Quill Samlar In 6,5 Miljoner Dollar För Att Bygga En Suverän “Chef För AI-Stab”

Medan AI-verktyg förökar sig på arbetsplatsen uppstår ett nytt problem. Professionella gör inte längre bara sitt jobb. De hanterar en växande flotta av AI-assistenterna för skrivande, forskning, kodning, dokumentation och kommunikation. Verktygen delar sällan kontext och förstår sällan hur någon faktiskt arbetar.

Quill tror att den saknade ingrediensen är samtal.

Företaget har samlat in 6,5 miljoner dollar i startfinansiering för att utöka sin plattform och lansera Quilliam, en suverän chef för AI-staben som är utformad för att koordinera AI-verktyg med kontext direkt från möten och diskussioner. Rundan leddes av Basis Set Ventures, med deltagande från 500 Global, Naval Ravikant, Morado Ventures, och AME Cloud Ventures.

Startar Där Arbetet Verkligen Sker

Quill började som ett lokalt först mötestranskriptionsverktyg som fokuserade på att bevara samtalshistorik. Genom att bearbeta ljud direkt på en användares enhet och strukturera sammanfattningar och åtgärdsobjekt från diskussioner, försökte det att minska gapet mellan vad som sades och vad som behövde hända härnäst. Över tiden utvidgades produkten bortom anteckningsfångst till att upprätthålla ett kontinuerligt lager av kontextuell minne som härrör från dessa interaktioner.

Den underliggande premissen är att samtal, snarare än fristående dokument, kan erbjuda en mer exakt grund för att förstå hur arbetet utvecklas i praktiken.

Från Anteckningar Till Samordning

Quilliam utvidgar den grunden snarare än att ersätta den. Medan tidigare iterationer fokuserade på att fånga och strukturera samtal, bär den nya lagret den kontexten in i andra system genom Modellkontextprotokollet.

Istället för att sluta vid transkription kan systemet interagera med dokumentationsplattformar, uppgiftshanterare och andra verktyg. En produktdiskussion kan översättas till uppdaterade projektnoteringar eller nyskapade biljetter. Innan ett kundmöte kan tidigare utbyten ympas för att återställa kontinuitet.

Betoningen ligger på samordning. När AI-verktyg blir inbäddade i skriv-, planerings- och analysflöden, opererar proffs alltmer över fragmenterade system som saknar delad minne. Quilliam försöker minska den fragmenteringen genom att upprätthålla kontextuell kontinuitet över miljöer snarare än att införa ett annat isolerat verktyg.

Arkitektur Och Datakontroll

Plattformens design placerar datalokalisering och inferenskontroll i förgrunden.

Ljudtranskription körs på användarens enhet som standard, och inget ljud överförs externt såvida synkronisering inte är aktiverad. När molnsynk är aktiverad är den slut-till-slut-krypterad, och okrypterat innehåll är inte tillgängligt för tjänsten. Användare kan bestämma var inferens sker, antingen genom företagsmolnleverantörer konfigurerade för nollinnehållsloggning eller genom fullständigt lokala modeller lämpliga för offline- eller luftgap-miljöer.

Användardata används inte för modellträning. Integreringar och arbetsflöden är konfigurerbara, vilket gör att organisationer kan anpassa distributioner till interna krav på regelefterlevnad, inklusive dataresidens och regulatoriska begränsningar. För team som kräver strikt isolering kan systemet fungera utan externa nätverksanrop.

Tillsammans behandlar dessa arkitektbeslut inferensplats och datahantering som justerbara parametrar snarare än fasta antaganden.

En Skiftning Mot Kontextmedveten Arbetsinfrastruktur

Denna kategori av programvara speglar en bredare skiftning i hur digitalt arbete kan struktureras.

Traditionella produktivitetsverktyg kretsar kring dokument, biljetter och instrumentpaneler. AI-system har i stor utsträckning följt den modellen, genererar utdata från prompter och filer. Samtal, trots att de är där många beslut uppstår, har förblivit löst strukturerade och svåra att integrera i operativa system.

När diskussioner blir strukturerade, sökbara och beständiga, börjar de fungera som institutionell minne. Möten är inte längre isolerade händelser utan insatser i kontinuerliga arbetsflöden. Gränsen mellan diskussion och genomförande blir mindre distinkt.

Konsekvenserna sträcker sig bortom anteckningsfångst. Kontextmedvetna system kan påverka hur organisationer dokumenterar beslut, hanterar kunskap, hanterar regelefterlevnad och ombordar anställda. När AI blir inbäddat i dagliga operationer, blir val om datalokalisering och inferenskontroll grundläggande designöverväganden.

Om den första fasen av AI betonade generering, kan den nästa betona kontinuitet och kontext.