Marble Cognition huy động 3,75 triệu USD ở vòng tiền hạt giống để xây dựng các đồng nghiệp AI học hỏi bằng cách quan sát

Phần khó nhất trong việc tự động hóa công việc văn phòng thường xảy ra trước khi một tác nhân AI thực hiện hành động đầu tiên: tìm hiểu xem nhân viên thực sự làm gì. Một quy trình có thể trải qua hộp thư đến, bảng tính và một số ứng dụng nghiệp vụ; các trường hợp ngoại lệ có thể được cả nhóm hiểu rõ nhưng chưa bao giờ được ghi lại trong tài liệu đặc tả chính thức. Marble Cognition đã huy động được 3,75 triệu USD vốn tiền hạt giống để biến kiến thức vận hành đó thành các đồng nghiệp AI.

Heartcore và Seedcamp đồng dẫn dắt vòng gọi vốn. Theo thông báo, các nhà đầu tư thiên thần tham gia gồm một thành viên hội đồng quản trị của Datadog, một nhà sáng lập Personio và các lãnh đạo từ McKinsey, Mistral AI và Lovable. Công ty có trụ sở tại Munich sẽ sử dụng khoản vốn này để mở rộng năng lực suy luận, phát triển đội ngũ kỹ thuật và ra mắt tại Hoa Kỳ.

Cách tiếp cận của Marble bắt đầu bằng việc quan sát công việc. Công ty ghi nhận cách các quy trình diễn ra, chuyển những quan sát đó thành bản đồ có cấu trúc và triển khai Marble Coworkers để thực hiện các quy trình công việc tương ứng bằng những công cụ nhân viên đã sử dụng. Con người vẫn tham gia ở những khâu cần đến phán đoán hoặc phê duyệt.

Biến các quy trình công việc chưa được ghi thành văn bản thành bản thiết kế tự động hóa

Một tác nhân có thể điều hướng phần mềm vẫn cần biết phải tham khảo hồ sơ nào, thế nào mới được xem là hoàn thành một nhiệm vụ và khi nào cần chuyển một trường hợp ngoại lệ lên cấp xử lý cao hơn. Việc cung cấp những chỉ dẫn đó rất khó khi các quy trình vận hành thực tế của công ty chỉ tồn tại dưới dạng thói quen, những lần bàn giao không chính thức và kiến thức nằm rải rác trong các hệ thống.

Marble đặt cược rằng bối cảnh này sẽ trở nên giá trị hơn khi việc phát triển phần mềm và xây dựng tác nhân ngày càng dễ dàng. Lợi thế mà công ty hướng tới là hiểu chính xác công việc cần tự động hóa: trình tự hành động, thông tin được sử dụng và các quyết định kết nối bước này với bước tiếp theo.

Công ty cho biết ứng dụng máy tính để bàn của mình ghi lại màn hình, thao tác nhấp chuột và thao tác gõ phím trong các ứng dụng nghiệp vụ. Công ty sử dụng những quan sát này để xây dựng bản đồ quy trình có cấu trúc mà các hệ thống AI có thể diễn giải, sau đó tạo ra các đồng nghiệp AI thực hiện quy trình từ đầu đến cuối. Cách làm này kết nối việc khám phá quy trình công việc với triển khai, thay vì để khách hàng phải chuyển một bản phân tích quy trình thành một dự án tự động hóa riêng.

“Mọi công ty chúng tôi trao đổi đều muốn AI đảm nhận công việc thực tế. Nhưng không ai có thể cho AI biết công việc đó thực sự được thực hiện như thế nào,” Felix Rösner, đồng sáng lập kiêm CEO của Marble, cho biết trong thông báo. “Vì vậy, trước tiên chúng tôi giải quyết vấn đề đó.”

Các đồng nghiệp AI hoạt động trên những công cụ nghiệp vụ hiện có

Trang web sản phẩm hiện có của Marble giúp mô hình thực thi trở nên cụ thể hơn. Trang web mô tả các đồng nghiệp AI có thể sử dụng máy tính và trình duyệt theo cách tự nhiên, cho phép các nhóm giao việc trong chính những môi trường họ đang sử dụng. Minh họa về quy trình phân loại yêu cầu hoàn tiền kết hợp yêu cầu của khách hàng, chính sách hoàn tiền và hồ sơ nghiệp vụ: đồng nghiệp AI phân loại yêu cầu, kiểm tra chính sách, soạn thư trả lời và chuyển các trường hợp ngoại lệ lại cho một người xử lý.

Ví dụ này cho thấy vì sao bối cảnh lại quan trọng. Tạo ra một câu trả lời nghe có vẻ hợp lý mới chỉ là một bước. Một đồng nghiệp AI hữu ích phải kết nối yêu cầu với các quy định liên quan và thông tin khách hàng, sau đó phân biệt công việc thông thường với trường hợp không nên được tự động xử lý tiếp.

Về mặt vận hành, Marble đang tìm cách thu hẹp khoảng cách giữa việc hiểu một quy trình công việc và thực thi quy trình đó. Bản đồ quy trình cung cấp đặc tả cho công việc; đồng nghiệp AI thực hiện công việc ấy trong các ứng dụng nghiệp vụ; còn việc con người rà soát duy trì một điểm ra quyết định ở những khâu cần thiết. Triển khai thành công phụ thuộc vào mức độ đặc tả ghi nhận đầy đủ các trường hợp ngoại lệ cũng như quy trình thông thường.

Khách hàng ban đầu và hoạt động triển khai trong lĩnh vực dịch vụ tài chính

Marble cho biết công ty đang hợp tác với các kỳ lân công nghệ, doanh nghiệp được các quỹ đầu tư tư nhân hậu thuẫn và các công ty hình thành qua hoạt động mua bán, sáp nhập trong lĩnh vực AI; trong số khách hàng có EGYM, Mutares và Enam. Những tổ chức này là môi trường thử nghiệm phù hợp cho một sản phẩm hướng đến các hoạt động hành chính lặp đi lặp lại, sử dụng nhiều công cụ.

Trong một lần triển khai tại một công ty dịch vụ tài chính ở Mỹ thuộc sở hữu của một quỹ đầu tư tư nhân nhưng không được nêu tên, Marble cho biết một đồng nghiệp AI đã giảm 90% thời gian xử lý mỗi hồ sơ và giúp nhóm giải quyết nhiều hơn 50% số hồ sơ trong tháng đầu tiên mà không cần tuyển thêm nhân viên. Đồng nghiệp AI chuẩn bị các đề nghị dàn xếp để một chuyên viên phê duyệt sau khi học quy trình bằng cách quan sát nhóm.

Các con số này là kết quả do công ty báo cáo từ một lần triển khai cụ thể, chứ không phải chuẩn mực hiệu suất chung. Chúng mô tả hai kết quả khác nhau—thời gian xử lý một hồ sơ và tổng số hồ sơ nhóm giải quyết được—và việc chuyên viên phê duyệt vẫn là một phần của quy trình.

Ví dụ này cũng cho thấy trọng tâm thương mại của công ty. Công việc có cấu trúc lặp lại và ranh giới phê duyệt rõ ràng có thể là điểm khởi đầu phù hợp để triển khai một tác nhân, trong khi những quyết định khó phân định hơn vẫn do nhóm xử lý. Để mở rộng cách tiếp cận này, hệ thống cần nhận biết khi một trường hợp tưởng chừng quen thuộc lại nằm ngoài quy trình đã học.

Các biện pháp kiểm soát quyền riêng tư là trọng tâm khi quan sát công việc

Một sản phẩm học hỏi từ hoạt động của nhân viên cần có ranh giới rõ ràng về việc thu thập dữ liệu và quyền truy cập. Marble cho biết ứng dụng máy tính để bàn của họ loại trừ các ứng dụng riêng tư, thẻ riêng tư và hoạt động ngoài giờ làm việc. Nhân viên có thể tạm dừng ghi lại hoạt động; dữ liệu được phân tích ở mức tổng hợp, thay vì dùng để đánh giá từng cá nhân.

Công ty cũng cho biết tài liệu được thu thập sẽ được ẩn danh trước khi con người hoặc mô hình AI xem đến, kể cả trong các trường hợp triển khai trên đám mây riêng của khách hàng. Đây là những biện pháp bảo vệ do công ty nêu ra; chúng có vai trò thiết yếu trong cách hệ thống được thiết kế để vận hành, chứ không phải những tính năng phụ của sản phẩm.

Khi triển khai trong doanh nghiệp, các câu hỏi thực tế bao gồm những ứng dụng nào thuộc phạm vi áp dụng, thông tin nhạy cảm được loại bỏ ra sao và ai có thể truy cập thông tin quy trình sau đó. Đối với mô hình này, một thách thức cốt lõi về kỹ thuật và quản trị là học đủ để tái tạo quy trình làm việc, đồng thời hạn chế việc thu thập dữ liệu không cần thiết.

Vốn tiền hạt giống cho suy luận, kỹ thuật và mở rộng sang Mỹ

Rösner và đồng sáng lập Christophe Schmit, CTO của Marble, đã gặp nhau tại Trung tâm Công nghệ và Quản lý Kỹ thuật số của Munich và thành lập công ty vào cuối năm 2025. Trước đây, Rösner từng làm việc tại công ty đại lý bán hàng AI 11x. Schmit, một cựu nhà nghiên cứu của MIT, trước đây từng làm việc tại Enam, theo bản tin.

Khoản tài trợ sẽ hỗ trợ xây dựng cơ sở hạ tầng và thực hiện các công việc kỹ thuật cần thiết để biến những quy trình quan sát được thành các đồng nghiệp AI có thể triển khai, đồng thời phục vụ kế hoạch ra mắt của Marble tại Mỹ. Sự tham gia của Seedcamp cũng giúp kết nối công ty với một nhà đầu tư từng rót vốn vào UiPath từ giai đoạn đầu phát triển, đưa Marble vào dòng chảy rộng hơn của các doanh nghiệp đang tìm cách giảm bớt công việc văn phòng lặp đi lặp lại bằng phần mềm.

Marble cho rằng trở ngại tiếp theo đối với tự động hóa trong doanh nghiệp ngày càng nằm ở chất lượng kiến thức quy trình mà một tác nhân được tiếp nhận. Các đồng nghiệp AI của công ty sẽ được đánh giá dựa trên mức độ đáng tin cậy khi chuyển kiến thức đó thành công việc hoàn tất — và khả năng giữ gìn phán đoán của con người khi quy trình đòi hỏi điều này.