Interloom Samlar In 16,5 Miljoner Dollar För Att Bringa “Minne” Till Företags AI-agenter

Företags AI-agenter blir alltmer kapabla, men en stor begränsning fortsätter att hålla dem tillbaka: de minns inte verkligen hur arbetet utförs inom en organisation.

Detta gap är i centrum för Interlooms senaste finansieringsmeddelande. Startup-företaget i München har samlat in 16,5 miljoner dollar i en seed-runda ledd av DN Capital, med deltagande från Bek Ventures och Air Street Capital. Företaget fokuserar på att bygga en plattform som fångar hur team verkligen opererar och omvandlar den kunskapen till något som AI-system kan använda på ett tillförlitligt sätt.

När företag trycker AI djupare in i sina kärnprocesser blir utmaningen allt tydligare. AI kan följa instruktioner, sammanfatta information och generera utdata, men den saknar ofta den kontext som behövs för att fatta konsekventa beslut i verkliga, komplexa miljöer. Mycket av den kontexten är inte nedskriven någonstans – den existerar i tidigare fall, interna diskussioner och erfarna anställdas bedömningar.

Den Saknade Skiktet I Företags AI

De flesta organisationer antar att deras processer är väl dokumenterade, men i praktiken är det ofta tvärtom. Kritisk operativ kunskap är utspridd över e-post, supportärenden, interna verktyg och informella processer. Även när dokumentation finns, tenderar den att ligga efter verkligheten eller förenkla hur beslut verkligen fattas.

Detta skapar ett stort problem för AI-användning. Utan tillgång till denna implicita kunskap kämpar AI-agenter för att gå utöver smala, fördefinierade uppgifter. De kan assistera, men de kan inte operera självständigt med tillförlitlighet.

Interloom försöker lösa detta genom att införa vad de beskriver som ett beständigt minnesskikt. Istället för att förlita sig på statiska instruktioner lär sig plattformen kontinuerligt från hur team löser verkliga operativa fall. Över tiden bygger den upp en kontinuerligt utvecklande modell av hur beslut fattas inom organisationen, vilket tillåter både människor och AI-system att referera till tidigare resultat som en guide.

Från Statisk Dokumentation Till Levande System

Skiftet som Interloom föreslår är subtilt men betydelsefullt. Traditionella företagssystem är beroende av dokumentation, processer och regler som definierats i förväg. Interlooms tillvägagångssätt går i motsatt riktning, genom att fånga kunskap efteråt genom att observera det verkliga arbetet när det sker.

Detta innebär att systemet inte är begränsat till vad teamen tror bör hända, utan istället reflekterar vad som faktiskt händer. Beslut som fattas under tryck, undantag som hanteras manuellt och lösningar som utvecklas över tiden blir alla en del av ett växande operativt minne.

I praktiken tillåter detta AI-agenter att agera baserat på tidigare fall istället för antaganden. Istället för att generera svar i isolering kan de grunda sina handlingar i liknande fall som redan har lösts. För anställda minskar det också behovet att återupptäcka lösningar, eftersom tidigare beslut blir omedelbart tillgängliga och återanvändbara.

En annan implikation är bevarandet av institutionell kunskap. När erfarna anställda lämnar försvinner ofta mycket av deras expertis med dem. Genom att fånga hur dessa individer hanterade komplexa situationer syftar Interloom till att behålla den kunskapen och göra den tillgänglig för framtida team och system.

Tidig Traction I Komplexa Branscher

Även om det fortfarande är tidigt i dess livscykel arbetar Interloom redan med stora företag, inklusive Zurich Insurance och Volkswagen. Dessa miljöer utgör ett tydligt testfall för plattformen, eftersom de involverar stora mängder komplexa, kontextberoende beslut.

I sektorer som försäkring, tillverkning och finansiella tjänster följer processerna sällan en enkel uppsättning regler. Varje fall kan involvera flera variabler, undantag och beroenden över system. Detta gör dem svåra att automatisera med traditionella metoder, som förlitar sig på rigida processer.

Genom att bearbeta miljontals operativa fall är Interlooms plattform utformad för att avslöja mönster i hur dessa beslut fattas och använda dem för att förbättra både hastighet och konsekvens. Företagets nyligen introducerade “Chief of Staff”-agent bygger på detta genom att syfta till att koordinera processer över system, snarare än att bara utföra isolerade uppgifter.

Vad Detta Betyder För Framtiden För AI I Företaget

Uppkomsten av system som Interloom pekar på en bredare skiftning i hur företags AI sannolikt kommer att utvecklas. De tidiga vågorna av automatisering fokuserade på strukturerade processer och tydligt definierade uppgifter. Mer nyliga framsteg inom generativ AI utvidgade vad maskiner kunde förstå och producera. Nästa fas kan komma att definieras av hur väl AI-system kan inkorporera kontext över tid.

Om AI-agenter ska ta på sig mer ansvar inom organisationer kommer de att behöva något som liknar organisatoriskt minne. Utan det kommer även de mest avancerade modellerna att förbli begränsade till att assistera snarare än att operera. Med det börjar gränsen mellan mänskligt beslutsfattande och maskinell exekvering att suddas ut.

Detta väcker också nya frågor om hur företag hanterar och styr sin interna kunskap. Ett system som kontinuerligt fångar och återanvänder beslut kan bli en kraftfull konkurrensfördel, men det introducerar också utmaningar kring transparens, bias och kontroll. Om AI-system tränas på tidigare beslut kan de förstärka befintliga mönster – både bra och dåliga.

Samtidigt kan förmågan att koda och återanvända operativ kunskap i stor skala omforma hur organisationer tänker på expertis. Istället för att koncentreras hos individer eller team blir kunskap en delad tillgång som utvecklas över tid. Detta kan sänka tröskeln för automatisering inom områden som historiskt har motstått det, särskilt de som kräver bedömning och erfarenhet.

Interlooms tillvägagångssätt antyder att framtiden för företags AI kanske inte definieras enbart av bättre modeller, utan av bättre system för att fånga och tillämpa verklig kunskap. Om den visionen visar sig vara skalbar återstår att se, men riktningen blir allt tydligare: för AI att gå utöver assistans och in i exekvering kan minne vara lika viktigt som intelligens.