Magentic lève $18M en série A pour créer une main‑d’œuvre IA pour les opérations industrielles

Magentic a levé $18 million de financement en série A pour étendre ses agents IA aux opérations d’approvisionnement et de chaîne d’approvisionnement, ciblant certains des flux de travail les plus complexes au sein de grandes entreprises industrielles.

Le tour a été mené par Felicis, avec les investisseurs existants Sequoia Capital et The Westly Group également participants. Il survient environ un an après que l’entreprise basée à Londres et New York a lancé une levée de fonds seed de $5.5 million, portant son financement total déclaré à $23.5 million.

Fondée par le PDG Robin Van Aeken, ancien de McKinsey, et le CTO Odhran O’Donoghue, ancien d’OpenAI, Magentic mise sur le fait que la prochaine étape de l’IA d’entreprise ira au-delà des assistants qui répondent aux questions ou génèrent du contenu. Au contraire, ses agents sont conçus pour exécuter des travaux opérationnels sur les systèmes déjà utilisés par les fabricants.

Cela place l’entreprise à l’intersection de deux grandes tendances : l’expansion rapide de l’IA agentique et le développement coûteux de l’infrastructure physique nécessaire pour soutenir l’économie plus large de l’IA.

Pourquoi les achats industriels émergent comme cible de l’IA

Une grande partie du boom de l’IA générative s’est concentrée sur le développement logiciel, le service client, le marketing et d’autres flux de travail principalement numériques. Magentic vise une cible moins visible mais économiquement importante : les processus qui déterminent ce que les entreprises achètent, auprès de qui, à quel prix et selon quels termes contractuels.

Ces processus deviennent particulièrement difficiles au sein des fabricants mondiaux. Les données d’approvisionnement peuvent être dispersées entre les plateformes de planification des ressources d’entreprise (ERP), les accords fournisseurs, les feuilles de calcul, les factures, les systèmes de messagerie et les bases de données accumulées au fil des années d’acquisitions et de changements technologiques.

Parallèlement, la pression sur les organisations d’approvisionnement augmente. The Hackett Group prévoit que la charge de travail des achats augmentera de 8 % en 2026 même si les effectifs et les budgets opérationnels diminuent, créant une incitation à automatiser davantage le travail sans simplement agrandir les équipes.

Il existe également un cycle d’infrastructure beaucoup plus vaste en cours. Goldman Sachs estime une base d’environ $7.6 trillion de dépenses d’investissement cumulées liées à l’IA entre 2026 et 2031, couvrant le calcul, les centres de données et l’infrastructure énergétique. Ces dépenses se traduisent finalement par un volume énorme d’équipements, de matériaux, de constructions, de relations fournisseurs et de contrats à gérer.

La thèse de Magentic est que l’IA peut participer de plus en plus à ces décisions plutôt que de se contenter d’aider les humains à les analyser.

Aller au-delà du copilote IA

Magentic décrit ses agents comme des « travailleurs numériques », mais la distinction la plus importante réside dans le degré d’autonomie que la plateforme tente d’offrir.

Plutôt que d’offrir aux employés un autre tableau de bord ou une interface conversationnelle, Magentic est conçu pour s’appuyer sur l’infrastructure d’entreprise existante. Son architecture comprend l’ingestion de données, une couche de données harmonisée, un moteur agentique, des connaissances spécifiques aux achats, une surveillance en temps réel, des boucles de rétroaction et une exécution de bout en bout.

Le système peut ingérer des informations fragmentées provenant d’ERP, de feuilles de calcul, de PDF, de contrats et d’autres sources avant de les transformer en une structure exploitable par les agents IA. Magentic indique également que la plateforme peut choisir différents modèles IA sous-jacents en fonction de la tâche, plutôt que de s’appuyer sur un seul grand modèle de langage.

Cela importe car les achats impliquent bien plus que la simple récupération d’informations.

Un agent pourrait identifier qu’un même composant est acheté à des prix différents selon les usines, repérer des fournisseurs redondants pouvant être consolidés, détecter des achats effectués en dehors des contrats négociés, ou découvrir des remises et des réductions contractuelles qui n’ont jamais été perçues.

L’objectif de Magentic est que l’agent aille plus loin et aide à finaliser le flux de travail résultant.

Ses travailleurs numériques peuvent examiner les dépenses, analyser les contrats, calculer les économies potentielles, préparer les communications avec les fournisseurs, rapprocher les commandes des factures et rassembler les preuves nécessaires pour récupérer les trop-perçus. L’entreprise affirme que ses agents peuvent opérer sur les dépenses, les approvisionnements, les contrats et les factures plutôt que d’être limités à une tâche d’achat isolée.

Agents IA construits autour de données d’entreprise désordonnées

Le problème de données sous-jacent pourrait s’avérer tout aussi important que les modèles IA eux-mêmes.

Les grands fabricants disposent rarement de bases de données impeccables prêtes pour un système IA. Les noms de fournisseurs peuvent varier entre les divisions, les contrats peuvent exister sous forme de PDF, les prix peuvent être enregistrés différemment selon les instances ERP, et des décennies d’acquisitions peuvent laisser les entreprises avec de nombreux systèmes qui se chevauchent.

Les projets traditionnels de transformation d’entreprise tentent souvent de nettoyer et de standardiser ces données avant de déployer de nouvelles applications.

Magentic adopte une approche différente : permettre aux agents d’IA de travailler à travers l’environnement fragmenté déjà existant et d’organiser progressivement les informations nécessaires à l’accomplissement d’une tâche.

La plateforme est également conçue pour communiquer via les outils déjà utilisés par les employés, notamment Microsoft Teams et le courriel, tout en fonctionnant à travers les systèmes internes de l’entreprise. L’objectif est de faire en sorte que l’agent ressemble moins à un produit logiciel autonome et davantage à un autre participant opérationnel au sein d’un processus existant.

Magentic indique qu’un client traite déjà plus de 1,2 million de commandes grâce à ses travailleurs numériques, tandis qu’un autre déploiement a identifié 4 millions de dollars d’économies. Parmi sa base de clients du Global 500, l’entreprise rapporte des économies d’environ 2 % à 5 %, ainsi qu’une amélioration moyenne de 60 % de la qualité des données. Il s’agit de chiffres communiqués par l’entreprise et non de mesures de performance auditées de façon indépendante.

Garder les humains dans la boucle des achats

Une plus grande autonomie engendre également un problème particulièrement important dans les achats : une décision d’IA erronée peut avoir des conséquences financières ou opérationnelles immédiates.

Envoyer une mauvaise communication à un fournisseur est très différent de générer un paragraphe inexact dans un chatbot.

Magentic a donc intégré des points de révision humaine dans les flux de travail de ses agents. Dans un exemple décrit par l’entreprise, un agent peut analyser les contrats fournisseurs et signaler des conditions de paiement inhabituelles, mais un cadre des achats reste responsable de décider si une négociation doit réellement avoir lieu.

L’entreprise a également décrit un mécanisme de révision multi‑agents dans lequel les agents peuvent vérifier le travail produit par d’autres agents, accompagnés de journaux et de traces de preuves destinés à montrer comment les décisions ont été prises.

Ce modèle humain dans la boucle devrait rester important à mesure que les agents d’entreprise passent de la recommandation d’actions à leur exécution.

La sécurité devient partie intégrante de l’architecture des agents

Donner à un système d’IA l’accès aux contrats, aux relations fournisseurs, aux informations tarifaires, aux factures et aux systèmes ERP internes soulève également un ensemble différent d’exigences pour l’entreprise.

Magentic indique être certifié SOC 2 Type II et ISO 27001, conforme au Règlement général sur la protection des données (RGPD) de l’Union européenne, et aligné sur le AI Act de l’UE.

La plateforme comprend des interactions contrôlées avec les systèmes d’enregistrement et des points de contrôle humains pour les actions importantes. Magentic précise également que les données des clients ne sont pas utilisées pour entraîner des modèles partagés ou publics.

Ces garde‑fous deviennent plus déterminants à mesure que les agents acquièrent la capacité d’agir plutôt que de simplement récupérer ou résumer des informations.

Construire une main‑d’œuvre d’IA pour l’économie physique

Magentic prévoit d’utiliser la Série A pour élargir la gamme de flux de travail d’achats et de chaîne d’approvisionnement que ses agents peuvent gérer, tout en investissant davantage dans la recherche IA sous‑jacente.

Un défi technique est le contexte.

Les problèmes d’optimisation industrielle peuvent impliquer des années de données d’achat, des milliers de contrats fournisseurs, des historiques de prix, des informations d’inventaire, des factures, des documents techniques et des enregistrements de communication. Magentic indique développer des agents capables de diagnostiquer les problèmes, de planifier des solutions, de prendre des mesures et de suivre ces actions à travers des téraoctets d’informations multimodales.

« Amener l’IA de pointe dans le monde physique nécessite de dépasser les systèmes d’IA aux fenêtres de contexte limitées », a déclaré O’Donoghue. « Nous construisons une IA capable de diagnostiquer les problèmes, de planifier les correctifs, d’agir et de suivre le travail à travers des téraoctets de données multimodales en une seule fois. »

Le changement plus large consiste à passer de l’IA en tant qu’outil utilisé pendant un flux de travail à l’IA en tant que logiciel capable de prendre en charge des parties de plus en plus importantes de ce flux de travail.

Les achats offrent un cas de test intéressant car leurs résultats sont mesurables. Un système détecte soit un prix incorrect, empêche les dépenses hors contrat, identifie un rabais négligé, rapproche une facture, ou il ne le fait pas.

Pour Magentic, la Série A de 18 millions de dollars représente donc bien plus que l’expansion d’un autre produit d’IA d’entreprise. L’entreprise parie que certains des agents d’IA les plus précieux finiront par fonctionner loin de l’interface chatbot — au sein des systèmes d’achats complexes qui déterminent comment l’économie physique est réellement construite.