融资3 days ago
Interloom 融资1650万美元，为企业AI智能体赋予“记忆”
企业AI智能体正变得愈发强大，但一个主要的限制因素仍在阻碍它们的发展：它们无法真正记住组织内部的工作是如何完成的。这一差距正是Interloom最新融资公告的核心。这家总部位于慕尼黑的初创公司已在一轮由DN Capital领投的种子轮融资中筹集了1650万美元，Bek Ventures和Air Street Capital参与投资。该公司专注于构建一个平台，旨在捕捉团队的实际运作方式，并将这些知识转化为AI系统能够可靠使用的资源。随着企业将AI更深地融入其核心工作流程，挑战也变得更加清晰。AI可以遵循指令、总结信息并生成输出，但它通常缺乏在混乱的现实环境中做出连贯决策所需的上下文。这些上下文大多没有以书面形式记录下来——它们存在于过去的案例、内部讨论以及经验丰富员工的判断中。企业AI中缺失的一层大多数组织认为其流程有完善的文档记录，但实际上往往相反。关键的操作知识分散在电子邮件、支持工单、内部工具和非正式工作流程中。即使存在文档，也往往落后于现实，或者过度简化了决策的实际制定方式。这给AI的采用带来了一个重大问题。如果无法获取这些隐性知识，AI智能体就很难超越狭窄的、预定义的任务。它们可以提供协助，但无法自信地独立运作。Interloom正试图通过引入其所谓的持久记忆层来解决这个问题。该平台不依赖静态指令，而是通过观察团队如何解决实际运营案例来学习。随着时间的推移，它会构建一个不断演化的模型，反映整个组织内的决策方式，使人类和AI系统都能参考过去的成果作为指导。从静态文档到活系统Interloom所提出的转变是微妙但重要的。传统的企业系统严重依赖于预先定义的文档、工作流程和规则。Interloom的方法则反其道而行之，通过观察实际工作的发生过程，在事后捕获知识。这意味着系统不仅限于团队认为应该发生的事情，而是反映了实际发生的事情。在压力下做出的决策、手动处理的例外情况以及随时间发展出的变通方案，都成为不断增长的运营记忆的一部分。在实践中，这使得AI智能体能够基于先例而非假设采取行动。它们不再孤立地生成答案，而是可以将自己的行动建立在已解决的类似案例之上。对于员工而言，这也减少了重新发现解决方案的需要，因为之前的决策变得立即可访问和可重用。另一个意义在于机构知识的保存。当经验丰富的员工离职时，他们的专业知识通常也随之消失。通过捕捉这些个体处理复杂情况的方式，Interloom旨在保留这些知识，并使其可供未来的团队和系统使用。在复杂行业的早期应用尽管仍处于发展早期，Interloom已开始与苏黎世保险和大众汽车等大型企业合作。这些环境为平台提供了清晰的测试案例，因为它们涉及大量复杂、依赖上下文的决策。在保险、制造业和金融服务等行业，流程很少遵循一套简单的规则。每个案例都可能涉及多个变量、例外情况和跨系统的依赖关系。这使得使用依赖僵化工作流程的传统方法难以实现自动化。通过处理数百万个运营案例，Interloom的平台旨在揭示这些决策的模式，并利用它们来提高速度和一致性。该公司新推出的“Chief of Staff”智能体在此基础上更进一步，旨在协调跨系统的工作流程，而不仅仅是执行孤立的任务。这对企业AI的未来意味着什么像Interloom这样的系统的出现，指向了企业AI可能如何演变的更广泛转变。早期的自动化浪潮侧重于结构化流程和明确定义的任务。生成式AI的最新进展扩展了机器能够理解和产生的内容。下一阶段可能将由AI系统随时间整合上下文的能力来定义。如果AI智能体要在组织内部承担更多责任，它们将需要更接近组织记忆的东西。没有它，即使是最先进的模型也将仅限于辅助而非运营。有了它，人类决策和机器执行之间的界限开始变得模糊。这也引发了关于公司如何管理和治理其内部知识的新问题。一个持续捕获并重用决策的系统可能成为强大的竞争优势，但它也带来了透明度、偏见和控制方面的挑战。如果AI系统是基于过去的决策进行训练的，它们可能会强化现有的模式——无论是好的还是坏的。与此同时，大规模编码和重用运营知识的能力可能会重塑组织对专业知识的看法。知识不再集中于个人或团队，而是成为一种随时间演变的共享资产。这可能会降低在历来抵制自动化的领域实现自动化的门槛，尤其是在那些需要判断和经验的领域。Interloom的方法表明，企业AI的未来可能不仅仅由更好的模型定义，还由更好的捕获和应用现实世界知识的系统来定义。这一愿景是否具有可扩展性尚待观察，但方向正变得越来越清晰：对于AI而言，要超越辅助进入执行阶段，记忆可能与智能同等重要。
