Interloom Raises $16.5M to Bring “Memory” to Enterprise AI Agents

Эти агенты ИИ для предприятий становятся более способными, но одно значительное ограничение продолжает сдерживать их: они не真正 помнят, как работа выполняется внутри организации.

Этот пробел находится в центре Interloom’s последнего объявления о финансировании announcement. Munich-based стартап привлёк $16.5 миллионов в раунде финансирования, возглавляемом DN Capital, с участием Bek Ventures и Air Street Capital. Компания фокусируется на создании платформы, которая захватывает, как команды фактически работают, и превращает это знание в нечто, что системы ИИ могут использовать надёжно.

Когда предприятия продвигают ИИ глубже в свои основные рабочие процессы, проблема становится более ясной. ИИ может следовать инструкциям, суммировать информацию и генерировать выводы, но часто ему не хватает контекста, необходимого для принятия последовательных решений в сложных, реальных средах. Большая часть этого контекста не записана нигде – он существует в прошлых случаях, внутренних обсуждениях и решениях опытных сотрудников.

Отсутствующий слой в Enterprise AI

Большинство организаций предполагают, что их процессы хорошо документированы, но на практике часто происходит обратное. Критически важные операционные знания разбросаны по электронным письмам, тикетам поддержки, внутренним инструментам и неформальным рабочим процессам. Даже когда документация существует, она, как правило, отстаёт от реальности или чрезмерно упрощает, как фактически принимаются решения.

Это создаёт большую проблему для внедрения ИИ. Без доступа к этому неявному знанию агенты ИИ борются, чтобы выйти за пределы узких, предопределённых задач. Они могут помогать, но не могут работать самостоятельно с уверенностью.

Interloom пытается решить эту проблему, введя то, что она описывает как постоянный слой памяти. Вместо того, чтобы полагаться на статические инструкции, платформа учиться из того, как команды решают реальные операционные случаи. Со временем она строит непрерывно эволюционирующую модель того, как принимаются решения по всей организации, позволяя как людям, так и системам ИИ ссылаться на прошлые результаты в качестве руководства.

От статической документации к живым системам

Сдвиг, который предлагает Interloom, является тонким, но значительным. Традиционные корпоративные системы сильно полагаются на документацию, рабочие процессы и правила, определённые заранее. Подход Interloom движется в противоположном направлении, захватывая знания после факта, наблюдая за реальной работой, когда она происходит.

Это означает, что система не ограничивается тем, что команды думают, что должно произойти, но вместо этого отражает то, что фактически происходит. Решения, принятые под давлением, исключения, обработанные вручную, и обходные пути, разработанные со временем, все становятся частью растущей операционной памяти.

На практике это позволяет AI agents действовать на основе прецедента, а не предположения. Вместо генерации ответов в изоляции они могут основывать свои действия на подобных случаях, которые уже были решены. Для сотрудников это также снижает необходимость заново открывать решения, поскольку предыдущие решения становятся мгновенно доступными и многократно используемыми.

Ещё одним следствием является сохранение институциональных знаний. Когда опытные сотрудники уходят, большая часть их экспертизы обычно исчезает с ними. Захватывая, как эти люди обрабатывали сложные ситуации, Interloom стремится сохранить эти знания и сделать их доступными для будущих команд и систем.

Ранний успех в сложных отраслях

Хотя Interloom ещё находится на ранней стадии своего жизненного цикла, компания уже работает с крупными предприятиями, включая Zurich Insurance и Volkswagen. Эти среды обеспечивают ясный тестовый случай для платформы, поскольку они предполагают большие объёмы сложных, контекстно-зависимых решений.

В секторах, таких как страхование, производство и финансовые услуги, процессы редко следуют простому набору правил. Каждый случай может включать множество переменных, исключений и зависимостей между системами. Это делает их трудными для автоматизации с помощью традиционных подходов, которые полагаются на жёсткие рабочие процессы.

Обрабатывая миллионы операционных случаев, платформа Interloom предназначена для обнаружения закономерностей в том, как принимаются эти решения, и использования их для улучшения как скорости, так и последовательности. Недавно введённый агент “Chief of Staff” строится на этом, стремясь координировать рабочие процессы между системами, а не просто выполнять изолированные задачи.

Что это значит для будущего ИИ в предприятиях

Появление систем, таких как Interloom, указывает на более широкий сдвиг в том, как ИИ для предприятий, вероятно, будет развиваться. Ранние волны автоматизации фокусировались на структурированных процессах и чётко определённых задачах. Более недавние достижения в генеративном ИИ расширили то, что машины могли понять и произвести. Следующая фаза может быть определена тем, насколько хорошо системы ИИ могут включать контекст со временем.

Если агенты ИИ должны взять на себя больше ответственности внутри организаций, им понадобится нечто подобное организационной памяти. Без неё даже самые передовые модели останутся ограниченными, помогая, а не выполняя. С ней граница между человеческим принятием решений и машинным выполнением начинает стираться.

Это также вызывает новые вопросы о том, как компании управляют и регулируют свои внутренние знания. Система, которая непрерывно захватывает и повторно использует решения, может стать мощным конкурентным преимуществом, но она также вводит проблемы вокруг прозрачности, предвзятости и контроля. Если системы ИИ обучаются на прошлых решениях, они могут укреплять существующие закономерности – как хорошие, так и плохие.

В то же время способность кодировать и повторно использовать операционные знания в масштабе может изменить то, как организации думают об экспертизе. Вместо того, чтобы быть сконцентрированными в отдельных лицах или командах, знания становятся общим активом, который эволюционирует со временем. Это может снизить барьер для автоматизации в областях, которые исторически сопротивлялись этому, особенно в тех, которые требуют суждения и опыта.

Interloom’s подход предполагает, что будущее ИИ для предприятий может не определяться исключительно лучшими моделями, но и лучшими системами для захвата и применения реальных знаний. Будет ли это видение доказано масштабируемым, остаётся быть увиденным, но направление становится всё более ясным: для ИИ, чтобы выйти за пределы помощи и перейти к выполнению, память может быть столь же важна, как и интеллект.