Interloom привлекла $16,5 млн, чтобы научить AI-агентов понимать то, что в компаниях обычно нигде не записано
Самая ценная инструкция в крупной компании нередко вообще не существует в виде инструкции. Она живет в голове у сотрудника, который «просто знает, как тут все устроено». Именно на этом слое — расплывчатом, человеческом, ускользающем — и строит свою ставку мюнхенский стартап Interloom. Компания объявила о привлечении $16,5 млн венчурного финансирования на развитие платформы, которая помогает AI-агентам работать не по абстрактной логике, а с учетом реального корпоративного контекста.
Раунд возглавил DN Capital. Также в нем участвовали Bek Ventures и прежний инвестор Air Street Capital. Ранее, в марте 2024 года, Interloom уже привлекала $3 млн в seed-раунде. Оценку бизнеса после новой сделки компания раскрывать не стала.
Идея, если по-простому, вот в чем: большинство операционных решений в компаниях не описано в регламентах до конца. А иногда — давайте честно — не описано вообще. Это особенно критично там, где бизнес пытается внедрять AI-агентов и автоматизацию, рассчитывая, что те быстро подхватят рутину. Не подхватят, если им не дать живой контекст.
Здесь Interloom опирается на старую, но удивительно актуальную мысль философа Майкла Полани, который ввел понятие «неявного знания» — tacit knowledge. Его формула звучала просто: мы знаем больше, чем можем выразить словами. Для enterprise-среды это не красивая теория, а вполне приземленная проблема. AI-агент может читать инструкции, но не понимает, почему опытный сотрудник в спорной ситуации идет не по регламенту, а в обход — потому что так реально работает.
По словам сооснователя и CEO Interloom Фабиана Якоби, именно здесь сегодня и находится главное узкое место рынка. Он утверждает, что около 70% операционных решений в компаниях никогда не были формально задокументированы. Когда сложный тикет попадает к сильному специалисту поддержки, тот знает, кому эскалировать вопрос, какой обходной путь сработает и где документация, мягко говоря, устарела. Не потому, что он это прочитал. Потому что уже проходил через это десятки раз.
Якоби формулирует это жестко: самый важный человек в банке — часто тот, кто понимает, соответствует ли документация реальности. И, как это обычно бывает, именно такие люди далеко не всегда занимают самые заметные или высокооплачиваемые позиции. Немного иронично, да. Но бизнес на этом держится.
Подход Interloom строится на анализе огромных массивов операционных данных: писем в поддержку, сервисных тикетов, транскриптов звонков, рабочих заданий и других следов повседневной деятельности. На их основе компания создает то, что называет «графом контекста» — постоянно обновляемой картой того, как внутри конкретной организации на самом деле решаются задачи. Не на бумаге. В жизни.
Сам Якоби сравнивает эту модель с Google Maps: как навигатор строит маршрут по данным о трафике в реальном времени, так и Interloom пытается понять реальные траектории принятия решений в компании — и затем использовать их для навигации AI-агентов и архитектуры агентных систем. Звучит амбициозно. Но, в общем, логика в этом есть.
Для рынка enterprise AI это особенно важно, потому что без контекста даже сильные модели быстро упираются в потолок. Можно сколько угодно говорить про мультиагентные системы, orchestration и автономность, но если агент не знает внутренних правил, исключений, неформальных зависимостей и исторически сложившихся маршрутов эскалации, он будет ошибаться. Причем не эффектно, а скучно и дорого.
Interloom уже работает с несколькими крупными европейскими компаниями. В Commerzbank платформа проанализировала миллионы писем клиентской поддержки и сопоставила их с внутренней документацией. Результат оказался показательным: значительная часть документов либо противоречила реальной практике, либо была неполной. По данным компании, разрыв между формально описанными и фактическими операционными знаниями удалось сократить примерно с 50% до 5%.
В Volkswagen решение Interloom применяется для обработки тикетов клиентской поддержки. В Zurich Insurance стартап, по словам Якоби, выиграл внутренний AI-конкурс компании, обойдя около 2 000 AI-native-стартапов в кейсе, связанном с андеррайтингом. И вот это уже не мелочь.
Почему андеррайтинг так показателен? Потому что решение в страховании редко сводится к набору формальных правил. Оно зависит от отношения компании к риску, накопленного опыта работы с конкретными брокерами, особенностей продуктовой линейки и множества внутренних нюансов, которые не лежат на поверхности. Ни одна универсальная модель сама по себе этого не знает. Ей нужно откуда-то брать корпоративную память — или, если говорить языком современных AI-систем, качественный контекст, агентную память и RAG-инфраструктуру.
Якоби, кстати, не новичок. Ранее он основал Boxplot, которую в 2021 году приобрела Hyperscience — американская AI-компания, известная решениями для извлечения данных из неструктурированных документов. Так что Interloom — это не история в духе «мы вчера придумали AI, а сегодня уже меняем мир». Здесь чувствуется опыт работы с enterprise-процессами, где все сложнее, чем в красивых демо.
Инвесторы, похоже, видят ту же проблему. Партнер DN Capital Гай Уорд Томас говорит прямо: агент хорош ровно настолько, насколько хороши экспертные решения, на которые он может опираться. По его словам, опыт фонда с вертикальными AI-агентами и голосовыми платформами показал, что без правильного контекста внутри конкретной компании такие системы редко работают по-настоящему хорошо.
Мехмет Атиджи из Bek Ventures смотрит на ситуацию через призму предыдущей волны автоматизации. Он ранее инвестировал в UiPath — одного из символов эпохи RPA. Но классическая robotic process automation, как ни крути, строилась на жестко заданных сценариях: агент должен был раз за разом проходить один и тот же workflow одинаково. Сегодня enterprise AI движется в другую сторону — к более гибким, контекстно-зависимым системам, где важны не только правила, но и способность учитывать реальную среду. Отсюда и растущий интерес к мультиагентным системам, памяти и управлению агентами.
И момент для Interloom, возможно, выбран удачно. На фоне так называемой Great Retirement в США ежедневно выходят на пенсию около 10 000 представителей поколения бэби-бумеров. Вместе с ними компании теряют десятилетиями накопленные знания — те самые, которые редко успевают аккуратно перенести в базы знаний или регламенты. А бизнес в это же время пытается ускоренно внедрять AI. Комбинация, скажем так, нервная.
Сам Якоби считает, что главный конкурент Interloom — не другой стартап и не очередной техногигант. Его главный соперник — корпоративная инерция. То самое внутреннее убеждение больших организаций, что процессы и дальше будут работать «как-нибудь по-старому». Иногда работают. До первого серьезного сбоя.
Следующий продуктовый шаг компании — внутренний проект под названием Chief of Staff. Речь идет о слое управления, который должен дать менеджерам видимость в реальном времени того, как действуют AI-агенты, и добавить нечто вроде version control для процессов, выполняемых агентами. Для enterprise-клиентов это важный сигнал: рынок движется не просто к запуску агентов, а к их наблюдаемости, управляемости и, конечно, соответствию требованиям и AI compliance.
Потому что да — одних умных агентов мало. Нужны контроль, безопасность, аудит решений, понятная архитектура и защита от галлюцинаций в критичных сценариях. Особенно в банках, страховании, промышленности и других регулируемых секторах, где ошибка AI-системы — это не забавный баг, а вполне реальный риск. И если уж компания всерьез идет в безопасность AI-агентов, ей приходится думать не только о модели, но и о данных, доступах, логике действий и границах автономии.
При этом Interloom не одна в этой гонке. Практически все крупные игроки, от OpenAI до ServiceNow и Microsoft, строят собственные слои оркестрации и управления агентами. Но Якоби уверен, что именно «граф контекста» дает его компании преимущество: большие платформы часто умеют многое, но редко понимают весь сложный процесс внутри конкретной организации целиком. А дьявол, как водится, сидит именно там — в деталях, обходных путях и негласных правилах.
Если коротко, Interloom делает ставку на простую, почти неудобную для хайпа мысль: AI-агенты не становятся полезными только потому, что они умные. Им нужна память. Им нужен контекст. Им нужен доступ к тому, как компания реально работает, а не как ей хотелось бы выглядеть в презентации. И вот это уже звучит не как модный лозунг, а как взрослая стратегия для enterprise AI.