Interloom 籌集 1650 萬美元資金，為企業 AI 引入「記憶」功能

企業 AI 辦事能力不斷提高，但仍有一個主要限制：它們並不真正記得組織內如何完成工作。

這個差距是 Interloom 最新籌資 公告 的核心。這家總部位於慕尼黑的初創公司已經在一輪籌資中籌集了 1650 萬美元，領投方是 DN Capital，參投方包括 Bek Ventures 和 Air Street Capital。該公司專注於建立一個平台，捕捉團隊的實際運作方式，並將這些知識轉化為 AI 系統可以可靠使用的東西。

隨著企業將 AI 推向核心工作流程中，這個挑戰變得更加明顯。AI 可以遵循指令，總結信息，生成輸出，但它通常缺乏在複雜、現實世界環境中做出一致決策所需的背景。

企業 AI 中缺失的層次

大多數組織假設其流程都得到很好的文檔記錄，但在實踐中，情況往往相反。關鍵的運營知識分散在電子郵件、支持票、內部工具和非正式工作流程中。即使文檔存在，它也往往滯後於現實或過度簡化決策的實際情況。

這對於 AI 的採用構成了重大問題。沒有這些隱含知識，AI 辦事員難以超越狹窄、預先定義的任務。它們可以提供協助，但不能自信地獨立運作。

Interloom 嘗試通過引入所謂的持久記憶層來解決這個問題。與其依靠靜態指令，該平台從團隊解決實際運營案例的方式中學習。隨著時間的推移，它建立了一個不斷演化的模型，描述組織內如何做出決策，允許人類和 AI 系統都可以將過去的結果作為指南。

從靜態文檔到活躍系統

Interloom 提出的轉變是微妙但重要的。傳統的企業系統嚴重依賴預先定義的文檔、工作流程和規則。Interloom 的方法則相反，通過觀察實際工作的進行方式，在事後捕捉知識。

這意味著該系統不僅限於團隊認為應該發生的事情，而是反映了實際發生的事情。壓力下的決策、手動處理的異常和隨著時間發展的臨時方案都成為不斷增長的運營記憶的一部分。

在實踐中，這使得 AI 辦事員 可以根據先例而不是假設采取行動。與其在隔離中生成答案，它們可以基於已經解決過的類似案例來進行行為。對於員工來說，這也減少了重新發現解決方案的需要，因為過去的決策變得立即可用和可重複使用。

另一個含義是機構知識的保存。當經驗豐富的員工離開時，他們的專業知識通常也會隨之消失。通過捕捉這些個體如何處理複雜情況，Interloom 旨在保留這些知識，並使其可供未來的團隊和系統使用。

在複雜行業中取得早期成果

儘管仍處於早期階段，Interloom 已經與大型企業合作，包括 Zurich Insurance 和 Volkswagen。這些環境為該平台提供了明確的測試案例，因為它們涉及大量複雜、背景依賴的決策。

在保險、製造和金融服務等行業中，流程很少遵循簡單的規則。每個案例都可能涉及多個變量、異常和系統之間的相互依賴。這使得它們難以使用傳統方法自動化，因為傳統方法依賴於嚴格的工作流程。

通過處理數百萬個運營案例，Interloom 的平台旨在發現這些決策背後的模式，並利用這些模式來提高速度和一致性。該公司新推出的「首席工作人員」代理構建於此基礎，旨在跨系統協調工作流程，而不是僅執行孤立任務。

這對企業 AI 未來的意義

像 Interloom 這樣的系統的出現指向了企業 AI 演化的更廣泛轉變。早期的自動化浪潮關注於結構化流程和明確定義的任務。最近在生成 AI 方面的進步擴大了機器可以理解和生成的內容。下一階段可能是由於 AI 系統如何隨著時間整合背景而定義的。

如果 AI 辦事員要在組織內承擔更多責任，它們需要接近組織記憶。沒有它，即使是最先進的模型也會受到限制，無法超越協助。有了它，人類決策和機器執行之間的界限開始模糊。

這也提出了公司如何管理和治理其內部知識的新問題。一個不斷捕捉和重用決策的系統可能會成為一項強大的競爭優勢，但它也引入了透明度、偏見和控制的挑戰。如果 AI 系統是基於過去的決策進行訓練的，它們可能會強化既有的模式——無論是好的還是壞的。

同時，編碼和重用運營知識的能力可能會重塑組織如何思考專業知識。專業知識不再集中在個人或團隊中，而是成為一項隨著時間演化的共享資產。這可能會降低自動化在歷史上抵制它的領域的門檻，特別是在那些需要判斷和經驗的領域。

Interloom 的方法表明，企業 AI 的未來可能不僅僅是由更好的模型定義的，而是由更好的捕捉和應用現實世界知識的系統定義的。無論這種願景是否能夠擴大規模仍有待觀察，但方向正在變得越來越明顯：AI 要超越協助，走向執行，記憶可能與智慧一樣重要。