Loop lève 95 millions de dollars en financement de série C pour étendre sa plateforme d’IA à travers la chaîne d’approvisionnement

Loop a levé $95 million en financement de série C, mené par Valor Equity Partners et le fonds Valor Atreides AI, alors qu’il travaille à étendre sa plateforme d’IA à travers les opérations logistiques, financières et plus larges de la chaîne d’approvisionnement. Le tour a également inclus la participation de 8VC, Founders Fund, Index Ventures, J.P. Morgan Growth Equity Partners et Tao Capital Partners.

La levée de fonds intervient à un moment où les chaînes d’approvisionnement sont sous une pression croissante en raison de la dynamique commerciale changeante, des coûts croissants et de la complexité croissante des opérations mondiales. Pour de nombreuses entreprises, le problème sous-jacent n’est pas un manque d’outils, mais l’absence d’une base de données cohérente et fiable à travers les systèmes.

Pourquoi les chaînes d’approvisionnement restent l’un des problèmes les plus difficiles de l’IA

Les chaînes d’approvisionnement sont inhérentement fragmentées. Les données critiques sont réparties entre les factures, les dossiers d’expédition, les contrats et de multiples systèmes d’entreprise qui communiquent rarement de manière propre les uns avec les autres. Même les processus routiniers tels que la réconciliation ou l’analyse des coûts dépendent souvent d’une intervention manuelle.

Cela crée un défi structurel pour le déploiement de l’IA. La plupart des modèles reposent sur des entrées structurées et de haute qualité, mais les données de la chaîne d’approvisionnement sont souvent incohérentes, incomplètes ou verrouillées à l’intérieur d’infrastructures héritées. En conséquence, même les systèmes d’IA bien conçus ont du mal à fonctionner de manière efficace dans des environnements logistiques réels.

Construire un système d’intelligence à partir de données non connectées

L’approche de Loop consiste à transformer ces données fragmentées en un système unifié qui peut prendre en charge à la fois l’automatisation et la prise de décision.

Plutôt que de fonctionner comme une couche d’analyse autonome, la plateforme ingère des données opérationnelles et financières à travers les flux de travail logistiques, les standardise et applique des modèles spécifiques au domaine pour interpréter les relations entre les expéditions, les coûts et les fournisseurs. Cela permet aux entreprises de passer de points de données isolés à une image opérationnelle plus complète.

Un aspect clé de cette architecture est la capacité à gérer plusieurs formats de données à la fois. Les documents, les données système structurées et les enregistrements semi-structurés sont tous traités dans le même pipeline, permettant une visibilité plus large à travers les systèmes précédemment non connectés.

Le rôle de DUX : des modèles conçus pour la réalité logistique

Au cœur de la plateforme se trouve DUX, une famille de modèles et d’agents conçus spécifiquement pour les environnements de chaîne d’approvisionnement.

Ces modèles combinent la compréhension des documents, le traitement des données structurées et le raisonnement spécifique au domaine. Cela leur permet d’interpréter des données logistiques complexes, telles que les factures et les documents d’expédition, tout en maintenant une conscience du contexte opérationnel plus large.

DUX est également conçu pour prendre des mesures, et non pas seulement générer des informations. En reliant l’interprétation à l’exécution, le système peut automatiser des flux de travail tels que l’audit, la réconciliation et l’allocation des coûts, réduisant ainsi la dépendance à l’égard des processus manuels qui ont historiquement dominé le secteur.

De l’audit de fret à l’intelligence de chaîne d’approvisionnement full-stack

La plateforme de Loop a évolué à partir d’un focus initial sur l’audit et le paiement de fret, un domaine où la fragmentation des données et l’impact financier sont particulièrement prononcés.

Commencer dans ce créneau a fourni un accès à des données opérationnelles à haute valeur et a permis à l’entreprise de construire des systèmes capables de gérer la complexité réelle. À partir de là, la plateforme s’est étendue à des domaines adjacents tels que la passation des marchés, la gestion des fournisseurs, la conformité et les opérations de stockage.

Cette progression reflète un modèle plus large dans l’IA d’entreprise, où la résolution d’un problème étroit mais critique crée la base pour une expansion dans une couche opérationnelle plus large.

Le déplacement plus large vers les systèmes d’IA opérationnels

Des technologies comme celles de Loop pointent vers un déplacement dans la façon dont l’IA est appliquée au sein des entreprises. Au lieu d’être utilisée principalement pour l’analyse ou la production de rapports, les systèmes d’IA sont de plus en plus intégrés directement dans les flux de travail opérationnels.

Dans les chaînes d’approvisionnement, cela pourrait signifier une réconciliation continue des données financières et opérationnelles, une détection automatisée des inefficacités et des ajustements plus rapides aux conditions changeantes. Au fil du temps, ce type de système peut réduire la dépendance à l’égard des cycles de rapport périodiques et les remplacer par des processus de prise de décision plus continus et en temps réel.

En même temps, l’efficacité de ces systèmes dépendra fortement de la qualité des données, de l’intégration des systèmes et de la capacité à fonctionner de manière fiable à travers un large éventail de scénarios. Les chaînes d’approvisionnement sont des environnements dynamiques, et le maintien de l’exactitude à grande échelle reste un défi technique important.

Ce que cela signifie pour l’infrastructure d’entreprise

L’expansion de plateformes comme Loop suggère un déplacement progressif dans l’architecture d’entreprise. Les systèmes traditionnels tels que les plateformes ERP, TMS et WMS ont été conçus principalement pour la tenue de dossiers et le traitement des transactions. Des couches d’IA sont en train de s’installer au-dessus de ces systèmes, transformant les enregistrements statiques en entrées actives pour la prise de décision.

Si ce modèle continue à se développer, il pourrait conduire à une couche opérationnelle plus unifiée où les données financières et logistiques ne sont plus traitées séparément. Au lieu de cela, elles deviennent partie d’un système unique qui met à jour en continu, réconcilie et informe les décisions commerciales.

Cependant, la transition est peu susceptible d’être uniforme. De nombreuses organisations s’appuient toujours sur des systèmes hérités profondément ancrés, et l’intégration de l’IA dans ces environnements introduit à la fois une complexité technique et organisationnelle. Le rythme d’adoption sera probablement variable en fonction de la manière dont les entreprises peuvent moderniser leur infrastructure de données tout en maintenant la stabilité opérationnelle.