Magentic keräsi $18 miljoonaa Series A‑rahoituksessa rakentaakseen tekoälytyövoiman teollisuusoperaatioihin

Magentic on kerännyt $18 miljoonaa Series A‑rahoituksessa laajentaakseen AI‑agenttejaan hankinta- ja toimitusketjuoperaatioissa, kohdistuen joihinkin suurten teollisuusyritysten monimutkaisimmista työnkuluista.

Rahoituskierroksen johti Felicis, ja mukana olivat myös olemassa olevat sijoittajat Sequoia Capital ja The Westly Group. Tämä tapahtui noin vuosi sen jälkeen, kun Lontoissa ja New Yorkissa toimiva yritys aloitti $5,5 miljoonan siemenrahoituksella, nostamalla ilmoitetun kokonaisrahoituksen $23,5 miljoonaan.

Perustajat ovat toimitusjohtaja Robin Van Aeken, entinen McKinseyn työntekijä, ja teknologiajohtaja Odhran O’Donoghue, OpenAI:n alumnus. Magentic uskoo, että yritystekoälyn seuraava vaihe menee pidemmälle kuin avustajat, jotka vastaavat kysymyksiin tai tuottavat sisältöä. Sen sijaan sen agentit on suunniteltu suorittamaan operatiivista työtä valmistajien jo käyttämien järjestelmien yli.

Tämä asettaa yrityksen kahden merkittävän trendin risteykseen: agenttipohjaisen tekoälyn nopea laajeneminen sekä pääomavaltaisen fyysisen infrastruktuurin rakentaminen, joka on tarpeen laajemman tekoälytalouden tukemiseksi.

Miksi teollinen hankinta nousee tekoälyn kohteeksi

Suurin osa generatiivisen tekoälyn buumista on keskittynyt ohjelmistokehitykseen, asiakaspalveluun, markkinointiin ja muihin pääasiassa digitaalisiin työnkulkuihin. Magentic tähtää vähemmän näkyvään, mutta taloudellisesti merkittävään kohteeseen: prosesseihin, jotka määrittävät, mitä yritykset ostavat, keneltä, millä hinnalla ja millä sopimusehdoilla.

Nämä prosessit ovat erityisen haastavia globaalien valmistajien sisällä. Hankintatiedot voivat olla hajallaan eri ERP‑järjestelmissä, toimittajasopimuksissa, taulukkolaskentaohjelmissa, laskuissa, sähköpostijärjestelmissä ja vuosien aikana tehtyjen yritysostojen ja teknologiamuutosten myötä kerätyissä tietokannoissa.

Samaan aikaan paine hankintaorganisaatioihin kasvaa. The Hackett Group ennustaa, että hankintatyömäärät kasvavat 8 % vuonna 2026, vaikka henkilöstömäärä ja toimintabudjetit vähenevät, mikä luo kannustimen automatisoida enemmän työtä ilman tiimien pelkkää laajentamista.

Samalla käynnissä on paljon suurempi infrastruktuurikierto. Goldman Sachs arvioi, että vuosina 2026–2031 kertyy noin $7,6 triljoonaa kumulatiivisia tekoälyyn liittyviä pääomamenoja, jotka kattavat laskentatehon, datakeskukset ja energian infrastruktuurin. Tämä kulutus muuttuu lopulta valtavaksi laitteiden, materiaalien, rakennusten, toimittajasuhteiden ja hallittavien sopimusten määräksi.

Magenticin teesi on, että tekoäly voi yhä enemmän osallistua näihin päätöksiin sen sijaan, että se vain auttaa ihmisiä analysoimaan niitä.

Kohti tekoälyavustajan ylittämistä

Magentic kuvaa agenttejaan “digitaalisiksi työntekijöiksi“, mutta tärkeämpi ero on autonomian taso, jonka alusta pyrkii tarjoamaan.

Sen sijaan, että työntekijöille tarjottaisiin toinen hallintapaneeli tai keskustelukäyttöliittymä, Magentic on suunniteltu sijoittumaan olemassa olevan yritysinfrastruktuurin päälle. Sen arkkitehtuuri sisältää tiedonkeruun, yhtenäistetyn datakerroksen, agenttipohjaisen moottorin, hankintaan kohdistuneen tiedon, reaaliaikaisen seurannan, palautesilmukat ja loppuun asti tapahtuvan toteutuksen.

Järjestelmä voi kerätä hajanaista tietoa ERP‑järjestelmistä, taulukkolaskentaohjelmista, PDF‑tiedostoista, sopimuksista ja muista lähteistä ennen kuin se muuntaa sen rakenteeksi, jonka kanssa AI‑agentit voivat työskennellä. Magentic myös toteaa, että alusta voi valita eri taustalla olevia AI‑malleja tehtävän mukaan sen sijaan, että se turvaisi yhteen suurta kielimalliin.

Tämä on merkittävää, koska hankinta sisältää paljon muutakin kuin tiedon hakemisen.

Agentti saattaa havaita, että sama komponentti ostetaan eri hintoihin eri tehtaalta, löytää päällekkäisiä toimittajia, jotka voitaisiin yhdistää, tunnistaa ostot, jotka tehdään neuvoteltujen sopimusten ulkopuolella, tai löytää alennuksia ja sopimusperusteisia alennuksia, joita ei ole koskaan kerätty.

Magenticin tavoitteena on, että agentti menee pidemmälle ja auttaa viimeistelemään syntyneen työnkulun.

Sen digitaaliset työntekijät voivat tarkastella kulutusta, tutkia sopimuksia, laskea mahdolliset säästöt, valmistaa toimittajaviestintää, sovittaa tilaukset laskuihin ja koota todisteet, jotka tarvitaan ylilyöntien palauttamiseen. Yritys toteaa, että sen agentit voivat toimia kulutuksen, hankinnan, sopimusten ja laskujen välillä sen sijaan, että ne rajoittuivat yhteen erilliseen hankintatehtävään.

AI‑agentit rakennettu sotkuisen yritystiedon ympärille

Taustalla oleva dataprobleema voi osoittautua yhtä tärkeäksi kuin itse AI‑mallit.

Suuret valmistajat harvoin omaavat moitteettomia tietokantoja odottamassa AI‑järjestelmää. Toimittajien nimet voivat erota osastojen välillä, sopimukset voivat olla PDF‑muodossa, hinnat voidaan tallentaa eri tavoin eri ERP‑instansseissa, ja vuosikymmenten yritysostot voivat jättää yritykset lukuisiin päällekkäisiin järjestelmiin.

Perinteiset yritystransformaatioprojektit pyrkivät usein puhdistamaan ja standardoimaan kyseistä dataa ennen uusien sovellusten käyttöönottoa.

Magentic käyttää erilaista lähestymistapaa: se sallii tekoälyagenttien toimia hajautetussa ympäristössä, joka jo on olemassa, ja järjestää vähitellen tehtävän suorittamiseen tarvittavat tiedot.

Alusta on myös suunniteltu viestimään työntekijöiden jo käyttämien työkalujen, kuten Microsoft Teamsin ja sähköpostin, kautta, samalla kun se toimii sisäisten yritysjärjestelmien läpi. Tavoitteena on, että agentti ei ole erillinen ohjelmistotuote, vaan toinen operatiivinen toimija olemassa olevassa prosessissa.

Magentic kertoo, että yksi asiakas käsittelee jo yli 1,2 miljoonaa tilausta digitaalisilla työntekijöillään, kun taas toinen käyttöönotto löysi 4 miljoonaa dollaria säästöjä. Globaalin 500‑yrityksen asiakaskuntansa osalta yritys raportoi säästöjä noin 2 %–5 % sekä keskimäärin 60 % parannuksen tietojen laadussa. Nämä ovat yrityksen itse ilmoittamia lukuja, eivät riippumattomasti tarkastettuja suorituskykymittareita.

Ihmisten pitäminen hankintaprosessin silmukassa

Suurempi autonomia aiheuttaa myös ongelman, joka on erityisen tärkeä hankinnassa: virheellinen tekoälypäätös voi aiheuttaa välittömiä taloudellisia tai operatiivisia seurauksia.

Väärän toimittajaviestinnän lähettäminen eroaa merkittävästi epätarkan kappaleen tuottamisesta chatbotissa.

Magentic on siis sisällyttänyt ihmisen tarkistuspisteitä agenttien työnkulkuihin. Yrityksen kuvaamassa yhdessä esimerkissä agentti voi skannata toimittajasopimuksia ja merkitä poikkeukselliset maksuehdot, mutta hankinta‑johtaja säilyttää vastuun siitä, päätetäänkö neuvottelu todella toteuttaa.

Yritys on myös kuvannut monen agentin tarkistusmekanismin, jossa agentit voivat tarkistaa toistensa tuottaman työn, sekä lokit ja todistepolut, joiden tarkoituksena on näyttää, miten päätökset on tehty.

Tämä ihminen mukana -silmukassa malli on todennäköisesti tärkeä, kun yritysagentit siirtyvät suosittelemaan toimia niiden toteuttamiseen.

Turvallisuus tulee osaksi agenttien arkkitehtuuria

Tekoälyjärjestelmän antaminen pääsyyn sopimuksiin, toimittajasuhteisiin, hinnoittelutietoihin, laskuihin ja sisäisiin ERP-järjestelmiin nostaa esiin myös erilaiset yritysvaatimukset.

Magentic kertoo olevansa SOC 2 Type II‑ ja ISO 27001‑sertifioitu, noudattavan Euroopan unionin yleistä tietosuoja-asetusta (GDPR) ja olevan linjassa EU:n tekoälyasetuksen kanssa.

Alusta sisältää hallittuja vuorovaikutuksia rekisterijärjestelmien kanssa sekä ihmisen tarkistuspisteitä tärkeille toiminnoille. Magentic kertoo myös, että asiakastietoja ei käytetä jaettujen tai julkisten mallien kouluttamiseen.

Nämä suojatoimet tulevat merkittävämmiksi, kun agentit saavat kyvyn toimia sen sijaan, että ne vain hakisivat tai tiivistäisivät tietoa.

Tekoälytyövoiman rakentaminen fyysiseen talouteen

Magentic aikoo käyttää Series A -rahoitusta laajentaakseen agenttiensa hallittavien hankinta- ja toimitusketjuprosessien kirjoa ja jatkaakseen investointeja taustalla olevaan tekoälytutkimukseen.

Yksi tekninen haaste on konteksti.

Teollisuuden optimointiongelmat voivat sisältää vuosien ostotietoja, tuhansia toimittajasopimuksia, hinnoitteluhistoriaa, varastotietoja, laskuja, teknisiä asiakirjoja ja viestintärekistereitä. Magentic kertoo kehittävänsä agenteja, jotka pystyvät diagnosoimaan ongelmia, suunnittelemaan ratkaisuja, toteuttamaan toimenpiteitä ja seuraamaan näitä toimenpiteitä teratavuilla multimodaalisella tiedolla.

“Rajanvetoisen tekoälyn tuominen fyysiseen maailmaan vaatii AI-järjestelmien, joilla on rajalliset kontekstin ikkunat, ylittämistä,” sanoi O’Donoghue. “Rakennamme tekoälyä, joka pystyy diagnosoimaan ongelmia, suunnittelemaan korjaukset, toteuttamaan toimenpiteet ja seuraamaan työn läpivientiä teratavuilla multimodaalisella datalla kerralla.”

Laajempi muutos on siirtyminen tekoälystä työprosessin aikana käytettävänä työkaluna kohti tekoälyä ohjelmistona, joka pystyy hallitsemaan yhä suurempia osia siitä työprosessista.

Hankinta tarjoaa mielenkiintoisen testitapauksen, koska sen tulokset ovat mitattavissa. Järjestelmä joko havaitsee virheellisen hinnan, estää sopimuksen ulkopuolisen kulutuksen, tunnistaa huomiotta jääneen alennuksen, täsmäyttää laskun tai ei tee mitään.

Yritykselle Magentic 18 miljoonan dollarin Series A -rahoitus tarkoittaa siis enemmän kuin toisen yritystekoälytuotteen laajentamista. Yritys uskoo, että jotkut arvokkaimmista tekoälyagenteista toimivat lopulta kaukana chatbot‑käyttöliittymästä – monimutkaisten hankintajärjestelmien sisällä, jotka määrittävät, miten fyysinen talous todellisuudessa rakennetaan.