Loop raccoglie 95 milioni di dollari nella serie C per espandere la sua piattaforma di intelligenza artificiale nella catena di approvvigionamento

Loop ha raccolto $95 milioni di finanziamenti nella serie C, guidati da Valor Equity Partners e il fondo Valor Atreides AI, mentre lavora per scalare la sua piattaforma di intelligenza artificiale nella logistica, nelle finanze e nelle operazioni della catena di approvvigionamento più ampia. Il round ha anche visto la partecipazione di 8VC, Founders Fund, Index Ventures, J.P. Morgan Growth Equity Partners e Tao Capital Partners.

L’aumento di capitali arriva in un momento in cui le catene di approvvigionamento sono sotto crescente pressione a causa della dinamica commerciale in evoluzione, dei costi in aumento e della crescente complessità delle operazioni globali. Per molte imprese, il problema di base non è la mancanza di strumenti, ma l’assenza di una base di dati coerente e affidabile attraverso i sistemi.

Perché le catene di approvvigionamento rimangono uno dei problemi più difficili per l’intelligenza artificiale

Le catene di approvvigionamento sono intrinsecamente frammentate. I dati critici sono sparsi tra fatture, registri di spedizione, contratti e molteplici sistemi aziendali che raramente comunicano in modo pulito tra loro. Anche i processi di routine come la riconciliazione o l’analisi dei costi spesso dipendono dall’intervento manuale.

Ciò crea una sfida strutturale per il dispiegamento dell’intelligenza artificiale. La maggior parte dei modelli si basa su input strutturati e di alta qualità, eppure i dati della catena di approvvigionamento sono spesso incoerenti, incompleti o bloccati all’interno di infrastrutture legacy. Di conseguenza, anche i sistemi di intelligenza artificiale ben progettati lottano per funzionare efficacemente in ambienti logistici reali.

Costruire un sistema di intelligenza a partire da dati non connessi

L’approccio di Loop si concentra sul trasformare questi dati frammentati in un sistema unificato che possa supportare sia l’automazione che la presa di decisioni.

Invece di funzionare come uno strato di analisi autonomo, la piattaforma inghiotte dati operativi e finanziari da tutto il flusso di lavoro logistico, li standardizza e applica modelli specifici del dominio per interpretare le relazioni tra spedizioni, costi e fornitori. Ciò consente alle imprese di passare da punti di dati isolati a un quadro operativo più completo.

Un aspetto chiave di questa architettura è la capacità di gestire più formati di dati contemporaneamente. Documenti, dati di sistema strutturati e registri semistrutturati vengono tutti elaborati all’interno della stessa pipeline, consentendo una visibilità più ampia attraverso sistemi precedentemente non connessi.

Il ruolo di DUX: modelli costruiti per la realtà logistica

Al centro della piattaforma c’è DUX, una famiglia di modelli e agenti progettati specificamente per ambienti di catena di approvvigionamento.

Questi modelli combinano la comprensione dei documenti, l’elaborazione dei dati strutturati e il ragionamento specifico del dominio. Ciò consente loro di interpretare dati logistici complessi, come fatture e documenti di spedizione, mantenendo al tempo stesso la consapevolezza del contesto operativo più ampio.

DUX è anche progettato per agire, non solo generare informazioni. Collegando l’interpretazione all’esecuzione, il sistema può automatizzare flussi di lavoro come l’audit, la riconciliazione e l’allocazione dei costi, riducendo la dipendenza dai processi manuali che hanno storicamente dominato il settore.

Dal controllo dei costi di trasporto all’intelligenza della catena di approvvigionamento full-stack

La piattaforma di Loop è evoluta da un focus iniziale sul controllo dei costi di trasporto e sul pagamento, un’area in cui la frammentazione dei dati e l’impatto finanziario sono particolarmente pronunciati.

Partire da quella nicchia ha fornito l’accesso a dati operativi di alto valore e ha consentito alla società di costruire sistemi in grado di gestire la complessità del mondo reale. Da lì, la piattaforma si è espansa in aree adiacenti come l’approvvigionamento, la gestione dei fornitori, la conformità e le operazioni di magazzino.

Questa progressione riflette un modello più ampio nell’intelligenza artificiale aziendale, in cui la risoluzione di un problema stretto ma critico crea la base per l’espansione in uno strato operativo più ampio.

La più ampia tendenza verso sistemi operativi di intelligenza artificiale

Tecnologie come quelle di Loop puntano verso un cambiamento nel modo in cui l’intelligenza artificiale viene applicata all’interno delle imprese. Invece di essere utilizzata principalmente per l’analisi o la segnalazione, i sistemi di intelligenza artificiale vengono sempre più integrati direttamente nei flussi di lavoro operativi.

Nelle catene di approvvigionamento, ciò potrebbe significare la riconciliazione continua di dati finanziari e operativi, la rilevazione automatizzata delle inefficienze e gli aggiustamenti più rapidi alle condizioni in evoluzione. Nel tempo, questo tipo di sistema potrebbe ridurre la dipendenza dai cicli di segnalazione periodici e sostituirli con processi decisionali più continui e in tempo reale.

Allo stesso tempo, l’efficacia di questi sistemi dipenderà fortemente dalla qualità dei dati, dall’integrazione dei sistemi e dalla capacità di operare in modo affidabile in una vasta gamma di scenari. Le catene di approvvigionamento sono ambienti dinamici, e mantenere la precisione su larga scala rimane una sfida tecnica significativa.

Cosa significa questo per l’infrastruttura aziendale

L’espansione di piattaforme come Loop suggerisce un graduale cambiamento nell’architettura aziendale. I sistemi tradizionali come piattaforme ERP, TMS e WMS sono stati progettati principalmente per la registrazione e l’elaborazione delle transazioni. Gli strati guidati dall’intelligenza artificiale iniziano a posizionarsi su questi sistemi, trasformando registri statici in input attivi per la presa di decisioni.

Se questo modello continua a svilupparsi, potrebbe portare a uno strato operativo più unificato in cui i dati finanziari e logistici non vengono più trattati separatamente. Invece, diventano parte di un sistema unico che si aggiorna continuamente, si riconcilia e informa le decisioni aziendali.

Tuttavia, la transizione è improbabile che sia uniforme. Molte organizzazioni ancora si affidano a sistemi legacy profondamente radicati, e l’integrazione dell’intelligenza artificiale in questi ambienti introduce sia complessità tecnica che organizzativa. Il ritmo di adozione probabilmente varierà a seconda di quanto efficacemente le società possano modernizzare la loro infrastruttura di dati mantenendo la stabilità operativa.