Magentic haalt $18M Series A op om een AI-werkforce voor industriële operaties op te bouwen

Magentic heeft $18 miljoen in Series A-financiering opgehaald om haar AI‑agenten uit te breiden over inkoop- en toeleveringsketenoperaties, gericht op enkele van de meest complexe werkstromen binnen grote industriële bedrijven.

De ronde werd geleid door Felicis, met bestaande investeerders Sequoia Capital en The Westly Group die ook deelnamen. Het komt ongeveer een jaar nadat het in Londen en New York gevestigde bedrijf van start ging met een seed‑ronde van $5,5 miljoen, waardoor de gerapporteerde totale financiering op $23,5 miljoen kwam.

Opgericht door CEO Robin Van Aeken, voormalig bij McKinsey, en CTO Odhran O’Donoghue, een OpenAI‑alumnus, gelooft Magentic dat de volgende fase van enterprise‑AI verder zal gaan dan assistenten die vragen beantwoorden of content genereren. In plaats daarvan zijn haar agenten ontworpen om operationele werkzaamheden uit te voeren over de systemen die fabrikanten al gebruiken.

Dat plaatst het bedrijf op het snijpunt van twee belangrijke trends: de snelle uitbreiding van agent‑AI en een kapitaalintensieve uitbouw van de fysieke infrastructuur die nodig is om de bredere AI‑economie te ondersteunen.

Waarom industriële inkoop zich ontwikkelt tot een AI‑doelwit

Een groot deel van de generatieve AI‑golf is gericht op softwareontwikkeling, klantenservice, marketing en andere voornamelijk digitale werkstromen. Magentic richt zich op een minder zichtbaar maar economisch belangrijk doelwit: de processen die bepalen wat bedrijven kopen, van wie, tegen welke prijs en onder welke contractuele voorwaarden.

Die processen worden bijzonder moeilijk binnen wereldwijde fabrikanten. Inkoopgegevens kunnen verspreid zijn over enterprise resource planning (ERP)-platformen, leveranciersovereenkomsten, spreadsheets, facturen, e‑mailsystemen en databases die door jaren van overnames en technologische veranderingen zijn opgebouwd.

Tegelijkertijd neemt de druk op inkooporganisaties toe. The Hackett Group projecteert dat de inkoopwerkbelasting in 2026 met 8 % zal groeien, zelfs terwijl het personeelsbestand en de operationele budgetten afnemen, wat een stimulans creëert om meer van het werk te automatiseren zonder simpelweg de teams uit te breiden.

Er is ook een veel grotere infrastructuurcyclus gaande. Goldman Sachs schat een basis van ongeveer $7,6 biljoen aan cumulatieve AI‑gerelateerde kapitaalinvesteringen tussen 2026 en 2031, die rekenkracht, datacenters en energie‑infrastructuur omvatten. Die uitgaven vertalen zich uiteindelijk in een enorm volume aan apparatuur, materialen, constructie, leveranciersrelaties en contracten die beheerd moeten worden.

De stelling van Magentic is dat AI steeds vaker kan deelnemen aan die beslissingen in plaats van alleen mensen te helpen ze te analyseren.

Voorbij de AI‑copiloot gaan

Magentic beschrijft haar agenten als \”digitale werknemers\”, maar het belangrijkere onderscheid is de mate van autonomie die het platform probeert te bieden.

In plaats van werknemers nog een dashboard of conversatie‑interface aan te bieden, is Magentic ontworpen om bovenop de bestaande enterprise‑infrastructuur te zitten. Haar architectuur omvat gegevensinname, een geharmoniseerde gegevenslaag, een agent‑engine, inkoop‑specifieke kennis, realtime monitoring, feedback‑loops en end‑to‑end uitvoering.

Het systeem kan gefragmenteerde informatie uit ERP‑systemen, spreadsheets, PDF‑bestanden, contracten en andere bronnen opnemen voordat het deze omzet in een structuur waarmee AI‑agenten kunnen werken. Magentic meldt bovendien dat het platform verschillende onderliggende AI‑modellen kan selecteren afhankelijk van de taak, in plaats van te vertrouwen op één enkel groot taalmodel.

Dat is belangrijk omdat inkoop veel meer omvat dan alleen het ophalen van informatie.

Een agent kan bijvoorbeeld vaststellen dat hetzelfde onderdeel tegen verschillende prijzen in verschillende fabrieken wordt gekocht, overlappende leveranciers identificeren die kunnen worden geconsolideerd, aankopen detecteren die buiten onderhandelde contracten plaatsvinden, of kortingen en contractuele kortingen ontdekken die nooit zijn geïnd.

Het doel van Magentic is dat de agent verder gaat en helpt de resulterende werkstroom te voltooien.

De digitale werknemers kunnen uitgaven beoordelen, contracten onderzoeken, potentiële besparingen berekenen, leverancierscommunicatie voorbereiden, bestellingen afstemmen op facturen en het bewijsmateriaal samenstellen dat nodig is om overbetalingen terug te vorderen. Het bedrijf zegt dat haar agenten kunnen opereren over uitgaven, sourcing, contracten en facturen in plaats van beperkt te blijven tot één geïsoleerde inkooptaak.

AI‑agenten gebouwd rond rommelige enterprise‑data

Het onderliggende dataprobleem kan net zo belangrijk blijken als de AI‑modellen zelf.

Grote fabrikanten hebben zelden vlekkeloze databases die klaarstaan voor een AI‑systeem. Leveranciersnamen kunnen per divisie verschillen, contracten kunnen als PDF‑bestanden bestaan, prijzen kunnen verschillend worden geregistreerd in verschillende ERP‑instanties, en decennialange overnames kunnen bedrijven met tal van overlappende systemen achterlaten.

Traditionele enterprise‑transformatieprojecten proberen vaak die data eerst te reinigen en te standaardiseren voordat nieuwe applicaties worden uitgerold.

Magentic neemt een andere benadering: AI‑agents toestaan te werken in de gefragmenteerde omgeving die al bestaat en geleidelijk de informatie te organiseren die nodig is om een taak te voltooien.

Het platform is ook ontworpen om te communiceren via tools die medewerkers al gebruiken, waaronder Microsoft Teams en e‑mail, terwijl het opereert over interne bedrijfsystemen. Dit moet de agent minder laten lijken op een losstaand softwareproduct en meer op een andere operationele deelnemer binnen een bestaand proces.

Magentic zegt dat één klant al meer dan 1,2 miljoen bestellingen verwerkt via zijn digitale werkers, terwijl een andere implementatie $4 miljoen aan besparingen opleverde. Over de Global 500‑klantenbasis meldt het bedrijf besparingen van ongeveer 2 % tot 5 %, naast een gemiddelde verbetering van 60 % in datakwaliteit. Dit zijn door het bedrijf gerapporteerde cijfers, geen onafhankelijk geauditte prestatiestatistieken.

Menselijke betrokkenheid behouden in de inkoopketen

Grotere autonomie creëert ook een probleem dat bijzonder belangrijk is in de inkoop: een onjuiste AI‑beslissing kan onmiddellijke financiële of operationele gevolgen hebben.

Het verzenden van een verkeerde leveranciercommunicatie is aanzienlijk anders dan het genereren van een onnauwkeurige alinea in een chatbot.

Magentic heeft daarom beoordelingspunten voor menselijk toezicht in de agent‑workflows ingebouwd. In één voorbeeld, beschreven door het bedrijf, kan een agent leverancierscontracten scannen en ongebruikelijke betalingsvoorwaarden markeren, maar een inkoopmanager blijft verantwoordelijk voor de beslissing of er daadwerkelijk een onderhandeling moet plaatsvinden.

Het bedrijf heeft ook een multi‑agent beoordelingsmechanisme beschreven waarbij agents het werk van andere agents kunnen controleren, naast log‑ en bewijssporen die laten zien hoe beslissingen tot stand zijn gekomen.

Dit human-in-the-loop-model zal waarschijnlijk belangrijk blijven naarmate bedrijfs‑agents verschuiven van het aanbevelen van acties naar het uitvoeren ervan.

Beveiliging wordt onderdeel van de agentarchitectuur

Een AI‑systeem toegang geven tot contracten, leveranciersrelaties, prijsinformatie, facturen en interne ERP‑systemen brengt ook een andere reeks bedrijfsvereisten met zich mee.

Magentic zegt dat het SOC 2 Type II‑ en ISO 27001‑gecertificeerd is, voldoet aan de General Data Protection Regulation (GDPR) van de Europese Unie, en in lijn is met de EU AI‑Act.

Het platform omvat gecontroleerde interacties met systemen van record en menselijke controlepunten voor belangrijke acties. Magentic meldt bovendien dat klantgegevens niet worden gebruikt om gedeelde of openbare modellen te trainen.

Deze waarborgen worden belangrijker naarmate agents het vermogen krijgen om te handelen in plaats van alleen informatie op te halen of samen te vatten.

Een AI‑werkkracht bouwen voor de fysieke economie

Magentic is van plan de Series A te gebruiken om het scala aan inkoop‑ en supply‑chain‑workflows die zijn agents kunnen beheren uit te breiden, terwijl het verder investeert in het onderliggende AI‑onderzoek.

Een technische uitdaging is context.

Industrieel optimalisatie‑problemen kunnen jaren aan inkoopgegevens, duizenden leverancierscontracten, prijs­geschiedenissen, voorraadinformatie, facturen, technische documenten en communicatie‑records omvatten. Magentic zegt dat het agents ontwikkelt die in staat zijn problemen te diagnosticeren, oplossingen te plannen, acties te ondernemen en die acties te volgen door terabytes multimodale informatie.

“Het naar de fysieke wereld brengen van frontier‑AI vereist dat we verder gaan dan AI‑systemen met beperkte context‑vensters,” zei O’Donoghue. “We bouwen AI die problemen kan diagnosticeren, de oplossingen kan plannen, actie kan ondernemen en het werk kan volgen door terabytes multimodale data in één keer te verwerken.”

De bredere verschuiving is van AI als een tool die tijdens een workflow wordt gebruikt naar AI als software die steeds grotere delen van die workflow kan bezitten.

Inkoop biedt een interessant testgeval omdat de uitkomsten meetbaar zijn. Een systeem vangt ofwel een onjuiste prijs, voorkomt uitgaven buiten contract, identificeert een over het hoofd geziene rebate, reconcilieert een factuur, of het doet dat niet.

Voor Magentic gaat de $18 miljoen Series A dus over meer dan het uitbreiden van een ander enterprise‑AI‑product. Het bedrijf wedt erop dat enkele van de meest waardevolle AI‑agents uiteindelijk ver buiten de chatbot‑interface zullen opereren — binnen de complexe inkoopsystemen die bepalen hoe de fysieke economie daadwerkelijk wordt opgebouwd.