Magentic raccoglie $18 M Serie A per creare una forza lavoro AI per le operazioni industriali

Magentic ha raccolto $18 milioni in finanziamento Serie A per espandere i suoi agenti AI nei processi di approvvigionamento e della catena di fornitura, puntando a alcuni dei flussi di lavoro più complessi all’interno delle grandi aziende industriali.

Il round è stato guidato da Felicis, con gli investitori esistenti Sequoia Capital e The Westly Group che hanno anche partecipato. Avviene circa un anno dopo che l’azienda con sede a Londra e New York ha lanciato un round seed da $5,5 milioni, portando il suo finanziamento totale dichiarato a $23,5 milioni.

Fondata dal CEO Robin Van Aeken, ex McKinsey, e dal CTO Odhran O’Donoghue, ex studente di OpenAI, Magentic scommette che la prossima fase dell’AI aziendale andrà oltre gli assistenti che rispondono a domande o generano contenuti. Invece, i suoi agenti sono progettati per svolgere lavori operativi attraverso i sistemi già utilizzati dai produttori.

Ciò colloca l’azienda all’intersezione di due grandi tendenze: la rapida espansione dell’AI agentica e la costruzione intensiva di capitale dell’infrastruttura fisica necessaria a sostenere l’economia AI più ampia.

Perché l’approvvigionamento industriale sta emergendo come obiettivo per l’AI

Gran parte del boom dell’AI generativa si è concentrata sullo sviluppo software, sul servizio clienti, sul marketing e su altri flussi di lavoro prevalentemente digitali. Magentic punta a un obiettivo meno visibile ma economicamente significativo: i processi che determinano cosa le aziende acquistano, da chi, a quale prezzo e con quali termini contrattuali.

Questi processi diventano particolarmente difficili all’interno dei produttori globali. I dati di approvvigionamento possono essere sparsi tra piattaforme di enterprise resource planning (ERP), accordi con i fornitori, fogli di calcolo, fatture, sistemi di posta elettronica e database accumulati nel corso di anni di acquisizioni e cambiamenti tecnologici.

Nel contempo, la pressione sulle organizzazioni di approvvigionamento è in aumento. The Hackett Group prevede che i carichi di lavoro dell’approvvigionamento cresceranno dell’8 % nel 2026 anche se il numero di dipendenti e i budget operativi diminuiranno, creando un incentivo ad automatizzare più lavoro senza semplicemente espandere i team.

C’è anche un ciclo infrastrutturale molto più ampio in corso. Goldman Sachs stima una base di circa $7,6 trilioni di spesa in conto capitale legata all’AI tra il 2026 e il 2031, comprendente calcolo, data center e infrastrutture energetiche. Tale spesa si traduce infine in un enorme volume di attrezzature, materiali, costruzioni, relazioni con i fornitori e contratti da gestire.

La tesi di Magentic è che l’AI possa partecipare sempre più a queste decisioni anziché limitarsi ad assistere gli esseri umani nell’analisi.

Andare oltre il copilota AI

Magentic descrive i suoi agenti come “lavoratori digitali“, ma la distinzione più importante è il grado di autonomia che la piattaforma sta cercando di fornire.

Piuttosto che offrire ai dipendenti un altro cruscotto o un’interfaccia conversazionale, Magentic è progettata per posarsi sopra l’infrastruttura aziendale esistente. La sua architettura comprende l’ingestione dei dati, uno strato dati armonizzato, un motore agentico, conoscenze specifiche per l’approvvigionamento, monitoraggio in tempo reale, cicli di feedback e esecuzione end-to-end.

Il sistema può ingerire informazioni frammentate da ERP, fogli di calcolo, PDF, contratti e altre fonti prima di trasformarle in una struttura con cui gli agenti AI possono operare. Magentic afferma inoltre che la piattaforma può selezionare diversi modelli AI sottostanti a seconda del compito, anziché fare affidamento su un unico grande modello linguistico.

Ciò è importante perché l’approvvigionamento comporta molto più del semplice recupero di informazioni.

Un agente potrebbe identificare che lo stesso componente viene acquistato a prezzi diversi tra gli stabilimenti, trovare fornitori sovrapposti che potrebbero essere consolidati, rilevare acquisti effettuati al di fuori dei contratti negoziati o scoprire sconti e rimborsi contrattuali mai riscossi.

L’obiettivo di Magentic è che l’agente vada oltre e aiuti a completare il flusso di lavoro risultante.

I suoi lavoratori digitali possono rivedere le spese, esaminare i contratti, calcolare i potenziali risparmi, preparare comunicazioni ai fornitori, riconciliare gli ordini con le fatture e raccogliere le prove necessarie per recuperare pagamenti in eccesso. L’azienda afferma che i suoi agenti possono operare su spese, approvvigionamento, contratti e fatture anziché essere limitati a un singolo compito di approvvigionamento isolato.

Agenti AI costruiti attorno a dati aziendali caotici

Il problema di base dei dati potrebbe rivelarsi importante quanto i modelli AI stessi.

I grandi produttori raramente dispongono di database impeccabili pronti per un sistema AI. I nomi dei fornitori possono variare tra le divisioni, i contratti possono esistere come PDF, i prezzi possono essere registrati in modo diverso tra le istanze ERP e decenni di acquisizioni possono lasciare le aziende con numerosi sistemi sovrapposti.

I tradizionali progetti di trasformazione aziendale spesso cercano di pulire e standardizzare tali dati prima di distribuire nuove applicazioni.

Magentic sta adottando un approccio diverso: consentire agli agenti IA di operare attraverso l’ambiente frammentato già esistente e organizzare progressivamente le informazioni necessarie per completare un compito.

La piattaforma è anche progettata per comunicare tramite gli strumenti già utilizzati dai dipendenti, tra cui Microsoft Teams e la posta elettronica, operando allo stesso tempo sui sistemi aziendali interni. L’obiettivo è far sì che l’agente non assomigli a un prodotto software autonomo, ma piuttosto a un altro partecipante operativo all’interno di un processo esistente.

Magentic afferma che un cliente sta già elaborando più di 1,2 milioni di ordini tramite i suoi lavoratori digitali, mentre un’altra implementazione ha individuato risparmi per 4 milioni di dollari. Tra la sua base di clienti Global 500, l’azienda segnala risparmi compresi tra circa il 2 % e il 5 %, insieme a un miglioramento medio del 60 % nella qualità dei dati. Si tratta di cifre riportate dall’azienda, non di metriche di performance verificate in modo indipendente.

Mantenere gli esseri umani nel ciclo degli acquisti

Una maggiore autonomia genera anche un problema particolarmente rilevante negli acquisti: una decisione errata dell’IA può avere conseguenze finanziarie o operative immediate.

Inviare una comunicazione errata al fornitore è notevolmente diverso dal generare un paragrafo impreciso in un chatbot.

Magentic ha quindi integrato punti di revisione umana nei flussi di lavoro dei suoi agenti. In un esempio descritto dall’azienda, un agente può esaminare i contratti dei fornitori e segnalare termini di pagamento insoliti, ma è il responsabile degli acquisti a mantenere la responsabilità di decidere se avviare effettivamente una negoziazione.

L’azienda ha inoltre illustrato un meccanismo di revisione multi‑agente in cui gli agenti possono verificare il lavoro prodotto da altri agenti, insieme a registri e tracce di evidenza volte a mostrare come sono state raggiunte le decisioni.

Questo modello umano nel ciclo è probabile che rimanga importante man mano che gli agenti aziendali passano dal raccomandare azioni all’eseguirle.

La sicurezza diventa parte dell’architettura dell’agente

Consentire a un sistema IA l’accesso a contratti, relazioni con i fornitori, informazioni sui prezzi, fatture e sistemi ERP interni solleva anche un diverso insieme di requisiti aziendali.

Magentic dichiara di essere certificata SOC 2 Tipo II e ISO 27001, conforme al Regolamento generale sulla protezione dei dati (GDPR) dell’Unione europea e allineata al Regolamento IA dell’UE.

La piattaforma include interazioni controllate con i sistemi di registrazione e checkpoint umani per azioni importanti. Magentic afferma inoltre che i dati dei clienti non vengono utilizzati per addestrare modelli condivisi o pubblici.

Queste salvaguardie diventano più rilevanti man mano che gli agenti acquisiscono la capacità di agire, anziché limitarsi a recuperare o riassumere informazioni.

Costruire una forza lavoro IA per l’economia fisica

Magentic prevede di utilizzare la Serie A per ampliare la gamma di flussi di lavoro di approvvigionamento e catena di fornitura che i suoi agenti possono gestire, continuando a investire nella ricerca IA di base.

Una sfida tecnica è il contesto.

I problemi di ottimizzazione industriale possono coinvolgere anni di dati di acquisto, migliaia di contratti fornitori, storie di prezzi, informazioni di inventario, fatture, documenti tecnici e registri di comunicazione. Magentic afferma di stare sviluppando agenti capaci di diagnosticare problemi, pianificare soluzioni, intraprendere azioni e seguirle attraverso terabyte di informazioni multimodali.

“Portare l’IA di frontiera nel mondo fisico richiede di andare oltre i sistemi IA con finestre di contesto limitate,” ha detto O’Donoghue. “Stiamo costruendo un’IA in grado di diagnosticare problemi, pianificare le correzioni, agire e vedere il lavoro completato attraverso terabyte di dati multimodali contemporaneamente.”

Il cambiamento più ampio è dal considerare l’IA come uno strumento utilizzato durante un flusso di lavoro a vederla come software capace di gestire porzioni sempre più ampie di quel flusso.

Gli acquisti offrono un caso di prova interessante perché i loro risultati sono misurabili. Un sistema o rileva un prezzo errato, impedisce spese fuori contratto, individua un rimborso trascurato, riconcilia una fattura, oppure non lo fa.

Per Magentic, la Serie A da 18 milioni di dollari riguarda quindi più che l’espansione di un altro prodotto IA aziendale. L’azienda scommette che alcuni dei più preziosi agenti IA opereranno, alla fine, lontano dall’interfaccia chatbot—all’interno dei complessi sistemi di approvvigionamento che determinano come l’economia fisica venga effettivamente costruita.