在企业AI智能体能力不断进阶的当下，一个核心短板始终制约着它们的落地价值：无法真正理解并记住企业内部的实际工作逻辑。总部位于慕尼黑的初创公司Interloom正试图填补这一空白，近日该公司宣布完成1650万美元种子轮融资，由DN Capital领投，Bek Ventures和Air Street Capital跟投，这笔资金将用于推进其为企业AI打造“持久记忆层”的平台建设。
当企业试图将AI深度融入核心业务流程时，一个现实困境逐渐凸显：当前的AI可以精准执行指令、高效汇总信息、快速生成内容，但在复杂的真实业务场景中，往往因缺乏上下文语境而难以做出连贯且符合企业实际的决策。这些关键的语境信息大多并未形成正式文档，而是散落在过往案例、内部讨论和资深员工的判断经验中，成为企业AI落地的隐形障碍。
多数企业默认内部流程已被充分文档化，但实际情况却截然相反：关键的运营知识分散在邮件、支持工单、内部工具和非正式工作流中，即便有文档，也往往滞后于实际业务变化，或是过度简化了真实决策中的复杂考量。这种现状直接导致AI智能体只能局限于狭窄的预定义任务，无法真正自主、自信地开展工作，只能作为辅助工具存在。
Interloom的解决方案是构建一个“持久记忆层”，区别于依赖静态指令的传统模式，该平台通过观察团队处理真实业务案例的过程，自动学习并积累决策逻辑。随着时间推移，它会构建出一个动态演化的企业决策模型，让人类员工和AI系统都能参考过往结果，为当前决策提供依据。
这一模式实现了从“静态文档”到“动态系统”的关键转变。传统企业系统高度依赖预先定义的文档、工作流和规则，而Interloom则反其道而行之，通过事后捕捉真实工作场景中的行为，让系统反映企业实际的运作逻辑，而非理想化的流程。在压力下做出的决策、手动处理的例外情况、长期形成的变通方案，都将成为这个“运营记忆库”的一部分。
在实际应用中，这意味着AI智能体可以基于先例而非假设采取行动，不再孤立地生成答案，而是以已解决的类似案例为基础开展工作。对于员工而言，过往决策的即时可访问性和可复用性，也减少了重复探索解决方案的成本。更重要的是，这一模式为企业保留了宝贵的机构知识：当资深员工离职时，他们处理复杂情况的经验不会随之流失，而是被系统捕捉并保存，供未来的团队和AI系统使用。
尽管仍处于发展早期，Interloom已经在复杂行业获得了初步认可，包括苏黎世保险和大众汽车在内的大型企业已开始与其合作。这些行业的业务流程往往涉及大量变量、例外情况和跨系统依赖，传统的刚性工作流自动化方案难以适配，而Interloom的平台通过处理数百万个运营案例，能够发现决策模式，同时提升业务处理的速度和一致性。该公司推出的“参谋长”智能体更是在此基础上进一步拓展，旨在实现跨系统的工作流协调，而非仅仅执行孤立任务。
Interloom的探索指向了企业AI发展的一个重要方向：早期自动化聚焦于结构化流程和明确任务，生成式AI的出现拓展了机器的理解与生成能力，而下一阶段的竞争可能在于AI系统如何持续融入并利用上下文语境。如果AI智能体要在企业中承担更多责任，就需要拥有类似“组织记忆”的能力，否则即便模型再先进，也只能停留在辅助角色。
当然，这一模式也带来了新的挑战：持续捕捉和复用决策的系统，既可能成为企业的核心竞争优势，也会引发关于透明度、偏见和控制权的讨论——如果AI系统基于过往决策训练，可能会强化现有的模式，无论其优劣。但不可否认的是，这种规模化编码和复用运营知识的能力，正在重塑企业对专业技能的认知：知识不再局限于个人或团队，而是成为一种不断演化的共享资产，这将为那些长期依赖人工判断和经验的领域降低自动化门槛。
Interloom的实践表明，企业AI的未来可能不仅取决于更强大的模型，更在于能否构建出更有效的系统，来捕捉和应用真实世界的知识。这一愿景的可扩展性仍需时间验证，但一个趋势已愈发清晰：要让AI从“辅助工具”升级为“执行主体”，“记忆”或许和“智能”同等重要。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/interloom-huo-1650-wan-mei-yuan-zhong-zi-lun-rong-zi-wei-qi
