Catch виходить зі стану прихованості з $5 млн посівного фінансування для створення автономного AI‑асистента для керівників

Catch вийшов зі стану прихованості з $5 мільйонами посівного фінансування, щоб розширити агентний AI‑асистент, призначений для виконання адміністративної роботи, яка займає значну частину дня керівника.

Раунд був спільно очолюваний Entrée Capital та Pitango, за участю Seedcamp і Factorial Capital. Замість створення ще одного інструменту AI, який підсумовує електронні листи або рекомендує, що користувач має робити далі, Catch намагається зробити щось складніше: дозволити керівникам делегувати цілі адміністративні завдання програмному забезпеченню та отримувати їх виконаними.

Заснований Ніром Сабато та Йоавом Рамоном, Catch спеціалізується саме на адміністративних завданнях керівників, включаючи планування, управління електронною поштою, подорожі, подальші дії, конфлікти в календарі, нагадування та вихідні телефонні дзвінки. Компанія стверджує, що її система вже запланувала понад 12 000 зустрічей, обробила більше 200 000 листів і виконала понад 20 000 делегованих завдань.

Перехід AI від допомоги до делегування

Різниця між допомогою у виконанні завдання та фактичним його завершенням стала однією з головних проблем, що стоять перед агентним AI.

Великі мовні моделі вже вміють підсумовувати вхідну пошту, створювати листи, пропонувати авіарейси або визначати, коли двоє людей доступні. Але перетворення цих окремих можливостей у систему, яка може надійно координуватися з іншою особою, оновлювати календар, робити бронювання та слідкувати за змінами обставин, вимагає набагато глибшого рівня виконання.

Catch побудований навколо цього прогалини.

Замість того, щоб просити користувачів налаштовувати робочі процеси або створювати власних агентів, система підключається до інструментів, якими вже користуються керівники. На веб‑сайті Catch показано підтримку сервісів, включаючи Gmail, Outlook, Google Calendar, Slack, WhatsApp, iMessage та телефон, що дозволяє користувачам спілкуватися з асистентом так само, як із людським виконавчим помічником.

Після підключення система формує розуміння уподобань, таких як звички щодо зустрічей, пріоритети в календарі та вимоги до подорожей. Catch стверджує, що тоді може діяти проактивно. Наприклад, скасована зустріч може викликати перенесення, а майбутня подорож може спонукати асистента виявити відсутні готельні бронювання, замість того, щоб чекати на явний запит.

Це представляє важливу зміну у підході до розробки AI‑продуктів. Замість створення ще одного інтерфейсу, яким керівники мають користуватися, Catch намагається зникнути у канали комунікації та програмне забезпечення, які вони вже використовують.

Автономність не означає дію без обмежень

Складніша проблема з адміністративними агентами полягає не в тому, чи може AI‑модель зрозуміти запит. Питання – визначити, коли програмне забезпечення має діяти автономно, а коли людина повинна залишатися залученою.

Catch, здається, застосовує багаторівневий підхід.

Для рутинної адміністративної роботи мета – мінімізувати непотрібні затвердження. Однак дії з фінансовими чи іншими значущими наслідками можуть вимагати підтвердження. У робочому процесі подорожей компанії, наприклад, Catch може інтерпретувати інструкції щодо подорожі, порівнювати авіарейси та готелі з обмеженнями та формувати маршрут, але користувач надає явне схвалення перед завершенням бронювання.

Подібним чином, продукт інбокс Catch може сортувати повідомлення та створювати відповіді на основі попереднього стилю письма користувача, при цьому поточний робочий процес залишає користувача залученим перед надсиланням певних повідомлень.

Цей межовий момент може виявитися вирішальним для впровадження агентного AI. Повна автономність звучить привабливо, але на практиці компанії, ймовірно, впроваджуватимуть агентів поступово, розширюючи їх повноваження, коли системи продемонструють, що можуть приймати надійні рішення в чітко визначених сферах.

Адміністративна робота може стати особливо корисним випробувальним полем, оскільки поєднує повторювані завдання з достатньою контекстною прийомністю рішень, щоб перевірити, чи можуть AI‑системи виходити за межі простого автоматизму.

Catch створює спеціалізований AI під асистентом

За розмовним інтерфейсом Catch також розробляє власну AI‑архітектуру, а не покладається виключно на універсальну базову модель.

Компанія описує систему вузькоспеціалізованих «splinter agents», де окремим агентам надається доступ лише до інформації, необхідної для конкретного завдання. Ідея полягає у зменшенні обсягу чутливого контексту, що розкривається під час виконання, а також у підвищенні швидкості та надійності.

Catch стверджує, що анонімізовані дані взаємодії можна використовувати для покращення власних моделей за допомогою контрольованого навчання та підкріплювального навчання. Одночасно документація з безпеки зазначає, що зовнішні постачальники AI за контрактом заборонені зберігати дані клієнтів або використовувати їх для навчання власних моделей.

Оскільки виконавчий асистент може мати доступ до календарів, електронної пошти, планів подорожей та потенційно конфіденційної інформації компанії, безпека стає значно важливішою, коли AI‑система може виконувати дії, а не лише генерувати текст. Catch заявляє, що відповідає вимогам SOC 2 Type II, а також CASA Tier-2 та Google verification, і шифрує збережені та передані дані, використовуючи детальні дозволи для підключених сервісів.

Засновники з досвідом у AI та венчурному інвестуванні

Компанію заснували два керівники, які підходили до адміністративної проблеми з різних боків.

CEO Nir Sabato раніше провів кілька років, інвестуючи в Entrée Capital, де зосереджувався на сферах, включаючи штучний інтелект та корпоративні технології. Перед тим, як перейти у венчурний капітал, він займав стратегічні посади у Fiverr та BLEND. Catch стверджує, що досвід Сабато у роботі з засновниками допоміг виявити, скільки часу висококваліфікованих керівників все ще витрачається на відносно рутинну координаційну роботу.

CTO Yoav Ramon, між тим, понад десять років працює з системами машинного навчання. Його досвід включає технології розпізнавання мови та мови в Hi Auto та посаду CTO у компанії з AI у сфері охорони здоров’я Nym, де команди впроваджували великі мовні моделі у регульованих медичних середовищах.

Це поєднання важливе, оскільки створення адміністративного агента вимагає більше, ніж ефективний чат‑бот. Система повинна розуміти уподобання, підтримувати контекст між взаємодіями, взаємодіяти зі стороннім програмним забезпеченням та визначати, коли вона має достатню впевненість для дії.

Наступне поле битви агентного AI може бути звичайна робота

Catch входить у швидко зростаючий ринок агентного AI, проте його більша значимість може полягати у тому, наскільки вузько він визначив проблему.

Багато AI‑компаній намагаються створити все більш універсальних агентів, здатних виконувати десятки чи сотні типів робіт. Catch обирає протилежний підхід: зосереджується на відносно обмеженій сфері та намагається зробити систему достатньо надійною, щоб користувачі справді припинили виконувати ці завдання самостійно.

Це може стати важливим шаблоном для наступного етапу корпоративного AI.

Найбільш комерційно корисні агенти спочатку можуть не бути автономними цифровими працівниками, здатними виконувати будь-яке завдання. Вони можуть з’явитися як високоспеціалізовані системи, які глибоко розуміють одну категорію роботи і можуть отримати поступово більший рівень довіри.

Виконавче адміністрування є наочним випробуванням. Планування зустрічей, управління подорожами та координація електронної пошти можуть здаватися буденними порівняно з програмуванням чи науковими дослідженнями, проте ці робочі процеси вимагають від AI взаємодії з реальними людьми, розуміння неповних інструкцій, запам’ятовування індивідуальних уподобань та прийняття рішень, які мають реальні наслідки.

Якщо системи, подібні до Catch, зможуть надійно впоратися з цими процесами, їхня значимість виходить за межі економії кількох годин керівникам. Це продемонструє, що AI‑агенти починають переходити межу між генеруванням корисної інформації та взяттям на себе відповідальності за виконання роботи.

Новий $5‑мільйонний посівний раунд надає Catch додатковий капітал для перевірки, чи можна масштабувати цей перехід.