Magentic får $18M i Series A-finansiering for å bygge en AI-arbeidsstyrke for industrielle operasjoner

Magentic har hentet $18 million i Series A-finansiering for å utvide sine AI‑agenter innen innkjøp og forsyningskjedeoperasjoner, med mål om noen av de mest komplekse arbeidsflytene i store industrielle selskaper.

Runden ble ledet av Felicis, med eksisterende investorer Sequoia Capital og The Westly Group også deltakende. Den kommer omtrent ett år etter at selskapet med base i London og New York lanserte med en seed‑runde på $5.5 million, og bringer den rapporterte totale finansieringen til $23.5 million.

Grunnlagt av administrerende direktør Robin Van Aeken, tidligere i McKinsey, og teknisk sjef Odhran O’Donoghue, en OpenAI‑alumni, satser Magentic på at neste fase av bedrifts‑AI vil gå utover assistenter som svarer på spørsmål eller genererer innhold. I stedet er agentene deres designet for å utføre operasjonelt arbeid på tvers av systemene produsenter allerede bruker.

Det plasserer selskapet i skjæringspunktet mellom to store trender: den raske ekspansjonen av agentbasert AI og en kapitalintensiv oppbygging av den fysiske infrastrukturen som kreves for å støtte den bredere AI‑økonomien.

Hvorfor industrielt innkjøp blir et AI‑mål

Mye av generativ AI-boom har vært fokusert på programvareutvikling, kundeservice, markedsføring og andre primært digitale arbeidsflyter. Magentic satser på et mindre synlig, men økonomisk betydningsfullt mål: prosessene som bestemmer hva selskaper kjøper, fra hvem, til hvilken pris, og under hvilke kontraktsvilkår.

Disse prosessene blir spesielt vanskelige i globale produsenter. Innkjøpsdata kan være spredt over enterprise resource planning‑plattformer (ERP), leverandøravtaler, regneark, fakturaer, e‑postsystemer og databaser som er samlet gjennom år med oppkjøp og teknologisk endring.

Samtidig øker presset på innkjøpsorganisasjoner. The Hackett Group anslår at innkjøpsarbeidsmengden vil vokse med 8 % i 2026 selv om antall ansatte og driftsbudsjetter reduseres, noe som skaper et insentiv til å automatisere mer av arbeidet uten å bare utvide teamene.

Det pågår også en mye større infrastruktur‑syklus. Goldman Sachs estimerer et grunnlag på omtrent $7.6 trillion i samlet AI‑relatert kapitalutgift mellom 2026 og 2031, som omfatter beregning, datasentre og kraftinfrastruktur. Denne utgiften omgjør seg til et enormt volum av utstyr, materialer, bygging, leverandørrelasjoner og kontrakter som må forvaltes.

Magentics tese er at AI i økende grad kan delta i disse beslutningene i stedet for bare å hjelpe mennesker med å analysere dem.

Gå videre enn AI‑kopiloten

Magentic beskriver sine agenter som «digitale arbeidere», men den viktigste forskjellen er graden av autonomi plattformen forsøker å tilby.

I stedet for å tilby ansatte et nytt dashbord eller en samtalegrensesnitt, er Magentic designet for å ligge på toppen av eksisterende bedriftsinfrastruktur. Arkitekturen inkluderer data‑innsamling, et harmonisert datalag, en agentbasert motor, innkjøpsspesifikk kunnskap, sanntidsovervåkning, tilbakemeldingssløyfer og ende‑til‑ende‑utførelse.

Systemet kan samle inn fragmentert informasjon fra ERP‑systemer, regneark, PDF‑filer, kontrakter og andre kilder før den omdannes til en struktur som AI‑agenter kan arbeide med. Magentic sier også at plattformen kan velge ulike underliggende AI‑modeller avhengig av oppgaven, i stedet for å stole på en enkelt stor språkmodell.

Det er viktig fordi innkjøp innebærer langt mer enn bare å hente informasjon.

En agent kan identifisere at samme komponent kjøpes til ulike priser på tvers av fabrikker, finne overlappende leverandører som kan konsolideres, oppdage kjøp som gjøres utenfor forhandlede kontrakter, eller oppdage rabatter og kontraktsbaserte prisavslag som aldri ble innkrevd.

Magentics mål er at agenten skal gå videre og bidra til å fullføre den resulterende arbeidsflyten.

De digitale arbeiderne kan gjennomgå utgifter, undersøke kontrakter, beregne potensielle besparelser, forberede leverandørkommunikasjon, avstemme bestillinger mot fakturaer, og samle bevisene som kreves for å tilbakekreve overbetalinger. Selskapet sier at agentene kan operere på tvers av utgifter, innkjøp, kontrakter og fakturaer i stedet for å være begrenset til én isolert innkjøpsoppgave.

AI‑agenter bygget rundt rotete bedriftsdata

Det underliggende dataproblemet kan vise seg å være like viktig som AI‑modellene selv.

Store produsenter har sjelden feilfrie databaser klare for et AI‑system. Leverandørnavn kan variere mellom avdelinger, kontrakter kan eksistere som PDF‑filer, priser kan registreres ulikt på tvers av ERP‑instanser, og tiår med oppkjøp kan etterlate selskaper med mange overlappende systemer.

Tradisjonelle bedrifts‑transformasjonsprosjekter prøver ofte å rense og standardisere disse dataene før nye applikasjoner tas i bruk.

Magentic tar en annen tilnærming: å la AI‑agenter jobbe på tvers av det fragmenterte miljøet som allerede finnes og gradvis organisere informasjonen som kreves for å fullføre en oppgave.

Plattformen er også designet for å kommunisere gjennom verktøy ansatte allerede bruker, inkludert Microsoft Teams og e‑post, samtidig som den opererer på tvers av interne bedriftsystemer. Dette skal gjøre agenten mindre som et frittstående programvareprodukt og mer som en annen operasjonell deltaker i en eksisterende prosess.

Magentic sier at én kunde allerede behandler mer enn 1,2 millioner bestillinger gjennom sine digitale arbeidere, mens en annen utrulling identifiserte besparelser på 4 millioner dollar. På tvers av sin Global 500‑kundebase rapporterer selskapet besparelser på omtrent 2 % til 5 %, sammen med en gjennomsnittlig forbedring på 60 % i datakvalitet. Dette er selskapets egne tall, ikke uavhengig reviderte ytelsesmålinger.

Beholde mennesker i innkjøpsløkken

Større autonomi skaper også et problem som er spesielt viktig i innkjøp: en feil AI‑beslutning kan ha umiddelbare økonomiske eller operative konsekvenser.

Å sende feil leverandørkommunikasjon er vesentlig annerledes enn å generere et unøyaktig avsnitt i en chatbot.

Magentic har derfor bygget inn menneskelige vurderingspunkter i agentens arbeidsflyt. I ett eksempel beskrevet av selskapet kan en agent skanne leverandørkontrakter og flagge uvanlige betalingsbetingelser, men en innkjøpsleder beholder ansvaret for å avgjøre om en forhandling faktisk skal gjennomføres.

Selskapet har også beskrevet en multi‑agent‑gjennomgangsmekanisme der agenter kan sjekke arbeidet som er produsert av andre agenter, sammen med logger og bevisspor som skal vise hvordan beslutningene ble tatt.

Denne human-in-the-loop-modellen vil sannsynligvis forbli viktig etter hvert som bedriftsagenter går fra å anbefale handlinger til å utføre dem.

Sikkerhet blir en del av agentarkitekturen

Å gi et AI‑system tilgang til kontrakter, leverandørrelasjoner, prisinformasjon, fakturaer og interne ERP‑systemer medfører også et annet sett med bedriftskrav.

Magentic sier at de er SOC 2 Type II‑ og ISO 27001‑sertifiserte, etterlever EUs personvernforordning (GDPR) og er i samsvar med EU AI‑act.

Plattformen inkluderer kontrollerte interaksjoner med systemer av rekord og menneskelige sjekkpunkter for viktige handlinger. Magentic sier også at kundedata ikke brukes til å trene delte eller offentlige modeller.

Disse sikkerhetstiltakene blir mer betydningsfulle etter hvert som agenter får muligheten til å handle i stedet for kun å hente eller oppsummere informasjon.

Bygge en AI‑arbeidsstyrke for den fysiske økonomien

Magentic planlegger å bruke Series A‑finansieringen til å utvide spekteret av innkjøps‑ og forsyningskjede‑arbeidsflyter som agentene kan håndtere, samtidig som de investerer videre i den underliggende AI‑forskningen.

En teknisk utfordring er kontekst.

Industrielle optimaliseringsproblemer kan involvere år med innkjøpsdata, tusenvis av leverandørkontrakter, prishistorikk, lagerinformasjon, fakturaer, tekniske dokumenter og kommunikasjonslogger. Magentic sier de utvikler agenter som kan diagnostisere problemer, planlegge løsninger, iverksette handlinger og følge opp handlingene gjennom terabyte med multimodal informasjon.

“Å bringe frontier‑AI inn i den fysiske verden krever at vi går utover AI‑systemer med begrensede kontekstvinduer,” sa O’Donoghue. “Vi bygger AI som kan diagnostisere problemer, planlegge reparasjoner, iverksette handlinger og se arbeidet gjennom over terabyte med multimodal data på én gang.”

Den bredere endringen er fra AI som et verktøy brukt i en arbeidsflyt til AI som programvare som kan eie stadig større deler av den arbeidsflyten.

Innkjøp gir et interessant testtilfelle fordi resultatene er målbare. Et system fanger enten en feil pris, hindrer innkjøp utenfor kontrakt, identifiserer en oversett rabatt, avstemmer en faktura, eller gjør det ikke.

For Magentic handler de 18 millionene dollar i Series A derfor om mer enn å utvide et annet bedrifts‑AI‑produkt. Selskapet satser på at noen av de mest verdifulle AI‑agentene til slutt vil operere langt fra chatbot‑grensesnittet — inne i de kompliserte innkjøpssystemene som bestemmer hvordan den fysiske økonomien faktisk bygges.