использовать системы искусственного интеллекта.

По мере того, как предприятия все глубже внедряют ИИ в свои основные рабочие процессы, проблема становится все более очевидной. ИИ может следовать инструкциям, обобщать информацию и генерировать результаты, но ему часто не хватает контекста, необходимого для принятия последовательных решений в сложных реальных условиях. Большая часть этого контекста нигде не зафиксирована — она существует в прошлых случаях, внутренних обсуждениях и решениях опытных сотрудников.

Недостающий слой в корпоративном ИИ

Большинство организаций считают, что их процессы хорошо документированы, но на практике часто бывает наоборот. Важнейшие оперативные знания разбросаны по электронной почте, заявкам в службу поддержки, внутренним инструментам и неформальным рабочим процессам. Даже если документация существует, она, как правило, отстает от реальности или чрезмерно упрощает то, как на самом деле принимаются решения.

Это создает серьезную проблему для внедрения ИИ. Без доступа к этим неявным знаниям агенты ИИ с трудом выходят за рамки узких, заранее определенных задач. Они могут оказывать помощь, но не могут уверенно работать самостоятельно.

Компания Interloom пытается решить эту проблему, внедряя, как она сама описывает, слой постоянной памяти. Вместо того чтобы полагаться на статические инструкции, платформа обучается на основе того, как команды решают реальные операционные задачи. Со временем она создает постоянно развивающуюся модель принятия решений в масштабах всей организации, позволяя как людям, так и системам искусственного интеллекта использовать прошлые результаты в качестве ориентира.

От статической документации к живым системам

Предлагаемые компанией Interloom изменения носят тонкий, но значительный характер. Традиционные корпоративные системы в значительной степени зависят от документации, рабочих процессов и заранее определенных правил. Подход Interloom идет в противоположном направлении, фиксируя знания постфактум, наблюдая за реальной работой по мере ее выполнения.

Это означает, что система не ограничивается тем, что, по мнению команд, должно происходить, а отражает то, что происходит на самом деле. Решения, принятые в условиях стресса, исключения, обрабатываемые вручную, и обходные пути, разработанные с течением времени, — все это становится частью растущей оперативной памяти.

На практике это позволяет AI-агенты Действовать, опираясь на прецеденты, а не на предположения. Вместо того чтобы искать ответы изолированно, они могут основывать свои действия на аналогичных случаях, которые уже были решены. Для сотрудников это также снижает необходимость повторного поиска решений, поскольку предыдущие решения становятся мгновенно доступными и могут быть использованы повторно.

Ещё одно следствие — сохранение институциональных знаний. Когда опытные сотрудники уходят, большая часть их экспертных навыков, как правило, исчезает вместе с ними. Фиксируя то, как эти люди справлялись со сложными ситуациями, Interloom стремится сохранить эти знания и сделать их доступными для будущих команд и систем.

Первые шаги в сложных отраслях промышленности

Несмотря на то, что Interloom находится еще на ранней стадии своего развития, платформа уже сотрудничает с крупными предприятиями, включая Zurich Insurance и Volkswagen. Эти среды представляют собой наглядный пример для тестирования платформы, поскольку они включают в себя большой объем сложных, зависящих от контекста решений.

В таких отраслях, как страхование, производство и финансовые услуги, процессы редко подчиняются простому набору правил. Каждый случай может включать множество переменных, исключений и зависимостей между системами. Это затрудняет их автоматизацию с использованием традиционных подходов, которые основаны на жестких рабочих процессах.

Обрабатывая миллионы оперативных случаев, платформа Interloom призвана выявлять закономерности в процессе принятия решений и использовать их для повышения скорости и согласованности. Новый агент компании, «Руководитель аппарата», развивает эту идею, координируя рабочие процессы между системами, а не просто выполняя отдельные задачи.

Что это значит для будущего ИИ в корпоративной среде?

Появление таких систем, как Interloom, указывает на более масштабный сдвиг в том, как, вероятно, будет развиваться корпоративный ИИ. Ранние волны автоматизации были сосредоточены на структурированных процессах и четко определенных задачах. Более поздние достижения в области генеративного ИИ расширили возможности машин в понимании и создании информации. Следующий этап может определяться тем, насколько хорошо системы ИИ смогут учитывать контекст с течением времени.

Если ИИ-агенты хотят взять на себя больше ответственности внутри организаций, им потребуется нечто, более близкое к организационной памяти. Без неё даже самые продвинутые модели будут ограничиваться помощью, а не управлением. С ней граница между принятием решений человеком и выполнением задач машиной начнёт размываться.

Это также поднимает новые вопросы о том, как компании управляют своими внутренними знаниями. Система, которая постоянно фиксирует и повторно использует принятые решения, может стать мощным конкурентным преимуществом, но она также создает проблемы, связанные с прозрачностью, предвзятостью и контролем. Если системы ИИ обучаются на основе прошлых решений, они могут усиливать существующие модели поведения — как хорошие, так и плохие.

В то же время, возможность кодирования и повторного использования оперативных знаний в больших масштабах может изменить представление организаций об экспертных знаниях. Вместо того чтобы быть сосредоточенными в руках отдельных лиц или команд, знания становятся общим активом, который развивается с течением времени. Это может снизить барьер для автоматизации в областях, которые исторически сопротивлялись ей, особенно в тех, которые требуют рассудительности и опыта.

Компания Interloom Этот подход предполагает, что будущее корпоративного ИИ может определяться не только улучшенными моделями, но и более совершенными системами для сбора и применения знаний из реального мира. Насколько эта концепция окажется масштабируемой, покажет время, но тенденция становится все более очевидной: для того чтобы ИИ вышел за рамки помощи и перешел к выполнению задач, память может быть столь же важна, как и интеллект.