Magentic sammelt $18M Series A, um eine KI‑Belegschaft für industrielle Abläufe aufzubauen

Magentic hat $18 Millionen in Series‑A‑Finanzierung erhalten, um seine KI‑Agenten über Beschaffungs‑ und Lieferkettenprozesse hinweg auszubauen und dabei einige der komplexesten Arbeitsabläufe in großen Industrieunternehmen anzuvisieren.

Die Finanzierungsrunde wurde von Felicis angeführt, wobei die bestehenden Investoren Sequoia Capital und The Westly Group ebenfalls teilnahmen. Sie erfolgt etwa ein Jahr, nachdem das in London und New York ansässige Unternehmen mit einer Seed‑Finanzierung von $5,5 Millionen gestartet war und damit seine gemeldeten Gesamtkapitalmittel auf $23,5 Millionen erhöht hat.

Gegründet von CEO Robin Van Aeken, ehemals bei McKinsey, und CTO Odhran O’Donoghue, einem OpenAI‑Alumnus, setzt Magentic darauf, dass die nächste Phase der Unternehmens‑KI über Assistenten hinausgeht, die Fragen beantworten oder Inhalte erzeugen. Stattdessen sollen seine Agenten operative Aufgaben über die Systeme hinweg erledigen, die Hersteller bereits nutzen.

Damit befindet sich das Unternehmen an der Schnittstelle zweier wichtiger Trends: der raschen Ausbreitung agentischer KI und dem kapitalintensiven Ausbau der physischen Infrastruktur, die zur Unterstützung der breiteren KI‑Wirtschaft erforderlich ist.

Warum die industrielle Beschaffung zum KI‑Ziel wird

Ein großer Teil des generativen KI‑Booms konzentrierte sich auf Softwareentwicklung, Kundenservice, Marketing und andere überwiegend digitale Arbeitsabläufe. Magentic zielt auf ein weniger sichtbares, aber wirtschaftlich bedeutendes Ziel: die Prozesse, die bestimmen, was Unternehmen kaufen, von wem, zu welchem Preis und zu welchen vertraglichen Bedingungen.

Diese Prozesse werden insbesondere in globalen Herstellern besonders schwierig. Beschaffungsdaten können über ERP‑Systeme, Lieferantenvereinbarungen, Tabellenkalkulationen, Rechnungen, E‑Mail‑Systeme und Datenbanken verstreut sein, die sich über Jahre von Übernahmen und Technologiewechseln angesammelt haben.

Gleichzeitig steigt der Druck auf Beschaffungsorganisationen. Die Hackett Group prognostiziert, dass das Beschaffungsaufkommen bis 2026 um 8 % zunehmen wird, selbst wenn die Mitarbeiterzahl und die Betriebsbudgets sinken, was einen Anreiz schafft, mehr Arbeit zu automatisieren, ohne die Teams einfach zu vergrößern.

Zudem läuft ein weitaus größerer Infrastrukturyklus. Goldman Sachs schätzt eine Basis von etwa $7,6 Billionen an kumulierten KI‑bezogenen Investitionen zwischen 2026 und 2031, die Rechenleistung, Rechenzentren und Energieinfrastruktur umfassen. Diese Ausgaben führen letztlich zu einem enormen Umfang an Geräten, Materialien, Bauvorhaben, Lieferantenbeziehungen und Verträgen, die verwaltet werden müssen.

Die These von Magentic lautet, dass KI zunehmend an diesen Entscheidungen teilnehmen kann, anstatt Menschen lediglich bei deren Analyse zu unterstützen.

Jenseits des KI‑Co‑Piloten

Magentic bezeichnet seine Agenten als „digitale Arbeiter“, doch die wichtigere Unterscheidung liegt im Grad der Autonomie, den die Plattform zu bieten versucht.

Statt den Mitarbeitenden ein weiteres Dashboard oder eine konversationelle Oberfläche zu bieten, ist Magentic darauf ausgelegt, sich über die bestehende Unternehmensinfrastruktur zu legen. Seine Architektur umfasst Datenaufnahme, eine harmonisierte Datenschicht, eine agentische Engine, beschaffungsspezifisches Wissen, Echtzeit‑Monitoring, Feedback‑Schleifen und End‑to‑End‑Ausführung.

Das System kann fragmentierte Informationen aus ERP‑Systemen, Tabellenkalkulationen, PDFs, Verträgen und anderen Quellen aufnehmen, bevor es sie in eine Struktur überführt, mit der KI‑Agenten arbeiten können. Magentic gibt zudem an, dass die Plattform je nach Aufgabe unterschiedliche zugrunde liegende KI‑Modelle auswählen kann, anstatt sich auf ein einziges großes Sprachmodell zu verlassen.

Das ist wichtig, weil die Beschaffung weit mehr als das Abrufen von Informationen umfasst.

Ein Agent könnte feststellen, dass dieselbe Komponente in verschiedenen Werken zu unterschiedlichen Preisen eingekauft wird, überlappende Lieferanten identifizieren, die konsolidiert werden könnten, Käufe erkennen, die außerhalb verhandelter Verträge getätigt werden, oder Rückvergütungen und vertragliche Rabatte entdecken, die nie eingezogen wurden.

Magentics Ziel ist es, dass der Agent weitergeht und den daraus entstehenden Arbeitsablauf abschließt.

Seine digitalen Arbeiter können Ausgaben prüfen, Verträge untersuchen, potenzielle Einsparungen berechnen, Lieferantenkommunikation vorbereiten, Bestellungen mit Rechnungen abgleichen und die Beweise zusammenstellen, die zur Rückforderung von Überzahlungen nötig sind. Das Unternehmen sagt, seine Agenten können über Ausgaben, Beschaffung, Verträge und Rechnungen hinweg arbeiten, anstatt auf eine einzelne isolierte Beschaffungsaufgabe beschränkt zu sein.

KI‑Agenten, die auf unübersichtlichen Unternehmensdaten basieren

Das zugrunde liegende Datenproblem könnte sich als ebenso wichtig erweisen wie die KI‑Modelle selbst.

Große Hersteller verfügen selten über makellose Datenbanken, die auf ein KI‑System warten. Lieferantennamen können zwischen Abteilungen variieren, Verträge können als PDFs vorliegen, Preise können in verschiedenen ERP‑Instanzen unterschiedlich erfasst werden, und jahrzehntelange Übernahmen können Unternehmen mit zahlreichen überlappenden Systemen zurücklassen.

Traditionelle Unternehmens‑Transformationsprojekte versuchen häufig, diese Daten zu bereinigen und zu standardisieren, bevor neue Anwendungen ausgerollt werden.

Magentic verfolgt einen anderen Ansatz: KI‑Agenten ermöglichen, über die bereits vorhandene fragmentierte Umgebung hinweg zu arbeiten und schrittweise die Informationen zu organisieren, die zur Erledigung einer Aufgabe nötig sind.

Die Plattform ist zudem so konzipiert, dass sie über Werkzeuge kommuniziert, die Mitarbeitende bereits nutzen, darunter Microsoft Teams und E‑Mail, und dabei über interne Unternehmenssysteme hinweg operiert. Damit soll der Agent weniger wie ein eigenständiges Software‑Produkt und mehr wie ein weiterer operativer Akteur innerhalb eines bestehenden Prozesses wirken.

Magentic gibt an, dass ein Kunde bereits mehr als 1,2 Millionen Aufträge über seine digitalen Arbeiter verarbeitet, während ein anderer Einsatz Einsparungen von 4 Millionen $ identifizierte. In seiner Global‑500‑Kundenbasis berichtet das Unternehmen von Einsparungen von etwa 2 % bis 5 % sowie einer durchschnittlichen Verbesserung der Datenqualität um 60 %. Diese Zahlen stammen aus Unternehmensangaben und wurden nicht unabhängig geprüft.

Menschen im Beschaffungsprozess behalten

Mehr Autonomie schafft zudem ein besonders wichtiges Problem im Einkauf: Eine falsche KI‑Entscheidung kann sofortige finanzielle oder operative Folgen haben.

Eine falsche Lieferantenkommunikation zu senden, unterscheidet sich erheblich davon, einen ungenauen Absatz in einem Chatbot zu erzeugen.

Magentic hat daher Prüf‑ und Freigabepunkte für Menschen in die Arbeitsabläufe seiner Agenten eingebaut. In einem vom Unternehmen beschriebenen Beispiel kann ein Agent Lieferantenverträge prüfen und ungewöhnliche Zahlungsbedingungen markieren, doch ein Einkaufsleiter bleibt dafür verantwortlich, zu entscheiden, ob tatsächlich verhandelt werden soll.

Das Unternehmen hat außerdem einen Multi‑Agent‑Review‑Mechanismus beschrieben, bei dem Agenten die von anderen Agenten erstellte Arbeit prüfen, ergänzt durch Protokolle und Nachweis‑Spuren, die zeigen, wie Entscheidungen zustande kamen.

Dieses Mensch-im-Loop-Modell wird voraussichtlich wichtig bleiben, wenn Unternehmens‑Agenten von der Empfehlung von Maßnahmen zum Ausführen übergehen.

Sicherheit wird Teil der Agenten‑Architektur

Einem KI‑System Zugriff auf Verträge, Lieferantenbeziehungen, Preis‑Informationen, Rechnungen und interne ERP‑Systeme zu gewähren, wirft zudem ein anderes Set an Unternehmensanforderungen auf.

Magentic gibt an, SOC 2 Type II und ISO 27001 zertifiziert zu sein, die EU‑Datenschutz‑Verordnung (GDPR) einzuhalten und mit dem EU‑KI‑Gesetz konform zu sein.

Die Plattform beinhaltet kontrollierte Interaktionen mit den Systemen der Aufzeichnung sowie menschliche Prüfstellen für wichtige Aktionen. Magentic sagt zudem, dass Kundendaten nicht zur Schulung gemeinsamer oder öffentlicher Modelle verwendet werden.

Diese Schutzmaßnahmen werden bedeutender, sobald Agenten die Fähigkeit erhalten, zu handeln, anstatt lediglich Informationen abzurufen oder zusammenzufassen.

Aufbau einer KI‑Belegschaft für die physische Wirtschaft

Magentic plant, die Series‑A‑Finanzierung zu nutzen, um das Spektrum der Beschaffungs‑ und Lieferketten‑Workflows, die seine Agenten verwalten können, zu erweitern und gleichzeitig weiter in die zugrunde liegende KI‑Forschung zu investieren.

Eine technische Herausforderung ist der Kontext.

Optimierungsprobleme in der Industrie können Jahre an Einkaufsdaten, tausende Lieferantenverträge, Preis‑Historien, Bestandsinformationen, Rechnungen, technische Dokumente und Kommunikationsaufzeichnungen umfassen. Magentic sagt, es entwickle Agenten, die in der Lage sind, Probleme zu diagnostizieren, Lösungen zu planen, Maßnahmen zu ergreifen und diese über Terabytes multimodaler Informationen hinweg zu verfolgen.

“Das Vorantreiben von Frontier‑AI in die physische Welt erfordert, über KI‑Systeme mit begrenzten Kontextfenstern hinauszugehen,” sagte O’Donoghue. “Wir bauen KI, die Probleme diagnostizieren, Lösungen planen, handeln und die Arbeit über Terabytes multimodaler Daten hinweg sehen kann.”

Der breitere Wandel besteht darin, KI von einem Werkzeug, das während eines Workflows eingesetzt wird, zu einer Software zu entwickeln, die zunehmend große Teile dieses Workflows eigenständig übernimmt.

Der Einkauf bietet einen interessanten Testfall, weil seine Ergebnisse messbar sind. Ein System erkennt entweder einen falschen Preis, verhindert Ausgaben außerhalb von Verträgen, identifiziert eine übersehene Rückvergütung, stimmt eine Rechnung ab – oder es tut das nicht.

Für Magentic geht die 18 Millionen $‑Series‑A also über die reine Erweiterung eines weiteren Enterprise‑KI‑Produkts hinaus. Das Unternehmen setzt darauf, dass einige der wertvollsten KI‑Agenten letztlich weit entfernt von der Chatbot‑Oberfläche operieren – innerhalb der komplexen Beschaffungssysteme, die bestimmen, wie die physische Wirtschaft tatsächlich gebaut wird.