Catch 在隐身期后以 $5M 种子轮融资推出自主 AI 执行助理

Catch 已经从隐身期出现，获得了 500 万美元的种子轮融资，以扩展一款旨在接管占据高管一天大量时间的行政工作的代理型 AI 助手。

本轮融资由 Entrée Capital 和 Pitango 共同领投，Seedcamp 与 Factorial Capital 也参与了投资。Catch 并非在构建另一款仅能摘要邮件或推荐用户下一步操作的 AI 工具，而是尝试更具挑战性的目标：让高管能够将整项行政任务委托给软件并完成它们。

Catch 由 Nir Sabato 和 Yoav Ramon 创立，专注于高管行政管理，包括日程安排、邮件管理、差旅、跟进、日历冲突、提醒以及外拨电话。公司称其系统已安排超过 12,000 场会议，处理超过 200,000 封邮件，并完成了超过 20,000 项委托任务。

将 AI 从协助转向委托

在任务上提供协助与实际完成任务之间的区别，已成为代理型 AI 面临的核心挑战之一。

大型语言模型已经能够对收件箱进行摘要、起草邮件、推荐航班或确定两人何时有空。但要将这些单项能力转化为一个能够可靠地与他人协作、更新日历、进行预订并在情况变化时跟进的系统，则需要更深层次的执行能力。

Catch 正是围绕这一空白构建的。

与其让用户自行配置工作流或构建自己的代理，系统直接连接高管已在使用的工具。Catch 的网站显示支持包括 Gmail、Outlook、Google Calendar、Slack、WhatsApp、iMessage 和电话等服务，使用户能够像与真人执行助理沟通一样与助手交流。

连接后，系统会了解用户的偏好，如会议习惯、日历优先级和差旅需求。Catch 表示它随后可以主动行动。例如，会议被取消时可触发重新安排，而即将出行时，助理会主动识别缺失的酒店预订，而不是等到明确指示。

这标志着 AI 产品设计方式的重要转变。Catch 并非打造高管需要管理的另一个界面，而是尝试融入他们已有的沟通渠道和软件中，几乎消失于其中。

自主并不等于无限制行动

行政代理面临的更难问题并非 AI 模型是否能理解请求，而是判断软件何时应自主行动，何时需要人类介入。

Catch 似乎采用了分层方式。

对于日常行政工作，目标是尽量减少不必要的批准。但涉及财务或其他重要后果的操作则可能需要确认。例如，在公司差旅工作流中，Catch 能解析差旅简报、在约束条件下比较航班和酒店并生成行程，但在完成预订前需用户明确批准。

同样，Catch 的收件箱产品能够根据用户以往的写作风格对消息进行分流并起草回复，而其当前工作流在发送特定邮件前仍让用户参与。

这一边界对代理型 AI 的采纳可能至关重要。完全自主听起来很诱人，但在实际中，企业可能会逐步采用代理，随着系统在明确领域内展现可靠决策能力而逐步扩大其权限。

行政工作可能是特别有价值的试验场，因为它兼具重复性任务和足够的情境决策，可用于检验 AI 系统是否能超越简单自动化。

Catch 正在为助手打造专用 AI

在对话界面背后，Catch 正在开发自有的 AI 架构，而非仅依赖通用基础模型。

公司描述了一套范围狭窄的“分裂代理”系统，单个代理仅获取完成特定任务所需的信息。此举旨在降低执行过程中暴露的敏感上下文，同时提升延迟和可靠性。

Catch 表示，可通过监督学习和强化学习利用匿名交互数据来改进自身模型。同时，其安全文档称，外部 AI 提供商在合同上被禁止保留客户数据或用于训练其自身模型。

由于执行助理可能访问日历、邮件、差旅计划以及潜在的敏感公司信息，一旦 AI 系统能够执行操作而不仅是生成文本，安全性就变得尤为重要。Catch 表示已通过 SOC 2 Type II、CASA Tier-2 以及 Google 验证，并在存储和传输数据时进行加密，同时对连接的服务使用细粒度权限。

创始人拥有 AI 与风险投资背景

公司由两位从不同角度切入行政问题的高管创立。

首席执行官 Nir Sabato 之前在 Entrée Capital 投资多年，专注于人工智能和企业技术等领域。进入风险投资前，他曾在 Fiverr 和 BLEND 担任战略职务。Catch 表示，Sabato 与创始人合作的经验帮助他发现大量高价值的高管时间仍被相对常规的协调工作所占用。

与此同时，首席技术官 Yoav Ramon 在机器学习系统领域拥有十余年经验。他的背景包括在 Hi Auto 从事语音与语言技术，以及担任医疗 AI 公司 Nym 的 CTO，期间团队在受监管的医疗环境中部署了大型语言模型。

这种组合尤为重要，因为构建行政代理不仅需要一个高效的聊天机器人。系统必须理解偏好、在交互间保持上下文、与外部软件交互，并判断何时具备足够的信心进行操作。

代理型 AI 的下一个战场可能是日常工作

Catch 正进入快速扩张的代理型 AI 市场，但其更大的意义可能源于其对问题的高度聚焦。

许多 AI 公司正尝试打造能够完成数十甚至数百种工作类型的通用代理。Catch 则走相反的路线：专注于相对受限的领域，力求让系统足够可靠，以至于用户真的不再自行完成这些任务。

这可能成为企业 AI 下一阶段的重要模式。

最具商业价值的代理起初可能并非能够执行任何任务的自主数字员工，而是作为高度专精的系统出现，对某一类工作有深入理解，因而能够被赋予逐步扩大的权限。

高管行政提供了一个揭示性的测试。与编码或科学研究相比，安排会议、管理差旅和协调邮件听起来平凡，但这些工作流要求 AI 与真实人物交互、理解不完整指令、记住个人偏好，并做出具有现实后果的决策。

如果像 Catch 这样的系统能够可靠地处理这些工作流，其意义将超出为高管节省数小时的层面。这将表明 AI 代理正开始跨越从生成有用信息到承担完成工作责任的界限。

新的 500 万美元种子轮融资为 Catch 提供了额外资本，以检验这一转变是否能够规模化。