Catch träder fram ur stealth med $5M i seedfinansiering för att bygga en autonom AI‑exekutivassistent

Catch har kommit fram ur stealth med $5 million i seedfinansiering för att expandera en agentbaserad AI‑assistent som är utformad för att ta över det administrativa arbete som tar upp en betydande del av en chefs dag.

Rundan leddes gemensamt av Entrée Capital och Pitango, med deltagande från Seedcamp och Factorial Capital. Istället för att bygga ett ytterligare AI‑verktyg som sammanfattar e‑post eller rekommenderar vad en användare bör göra härnäst, försöker Catch något svårare: låta chefer delegera hela administrativa uppgifter till mjukvara och få dem utförda.

Catch, som grundades av Nir Sabato och Yoav Ramon, fokuserar specifikt på exekutiv administration, inklusive schemaläggning, e‑posthantering, resor, uppföljningar, kalenderkonflikter, påminnelser och utgående telefonsamtal. Företaget uppger att systemet redan har bokat mer än 12 000 möten, hanterat över 200 000 e‑postmeddelanden och slutfört mer än 20 000 delegerade uppgifter.

Flytta AI från assistans till delegering

Skillnaden mellan att assistera med en uppgift och faktiskt slutföra den har blivit en av de centrala utmaningarna för agentbaserad AI.

Stora språkmodeller kan redan sammanfatta en inkorg, skriva ett e‑postmeddelande, föreslå flyg eller fastställa när två personer är tillgängliga. Men att omvandla dessa enskilda funktioner till ett system som på ett pålitligt sätt kan samordna med en annan person, uppdatera en kalender, göra en reservation och följa upp när omständigheterna förändras kräver ett mycket djupare exekveringslager.

Catch är byggt kring detta gap.

Istället för att be användarna konfigurera arbetsflöden eller bygga sina egna agenter, ansluter systemet till de verktyg som chefer redan använder. Catchs webbplats visar stöd för tjänster som Gmail, Outlook, Google Calendar, Slack, WhatsApp, iMessage och telefon, vilket gör att användarna kan kommunicera med assistenten på samma sätt som de skulle kommunicera med en mänsklig exekutivassistent.

När anslutningen är etablerad utvecklar systemet en förståelse för preferenser såsom mötesvanor, kalenderprioriteringar och resebehov. Catch uppger att det då kan agera proaktivt. Ett avbrutet möte kan exempelvis utlösa en ombokning, medan en kommande resa kan få assistenten att identifiera saknade hotellbokningar istället för att vänta på en explicit uppmaning.

Detta representerar ett viktigt skifte i hur AI‑produkter utformas. Istället för att skapa ett ytterligare gränssnitt som chefer måste hantera, försöker Catch försvinna in i de kommunikationskanaler och den mjukvara de redan använder.

Autonomi betyder inte att agera utan begränsningar

Det svårare problemet med administrativa agenter är inte om en AI‑modell kan förstå en begäran. Det handlar om att avgöra när mjukvara ska agera autonomt och när en människa ska förbli involverad.

Catch verkar använda en lagerbaserad strategi.

För rutinmässigt administrativt arbete är målet att minimera onödiga godkännanden. Men åtgärder med finansiella eller andra betydande konsekvenser kan kräva bekräftelse. I företagets researbetsflöde kan Catch till exempel tolka en resebrief, jämföra flyg och hotell mot begränsningar och sammanställa en resplan, men användaren ger ett explicit godkännande innan en bokning slutförs.

På liknande sätt kan Catchs inkorgsprodukt triagera meddelanden och skriva svar baserat på en användares tidigare skrivstil, medan det nuvarande arbetsflödet håller användaren involverad innan vissa meddelanden skickas.

Den gränsen kan visa sig avgörande för adoption av agentbaserad AI. Full autonomi låter lockande, men i praktiken kommer företag sannolikt att införa agenter stegvis, och utöka deras befogenheter när systemen visar att de kan fatta pålitliga beslut inom tydligt definierade områden.

Administrativt arbete kan vara en särskilt användbar provplats eftersom det kombinerar repetitiva uppgifter med tillräckligt mycket kontextuell beslutsfattning för att testa om AI‑system kan gå bortom enkel automatisering.

Catch bygger specialiserad AI under assistenten

Bakom det konversativa gränssnittet utvecklar Catch också sin egen AI‑arkitektur i stället för att enbart förlita sig på en generell grundmodell.

Företaget beskriver ett system av snävt avgränsade ”splinter‑agenter”, där enskilda agenter endast får tillgång till den information som behövs för en specifik uppgift. Idén är att minska mängden känslig kontext som exponeras under exekveringen samt förbättra latens och pålitlighet.

Catch uppger att anonymiserad interaktionsdata kan användas för att förbättra sina egna modeller genom övervakad inlärning och förstärkningsinlärning. Samtidigt säger deras säkerhetsdokumentation att externa AI‑leverantörer kontraktsmässigt är förbjudna att behålla kunddata eller använda den för att träna sina egna modeller.

Eftersom en exekutivassistent kan ha tillgång till kalendrar, e‑post, reseplaner och potentiellt känslig företagsinformation blir säkerheten betydligt viktigare när ett AI‑system kan vidta åtgärder snarare än bara generera text. Catch uppger att de är SOC 2 Type II‑kompatibla, samt har CASA Tier‑2‑ och Google‑verifiering, och krypterar lagrad och överförd data samtidigt som de använder detaljerade behörigheter för anslutna tjänster.

Grundare med bakgrund inom AI och riskkapital

Företaget grundades av två ledare som närmade sig det administrativa problemet från olika håll.

VD Nir Sabato tillbringade tidigare flera år med investeringar på Entrée Capital, där han fokuserade på områden som artificiell intelligens och företags‑teknik. Innan han gick in i riskkapital hade han strategiska roller på Fiverr och BLEND. Catch säger att Sabatos erfarenhet av att arbeta med grundare hjälpte till att belysa hur mycket högvärdig exekutiv tid fortfarande gick åt till relativt rutinmässigt samordningsarbete.

CTO Yoav Ramon har under mer än ett decennium arbetat med maskininlärningssystem. Hans bakgrund inkluderar tal‑ och språkteknik på Hi Auto samt att ha varit CTO för hälso‑AI‑företaget Nym, där teamen implementerade stora språkmodeller i reglerade hälso‑miljöer.

Den kombinationen är relevant eftersom byggandet av en administrativ agent kräver mer än en effektiv chattbot. Systemet måste förstå preferenser, upprätthålla kontext över interaktioner, interagera med extern mjukvara och avgöra när det har tillräckligt förtroende för att agera.

Agentbaserad AI:s nästa slagfält kan vara vanligt arbete

Catch går in på en snabbt växande marknad för agentbaserad AI, men dess större betydelse kan komma från hur snävt de har definierat problemet.

Många AI‑företag försöker skapa alltmer generella agenter som kan utföra dussintals eller hundratals typer av arbete. Catch tar den motsatta vägen: de koncentrerar sig på ett relativt begränsat område och försöker göra systemet så pålitligt att användarna faktiskt slutar utföra dessa uppgifter själva.

Det kan bli ett viktigt mönster för nästa steg i företags‑AI.

De mest kommersiellt användbara agenterna kanske inte initialt är autonoma digitala medarbetare som kan utföra vilken uppgift som helst. De kan istället dyka upp som starkt specialiserade system som förstår en arbetskategori tillräckligt djupt för att kunna litas på med gradvis större befogenheter.

Exekutiv administration erbjuder ett avslöjande test. Att schemalägga möten, hantera resor och samordna e‑post kan låta vardagligt jämfört med kodning eller vetenskaplig forskning, men dessa arbetsflöden kräver att AI interagerar med riktiga människor, förstår ofullständiga instruktioner, kommer ihåg individuella preferenser och fattar beslut som har verkliga konsekvenser.

Om system som Catch kan pålitligt hantera dessa arbetsflöden, sträcker sig betydelsen bortom att spara chefer några timmar. Det skulle visa att AI‑agenter börjar överskrida gränsen mellan att generera användbar information och att ta ansvar för att få arbetet gjort.

Den nya $5 million‑seedrundan ger Catch ytterligare kapital för att testa om den övergången kan skalas.