Encore AI raccoglie 30 milioni di dollari per trasformare le chiamate dei clienti in playbook per agenti

Encore AI ha raccolto 30 milioni di dollari per creare agenti a partire dalle conversazioni con i clienti, offrendo ai lettori di google news una visione più nitida della corsa all'AI aziendale. Il round di Serie A sostiene una premessa insolita: il miglior materiale di addestramento di un'azienda potrebbe già trovarsi nelle sue chiamate, nei messaggi e nel sistema di gestione delle relazioni con i clienti.

La startup analizza il modo in cui i dipendenti gestiscono le interazioni con i clienti, quindi identifica le tattiche associate ai risultati di successo. Trasforma queste evidenze in playbook per agenti che parlano con i clienti o assistono i dipendenti umani. La scommessa non è semplicemente che gli agenti possano automatizzare le conversazioni. Encore ritiene che possano assimilare le abitudini pratiche dei migliori performer di un'organizzazione.

Questo pone Encore in competizione con Salesforce, SAP, Zoho, HubSpot e altre piattaforme che già dispongono di dati preziosi sui clienti. Gli operatori storici possiedono i sistemi di riferimento. Encore vuole possedere il livello interpretativo che decide quale comportamento umano un agente debba replicare.

Il finanziamento offre a Encore margine per perseguire questa strategia presso grandi istituzioni finanziarie. Non risolve però la questione se l'azienda disponga di un vantaggio duraturo. I fornitori CRM affermati hanno distribuzione, integrazioni e relazioni con clienti esistenti che un'azienda più giovane deve aggirare.

Il round da 30 milioni di dollari finanzia una strategia specifica per gli agenti

Encore sta finanziando un sistema che apprende dalle interazioni con i clienti già concluse, non un generico voice bot addestrato su script statici.

Encore AI ha raccolto la Serie A in un round guidato da Team8, secondo la copertura originale del finanziamento. Hanno partecipato anche Planven, Lukatz e Garage. Al finanziamento hanno aderito banche e assicurazioni, incluse istituzioni finanziarie che, secondo quanto riportato, avevano utilizzato Encore prima di investire.

La partecipazione dei clienti è rilevante perché i servizi finanziari rappresentano un banco di prova impegnativo per il software conversazionale. Un agente utile deve gestire prodotti dettagliati, processi regolamentati, cronologie dei clienti e un linguaggio attentamente controllato. Deve inoltre operare all'interno di sistemi che le aziende non possono sostituire con leggerezza.

Encore prevede di usare il denaro per espandere le vendite negli Stati Uniti e raggiungere più grandi istituzioni finanziarie. Secondo il CEO Dvir Ginzburg, l'azienda ha già oltre 40 clienti enterprise nel mondo. La maggior parte sono istituzioni finanziarie.

Ginzburg ha inoltre dichiarato a TechCrunch che i ricavi ricorrenti annuali erano aumentati di oltre cinque volte dal seed round di Encore. Quel finanziamento precedente è avvenuto meno di 18 mesi prima della Serie A. Non ha divulgato i ricavi sottostanti, la valutazione o il valore dei contratti con i clienti.

Queste omissioni limitano ciò che gli osservatori esterni possono dedurre dall'affermazione sulla crescita. Un forte incremento percentuale può partire da una base modesta. Anche il numero di clienti dice poco sulle dimensioni delle implementazioni, sui tassi di rinnovo o su quanto lavoro gli agenti svolgano senza intervento umano.

Il round sostiene comunque una direzione di prodotto chiara. Encore raccoglie registrazioni delle chiamate, email e messaggi di testo, quindi collega questi materiali ai record CRM. Il suo sistema suddivide le interazioni in fasi e cerca comportamenti associati a progressi o insuccessi.

Encore chiama questo processo “interaction mining”. Il termine descrive l'estrazione di tattiche ricorrenti, schemi e risultati dalle conversazioni con i clienti. Invece di trattare una trascrizione come un documento da riassumere, Encore la considera una prova di come viene svolto il lavoro.

La distinzione è centrale nella proposta dell'azienda. Gli strumenti di conversation intelligence trascrivono comunemente le riunioni, identificano gli argomenti e producono note di follow-up. Encore vuole trasformare le interazioni storiche in istruzioni operative per gli agenti.

Secondo l'azienda, i suoi agenti possono comunicare tramite voce o testo. Possono anche assistere i dipendenti durante le conversazioni dal vivo raccomandando risposte e tattiche. Ciò consente a Encore di supportare sia flussi di lavoro guidati da persone sia flussi automatizzati, senza puntare tutto sull'autonomia immediata.

Il finanziamento cambia quindi più del bilancio di Encore. Offre alla startup ulteriore tempo per dimostrare che la cronologia delle interazioni possa diventare una risorsa formativa difendibile. Questa domanda determina l'importanza più ampia di questo evento di google news.

Perché i lettori di Google News dovrebbero guardare oltre la cifra del finanziamento

La competizione importante riguarda chi riesce a trasformare la frammentata cronologia dei clienti in comportamenti che migliorano a ogni interazione.

I team di vendita generano già enormi quantità di materiale conversazionale. Le chiamate contengono obiezioni, spiegazioni, tattiche negoziali, preoccupazioni dei clienti ed esempi che non raggiungono mai la documentazione formale. I messaggi rivelano il linguaggio di follow-up che ottiene risposte. I record CRM mostrano quali opportunità sono avanzate e quali sono svanite.

La maggior parte delle organizzazioni conserva questi segnali in luoghi separati. Le registrazioni restano nelle piattaforme per le chiamate, gli scambi scritti rimangono nell'email o negli strumenti di messaggistica e i risultati risiedono in un CRM. Anche quando i responsabili possono cercare in ogni fonte, devono comunque collegare i comportamenti ai risultati.

L'approccio di Encore tenta di automatizzare questa connessione. Il sistema analizza le interazioni per fase, le abbina ai risultati registrati e costruisce playbook a partire da schemi che sembrano efficaci. Un agente può poi utilizzare questi playbook durante un successivo scambio con un cliente.

Questo meccanismo differisce dalla retrieval-augmented generation, o RAG, che fornisce a un modello documenti rilevanti prima che risponda. RAG aiuta un agente a trovare informazioni sui prodotti o politiche aziendali. L'interaction mining cerca di insegnare all'agente come i dipendenti efficaci applicano le informazioni durante conversazioni reali.

I due metodi possono integrarsi. Un agente potrebbe recuperare una politica approvata e poi usare un playbook appreso per spiegarla chiaramente. Tuttavia, la fonte e l'affidabilità di ciascuna istruzione restano diverse. Un documento di policy stabilisce ciò che l'organizzazione consente. Una conversazione storica mostra ciò che un dipendente ha realmente detto.

La ricerca sull'assistenza alle vendite in tempo reale illustra perché l'accesso immediato alle informazioni rilevanti possa essere importante. Uno studio su un copilot per le vendite del 2026 ha testato un sistema che rilevava le domande dei clienti e recuperava risposte da un database strutturato di prodotti.

I ricercatori hanno riportato un tempo medio di risposta di 2,8 secondi nel loro ambiente di test. Il loro riferimento interno per la ricerca manuale variava da 25 a 65 secondi. L'esperimento riguardava uno scenario assicurativo con 50 prodotti e una base di conoscenza generata, quindi non era una sperimentazione sul campo presso aziende reali.

Encore punta a qualcosa che va oltre la velocità di recupero. Vuole decidere quale spiegazione, aneddoto o mossa conversazionale si adatti a una determinata fase. Ginzburg ha affermato che i suoi agenti talvolta riutilizzano il tipo di battute o esempi impiegati dai relationship manager di successo.

Questo dettaglio rende il prodotto memorabile, ma espone anche la difficoltà centrale. Una tattica che ha funzionato per un dipendente può dipendere dal tono, dal tempismo, dall'identità o da una relazione già consolidata con il cliente. Copiare le parole non garantisce lo stesso risultato.

Le aziende devono quindi distinguere le tecniche ripetibili dalle abitudini personali. Devono inoltre separare i veri segnali causali dalle correlazioni. Un rappresentante senior può avere successo dopo aver raccontato una determinata storia perché il cliente si fida già di quella persona.

Ecco perché il finanziamento è importante per gli acquirenti enterprise. Encore ora dispone delle risorse per testare il suo metodo in più implementazioni, soprattutto nei servizi finanziari. Le prove più solide verranno da risultati controllati, non da agenti che sembrano più umani.

Per i knowledge worker, l'idea va oltre le vendite. Le organizzazioni accumulano know-how informale attraverso riunioni, messaggi e decisioni. Una base di conoscenza ricercabile può conservare informazioni esplicite, mentre l'analisi delle interazioni cerca di catturare il comportamento incorporato nel lavoro quotidiano.

L'opportunità è significativa, ma lo è anche l'onere di governance. Trasformare il lavoro passato in comportamenti automatizzati richiede più giudizio che trasformarlo in note ricercabili.

Il meccanismo di Encore AI trasforma le conversazioni in playbook

Il vantaggio proposto da Encore deriva dal collegare ciò che i dipendenti hanno detto a ciò che è accaduto successivamente, quindi dal confezionare gli schemi utili per un agente.

Il processo inizia con l'acquisizione. Encore raccoglie registrazioni, email, messaggi di testo e informazioni CRM. Questa combinazione fornisce al sistema sia il contenuto conversazionale sia un resoconto dell'avanzamento del cliente lungo un processo di vendita o assistenza.

Successivamente, la piattaforma divide le interazioni in fasi. Una prima richiesta richiede un comportamento diverso da una discussione sul rinnovo o da un reclamo. Segmentare il processo aiuta a evitare che il sistema tratti ogni frase efficace come universalmente utile.

La piattaforma cerca quindi tecniche associate ai risultati desiderati. Potrebbero includere l'ordine delle domande, la spiegazione di un termine difficile o la gestione di un'obiezione. Encore afferma di poter anche evidenziare punti di attrito e parti inefficienti di un flusso di lavoro esistente.

Infine, questi schemi diventano playbook. Un agente può applicare diversi playbook durante una sola interazione, a seconda del cliente e della fase. Un dipendente umano può anche ricevere risposte suggerite invece di cedere il controllo al software.

Questo modello di implementazione ibrido è importante. Molte aziende non inizieranno affidando a un agente la gestione autonoma di conversazioni con conseguenze rilevanti. Possono iniziare con raccomandazioni, osservarne le prestazioni e aumentare l'autonomia laddove le evidenze lo sostengono.

Un rappresentante alle prese con una complessa domanda assicurativa offre un esempio plausibile. Il sistema potrebbe recuperare informazioni approvate sulla polizza, riconoscere la fase dell'interazione e suggerire una spiegazione che in precedenza ha aiutato clienti simili. Il dipendente manterrebbe il controllo sulla comunicazione e sulle correzioni.

Una versione più autonoma potrebbe gestire i follow-up di routine tramite voce o testo. Potrebbe rispondere a domande di base, identificare questioni irrisolte e inoltrare i casi complessi a una persona. Ogni interazione completata creerebbe nuovo materiale da valutare.

Questo crea un potenziale ciclo di feedback. Le conversazioni storiche informano i playbook, i playbook guidano nuove interazioni e i nuovi risultati influenzano i playbook successivi. Se le misurazioni sono affidabili, il sistema diventa nel tempo più specifico per l'organizzazione.

Tuttavia, un ciclo di feedback può rafforzare gli errori con la stessa facilità dei successi. Se l'etichetta del risultato è incompleta, il sistema potrebbe premiare un comportamento che ha prodotto una conversione a breve termine ma ha danneggiato la fidelizzazione. Potrebbe anche apprendere da trattamenti storici distorti di diversi gruppi di clienti.

La selezione dei risultati diventa quindi una decisione di prodotto. Un'organizzazione di vendita potrebbe ottimizzare per riunioni fissate, richieste completate, ricavi conclusi, rinnovi o soddisfazione del cliente. Ogni metrica incoraggia un comportamento diverso dell'agente.

La connessione CRM fornisce alcune etichette, ma non stabilisce automaticamente la qualità. I record CRM possono essere mancanti, ritardati o influenzati da pratiche incoerenti dei dipendenti. Un accordo segnato come perso può riflettere prezzo, tempistica o adeguatezza del prodotto piuttosto che un errore conversazionale.

Encore deve rendere queste distinzioni comprensibili ai clienti. I responsabili devono sapere perché esiste un playbook, quali interazioni lo supportano e quando l'agente lo applica. Altrimenti, “apprendere dalle chiamate” diventa un'espressione che nasconde un processo non ispezionabile.

Lo stesso requisito si applica alle singole raccomandazioni. I dipendenti dovrebbero poter vedere se un suggerimento proviene da una policy approvata, dalla cronologia recuperata di un cliente o da uno schema dedotto dalle chiamate precedenti. Queste fonti hanno diversi livelli di autorevolezza.

Questo è il meccanismo che distingue Encore da un normale strumento di sintesi delle chiamate. Crea inoltre gran parte del rischio tecnico e operativo. Il sistema non si limita a comprimere le informazioni. Decide quale comportamento merita di essere replicato.

Il vero avversario è il CRM incumbent

Encore deve dimostrare che la sua architettura conversation-first conta più del controllo degli incumbent su record dei clienti, workflow e distribuzione.

Salesforce, SAP, Zoho e HubSpot operano già a stretto contatto con i dati di cui Encore ha bisogno. I loro prodotti contengono dettagli degli account, opportunità, casi di assistenza, cronologie delle attività e regole dei workflow. Possono aggiungere funzionalità agent senza chiedere ai clienti di adottare un'altra piattaforma centrale.

Encore sostiene che il solo accesso ai dati non produca lo stesso sistema. Ginzburg ha dichiarato a TechCrunch che i grandi concorrenti non trattano la cronologia conversazionale come un dato fondamentale. Ha affermato che cambiarlo richiederebbe modifiche alle loro implementazioni e ai rispettivi stack tecnologici.

Questa argomentazione definisce la competizione principale. Encore scommette su un'architettura conversation-first. Gli incumbent possono rispondere con un'architettura record-first che integra trascrizioni, messaggi e azioni degli agent nei workflow esistenti.

Il vantaggio della startup sarebbe maggiore se il mining delle conversazioni richiedesse modelli specializzati, metodi di valutazione e pratiche di implementazione specifiche. Si indebolirebbe se i fornitori CRM potessero replicare le funzionalità utili tramite integrazioni o acquisizioni.

Gli incumbent possiedono anche un vantaggio in termini di fiducia. Gli acquirenti enterprise utilizzano già i loro permessi, log di audit, controlli sui dati e strumenti per amministratori. Aggiungere un agent in quell'ambiente può sembrare più sicuro che inviare conversazioni sensibili a un sistema più recente.

Encore può rispondere con la focalizzazione. Un fornitore specializzato può sviluppare attorno a un unico problema senza dover proteggere un ampio portafoglio di prodotti meno recenti. Può inoltre operare su diversi CRM, offrendo ai clienti un livello di intelligence condiviso anziché vincolare l'analisi a un solo fornitore.

Il mercato contiene già altri approcci. Attention, per esempio, ha annunciato il proprio round Series B da 30 milioni di dollari nel giugno 2026. L'azienda afferma che i suoi agent redigono follow-up, aggiornano i CRM ed eseguono passaggi successivi invece di limitarsi a registrare le chiamate.

Secondo il comunicato sulle azioni degli agent di Attention, il suo software esegue oltre 20 milioni di azioni agent al mese per più di 500 clienti. Questi dati provengono dall'azienda e richiedono una validazione indipendente.

Attention mette l'accento su un ciclo chiuso tra l'azione di un agent e il risultato conseguente. Encore pone l'accento sull'apprendimento di playbook dalle interazioni umane dell'organizzazione. Entrambe le strategie vanno oltre la trascrizione, ma partono da fonti diverse di conoscenza operativa.

Le aziende che sviluppano agent per il servizio clienti offrono un altro termine di confronto. Sierra ha puntato su agent enterprise specializzati anziché su un sostituto CRM generalista. Un report sui finanziamenti del 2025 ha riferito che l'azienda si stava avvicinando a ricavi ricorrenti annuali rilevanti, servendo grandi imprese.

I progressi di Sierra mostrano che gli specialisti possono conquistare l'attenzione delle aziende nonostante gli incumbent CRM. Non dimostrano che ogni strategia specializzata sui dati rimarrà difendibile. Il supporto clienti, le revenue operations e la gestione delle relazioni richiedono inoltre integrazioni e metodi di valutazione diversi.

Gli oltre 40 clienti di Encore forniscono un primo punto d'appoggio, non una protezione di mercato. La domanda decisiva è se queste implementazioni producano apprendimento proprietario capace di migliorare rinnovi ed espansione. Se i clienti possono ricreare gli stessi risultati all'interno del loro CRM, la pressione a cambiare aumenterà.

Le istituzioni finanziarie che hanno investito dopo aver utilizzato Encore offrono un segnale positivo. Hanno avuto un'esperienza diretta del prodotto prima di partecipare al round. Tuttavia, un investimento strategico non rivela la profondità dell'implementazione, le prestazioni o le decisioni di procurement a lungo termine.

La startup deve ora produrre prove ripetibili in diverse istituzioni. Alcune implementazioni personalizzate possono dimostrare la fattibilità. Una piattaforma scalabile deve gestire strutture dati, policy, lingue, processi di vendita e definizioni di successo differenti.

Questo onere favorisce gli incumbent nella distribuzione, ma favorisce Encore nella specializzazione. Il round da 30 milioni di dollari compra tempo per scoprire se la specializzazione può superare la portata dei fornitori CRM.

Ciò che il playbook degli agent non può ancora dimostrare

Il successo storico non dimostra che una tattica conversazionale abbia causato un risultato né che un agent possa riprodurla in sicurezza.

Un benchmark CRM ampiamente citato mostra quanto gli agent aziendali debbano ancora progredire. Nei compiti CRM realistici, i ricercatori hanno valutato gli agent su nove attività di servizio clienti che coinvolgevano oggetti aziendali connessi e variabili nascoste.

Lo studio ha riportato un tasso di successo inferiore al 40 per cento con il prompting ReAct, un metodo che alterna ragionamento e azioni. Gli agent basati su function calling sono rimasti sotto il 55 per cento. I risultati provengono da un benchmark, non dal prodotto di Encore, ma evidenziano problemi generali nel seguire regole e nell'utilizzo degli strumenti.

Encore non ha pubblicato risultati di valutazione comparabili. Il numero di clienti e la crescita dei ricavi riportata indicano attività commerciale, ma non misurano l'accuratezza delle attività. L'azienda non ha inoltre divulgato con quale frequenza i dipendenti accettino i suggerimenti o annullino le azioni dei suoi agent.

Dati indipendenti sulle prestazioni chiarirebbero diverse questioni. Gli acquirenti hanno bisogno di tassi di errore per attività, frequenza delle escalation, latenza delle risposte e proporzione di interazioni completate in autonomia. Hanno inoltre bisogno di confronti dei risultati con team umani e automazioni più semplici.

La privacy crea un'altra sfida. Chiamate e messaggi possono contenere informazioni personali, dettagli finanziari, reclami e contesto sensibile. Utilizzare queste conversazioni per addestrare playbook richiede consenso chiaro, regole di conservazione, controlli degli accessi e procedure di cancellazione. La privacy policy di Encore afferma che l'azienda tratta dati personali per finalità specificate e descrive i diritti degli utenti di accesso, rettifica e cancellazione, ma gli acquirenti enterprise avrebbero comunque bisogno di controlli specifici per contratto e garanzie tecniche.

Il monitoraggio dei dipendenti solleva preoccupazioni distinte. Una piattaforma progettata per identificare tecniche efficaci può anche classificare i lavoratori o esporne le debolezze individuali. Le aziende devono decidere se i dipendenti siano consapevoli di come vengono analizzate le registrazioni e di come il management utilizzi i risultati.

Anche i playbook stessi necessitano di governance. Un dipendente di successo può aggirare una policy interna, fare una promessa non supportata o usare un umorismo che non si trasferisce tra clienti diversi. I dati su frequenza e conversione non possono sostituire la revisione della conformità.

I servizi finanziari aumentano la posta in gioco. La formulazione usata da un agent può influenzare la comprensione del cliente riguardo a prodotti, obblighi e rischi. Una raccomandazione che suona persuasiva potrebbe comunque omettere il contesto richiesto da policy o regolamentazione.

I bias possono entrare attraverso i dati storici. I dipendenti del passato potrebbero aver trattato i clienti in modo diverso in base a lingua, accento, località o reddito percepito. Un sistema che ottimizza i risultati storici potrebbe preservare questi schemi senza comprenderne il significato sociale.

Il data drift presenta un altro problema. Una tattica di successo può diventare obsoleta dopo una modifica del prodotto, una revisione delle policy o un cambiamento del mercato. I playbook necessitano di regole di scadenza e test continui, non di un'autorità permanente basata su vecchie chiamate.

Esiste inoltre un problema basilare di attribuzione. I risultati di vendita dipendono dalla qualità del prodotto, dai prezzi, dalla notorietà del marchio, dal tempismo e dai budget dei clienti. Il comportamento conversazionale rappresenta soltanto una parte del risultato. Encore deve evitare di rivendicare meriti per cambiamenti che il suo sistema non ha causato.

Un'implementazione enterprise prudente dovrebbe separare tre livelli. Fatti e policy approvati dovrebbero provenire da fonti di conoscenza controllate. Le tattiche conversazionali suggerite dovrebbero rimanere ispezionabili. Le azioni autonome dovrebbero operare entro limiti espliciti e regole di escalation.

La revisione umana non risolve ogni problema, ma crea un percorso pratico per l'adozione. Le aziende possono confrontare le raccomandazioni con risultati reali prima di concedere un'autorità più ampia. Possono inoltre identificare i casi in cui il sistema copia lo stile senza comprendere il contesto.

La tesi più forte di Encore rimane quindi un'ipotesi sottoposta a test commerciali. La cronologia delle conversazioni contiene preziosa conoscenza organizzativa. La questione irrisolta è se il software possa estrarre tale conoscenza senza codificare rumore, bias e comportamenti accidentali.

Tre segnali che decideranno la prossima fase di Encore AI

La tesi di Encore si rafforzerà solo se le implementazioni si espanderanno, i risultati misurati resisteranno all'esame e i fornitori CRM non riusciranno ad annullarne il vantaggio tecnico.

Il primo segnale è l'espansione presso gli attuali clienti finanziari. I nuovi loghi contano, ma implementazioni più profonde rivelano di più. Gli acquirenti dovrebbero osservare se Encore passa dall'assistenza ai dipendenti alle interazioni autonome con i clienti in diversi processi aziendali.

L'espansione suggerirebbe che le istituzioni si fidano sia dei playbook sia dei controlli circostanti. Pilot limitati indicherebbero che la tecnologia rimane utile soprattutto per analisi o raccomandazioni. Encore non ha divulgato l'attuale ripartizione tra utilizzo assistito e autonomo.

Il secondo segnale è una valutazione trasparente. Encore dovrebbe infine fornire evidenze a livello di attività che coprano accuratezza, escalation, conformità e risultati aziendali. I risultati necessitano di benchmark credibili e descrizioni chiare di dove gli esseri umani rimangono coinvolti.

La crescita dei ricavi riportata è incoraggiante, ma non può rispondere a queste domande operative. Una valutazione utile confronterebbe i team guidati da Encore con i workflow esistenti per un periodo definito. Dovrebbe inoltre separare la correlazione dagli effetti di prezzi, organico o condizioni di mercato.

Le prove che i playbook migliorano i risultati in diverse istituzioni sosterrebbero la tesi centrale di Encore. Risultati deboli o altamente personalizzati suggerirebbero che il mining delle interazioni si comporta più come consulenza che come un vantaggio software scalabile.

Il terzo segnale è la risposta dei grandi fornitori CRM. Salesforce, SAP, Zoho e HubSpot hanno già accesso ai record dei clienti e a portafogli di agent in crescita. Salesforce, per esempio, descrive Agentforce come una piattaforma per agent connessa a dati enterprise, metadati, workflow e controlli di sicurezza. Questi fornitori possono aggiungere analisi conversazionali più approfondite, collaborare con specialisti o acquisire capacità mancanti.

Se gli incumbent renderanno le interazioni storiche centrali nei loro sistemi agent, la differenziazione di Encore si ridurrà. Se i loro prodotti continueranno a trattare le conversazioni principalmente come riepiloghi e record ricercabili, Encore guadagnerà tempo per costruire un vantaggio specializzato sui dati.

Concorrenti come Attention sono importanti per lo stesso motivo. I loro progressi mostreranno se gli acquirenti preferiscono agent che apprendono dai playbook umani o agent che apprendono dalle proprie azioni completate. Le aziende potrebbero infine combinare entrambi gli approcci.

La copertura di Google News probabilmente si concentrerà su futuri finanziamenti, vittorie commerciali e annunci di prodotto. Gli acquirenti dovrebbero guardare oltre questi titoli. La profondità delle implementazioni, la valutazione indipendente e la reazione degli incumbent riveleranno più di un altro aumento di capitale.

Il round da 30 milioni di dollari di Encore è significativo perché finanzia un’idea verificabile sulla conoscenza organizzativa. L’azienda ritiene che le conversazioni contengano metodi di lavoro che i sistemi formali non colgono. Ora deve dimostrare che tali metodi possono tradursi in un comportamento software affidabile.

Questa verifica è importante per qualsiasi organizzazione che stia valutando agenti AI. Prima di automatizzare un flusso di lavoro, individuate la fonte del giudizio dell’agente, il risultato che ottimizza e la persona responsabile quando il contesto cambia. Poi osservate se Encore riuscirà a rispondere a queste domande su scala aziendale.