Magentic získává $18M v sérii A na vybudování AI pracovní síly pro průmyslové operace

Magentic získal $18 milionů v sérii A financování na rozšíření svých AI agentů v oblasti nákupu a dodavatelského řetězce, zaměřených na některé z nejkomplexnějších pracovních toků ve velkých průmyslových společnostech.

Kolo vedl Felicis, s účastí stávajících investorů Sequoia Capital a The Westly Group. Přichází zhruba rok poté, co společnost se sídlem v Londýně a New Yorku zahájila seedové kolo ve výši 5,5 milionu dolarů, čímž její celkové hlášené financování dosáhlo 23,5 milionu dolarů.

Společnost založili generální ředitel Robin Van Aeken, dříve z McKinsey, a technický ředitel Odhran O’Donoghue, absolvent OpenAI. Magentic sází na to, že další fáze podnikové AI překročí asistenty, kteří odpovídají na otázky nebo generují obsah. Místo toho jsou její agenti navrženi tak, aby prováděli operační práci napříč systémy, které výrobci již používají.

To staví společnost na průsečík dvou hlavních trendů: rychlého rozšíření agentické AI a kapitálově náročného vybudování fyzické infrastruktury potřebné k podpoře širší ekonomiky AI.

Proč se průmysloví nákup stává cílem AI

Velká část boom generativní AI se soustředila na vývoj softwaru, zákaznický servis, marketing a další převážně digitální pracovní toky. Magentic míří na méně viditelný, ale ekonomicky významný cíl: procesy, které určují, co společnosti nakupují, od koho, za jakou cenu a za jakých smluvních podmínek.

Tyto procesy se ve velkých globálních výrobcích stávají obzvláště obtížnými. Data o nákupu mohou být rozptýlena napříč platformami pro řízení podnikového zdrojování (ERP), smlouvami s dodavateli, tabulkami, fakturami, e‑mailovými systémy a databázemi, které se nahromadily během let akvizic a technologických změn.

Společnost Hackett Group předpovídá, že pracovní zatížení nákupu poroste o 8 % v roce 2026, i když počet zaměstnanců a provozní rozpočty klesají, což vytváří podnět k automatizaci větší části práce bez pouhého rozšiřování týmů.

Goldman Sachs odhaduje základní úroveň přibližně 7,6 bilionu dolarů kumulativních kapitálových výdajů souvisejících s AI v letech 2026 až 2031, zahrnujících výpočetní výkon, datová centra a energetickou infrastrukturu. Toto výdaje se nakonec promítají do obrovského objemu zařízení, materiálů, výstavby, vztahů s dodavateli a smluv, které je třeba spravovat.

Teze Magentic je, že AI může čím dál více participovat na těchto rozhodnutích místo toho, aby jen pomáhala lidem je analyzovat.

Přesahování role AI kopilota

Magentic popisuje své agenty jako „digitální pracovníci“, ale důležitějším rozdílem je míra autonomie, kterou platforma usiluje poskytnout.

Místo toho, aby zaměstnancům nabízela další řídicí panel nebo konverzační rozhraní, je Magentic navržena tak, aby ležela nad stávající podnikovou infrastrukturou. Její architektura zahrnuje příjem dat, harmonizovanou datovou vrstvu, agentický engine, specifické znalosti o nákupu, monitorování v reálném čase, zpětnovazební smyčky a kompletní provedení.

Systém dokáže přijímat roztříštěné informace z ERP, tabulek, PDF, smluv a dalších zdrojů, než je převede do struktury, se kterou mohou AI agenti pracovat. Magentic také uvádí, že platforma může vybírat různé podkladové AI modely v závislosti na úkolu, místo aby se spoléhala na jediný velký jazykový model.

To je důležité, protože nákup zahrnuje mnohem víc než jen získávání informací.

Agent může zjistit, že stejná součást je nakupována za různé ceny v různých továrnách, najít překrývající se dodavatele, kteří by mohli být sloučeni, odhalit nákupy prováděné mimo sjednané smlouvy, nebo objevit slevy a smluvní úlevy, které nikdy nebyly uplatněny.

Cílem Magentic je, aby agent šel dál a pomohl dokončit vzniklý pracovní tok.

Její digitální pracovníci mohou přezkoumat výdaje, prozkoumat smlouvy, vypočítat potenciální úspory, připravit komunikaci s dodavateli, sladit objednávky s fakturami a shromáždit důkazy potřebné k získání přeplatek. Společnost uvádí, že její agenti mohou operovat napříč výdaji, zadáváním, smlouvami a fakturami, místo aby byli omezeni na jeden izolovaný nákupní úkol.

AI agenti postavení na nepořádaných podnikových datech

Základní datový problém může být stejně důležitý jako samotné AI modely.

Velcí výrobci zřídka mají dokonalé databáze připravené pro AI systém. Jména dodavatelů se mohou lišit mezi divizemi, smlouvy mohou existovat ve formě PDF, ceny mohou být zaznamenány různě v různých instancích ERP a desetiletí akvizic může společnosti zanechat s mnoha překrývajícími se systémy.

Tradiční projekty transformace podniku často usilují o vyčištění a standardizaci těchto dat před nasazením nových aplikací.

Magentic zvolila odlišný přístup: umožňuje AI agentům pracovat v již existujícím roztříštěném prostředí a postupně organizovat informace potřebné k dokončení úkolu.

Platforma je také navržena tak, aby komunikovala prostřednictvím nástrojů, které zaměstnanci již používají, včetně Microsoft Teams a e‑mailu, a zároveň fungovala napříč interními podnikovými systémy. Cílem je, aby agent nepůsobil jako samostatný softwarový produkt, ale spíše jako další operativní účastník existujícího procesu.

Magentic uvádí, že jeden zákazník již zpracovává více než 1,2 milionu objednávek pomocí svých digitálních pracovníků, zatímco jiná implementace identifikovala úsporu ve výši 4 miliony USD. V rámci své zákaznické základny Global 500 společnost hlásí úspory přibližně 2 % až 5 % a průměrné zlepšení kvality dat o 60 %. Jedná se o údaje uváděné společností, nikoli o nezávisle auditované výkonnostní metriky.

Udržení lidí v nákupním cyklu

Větší autonomie také vytváří problém, který je v nákupu zvláště důležitý: nesprávné rozhodnutí AI může mít okamžité finanční nebo provozní důsledky.

Odeslání nesprávné komunikace dodavateli se výrazně liší od vygenerování nepřesného odstavce v chatbotu.

Magentic proto do svých pracovních postupů agentů zakomponoval kontrolní body lidského přezkoumání. V jednom příkladu, který společnost popisuje, může agent procházet smlouvy s dodavateli a označovat neobvyklé platební podmínky, ale rozhodnutí, zda má k vyjednávání dojít, zůstává na odpovědném nákupním manažerovi.

Společnost také popisuje mechanismus vícero agentů, kdy agenti kontrolují práci vytvořenou jinými agenty, doplněnou o protokoly a důkazní stopy, které mají ukázat, jak bylo rozhodnutí dosaženo.

Tento lidský dohled pravděpodobně zůstane důležitý, jak se podnikové agenti posouvají od doporučování akcí k jejich provádění.

Bezpečnost se stává součástí architektury agenta

Poskytnutí přístupu AI systému ke smlouvám, vztahům s dodavateli, cenovým informacím, fakturám a interním ERP systémům také vyvolává odlišnou sadu podnikových požadavků.

Magentic uvádí, že je certifikována podle SOC 2 Type II a ISO 27001, splňuje požadavky evropského nařízení o ochraně osobních údajů (GDPR) a je v souladu s evropským AI zákonem.

Platforma zahrnuje řízené interakce se systémy záznamů a lidské kontrolní body pro důležité akce. Magentic také uvádí, že zákaznická data nejsou používána k trénování sdílených nebo veřejných modelů.

Tyto ochranné opatření nabývají na významu, jakmile agenti získají schopnost jednat, místo pouhého získávání nebo shrnování informací.

Budování AI pracovní síly pro fyzickou ekonomiku

Magentic plánuje využít investici Series A k rozšíření spektra nákupních a dodavatelských pracovních toků, které její agenti mohou spravovat, a zároveň dále investovat do základního výzkumu AI.

Jednou z technických výzev je kontext.

Problémy optimalizace v průmyslu mohou zahrnovat roky nákupních dat, tisíce smluv s dodavateli, cenové historie, informace o zásobách, faktury, technické dokumenty a komunikační záznamy. Magentic uvádí, že vyvíjí agenty schopné diagnostikovat problémy, plánovat řešení, provádět akce a sledovat jejich průběh napříč terabajty multimodálních informací.

„Přinášet špičkovou AI do fyzického světa vyžaduje překonání omezených kontextových oken AI systémů,“ řekl O’Donoghue. „Budujeme AI, která dokáže diagnostikovat problémy, naplánovat opravy, jednat a sledovat práci napříč terabajty multimodálních dat najednou.“

Širší posun spočívá v tom, že AI přechází z nástroje používaného během pracovního postupu na software, který může převzít stále větší část tohoto postupu.

Nákup představuje zajímavý testovací případ, protože jeho výsledky jsou měřitelné. Systém buď zachytí nesprávnou cenu, zabrání výdajům mimo smlouvu, odhalí přehlédnutý rebate, vyrovná fakturu, nebo to neudělá.

Pro Magentic je investice 18 milionů USD v rámci Series A tedy více než jen rozšíření dalšího podnikového AI produktu. Společnost sází na to, že nejcennější AI agenti budou nakonec fungovat daleko mimo rozhraní chatbotu – uvnitř složitých nákupních systémů, které určují, jak se fyzická ekonomika skutečně buduje.