Magentic pozyskuje $18M w rundzie Series A, aby zbudować siłę roboczą AI dla operacji przemysłowych

Magentic pozyskał $18 million w rundzie Series A, aby rozszerzyć swoje agenty AI na procesy zakupowe i operacje łańcucha dostaw, celując w niektóre z najbardziej złożonych przepływów pracy w dużych firmach przemysłowych.

Runda była prowadzona przez Felicis, a istniejący inwestorzy Sequoia Capital i The Westly Group również uczestniczyli. To ma miejsce mniej więcej rok po tym, jak firma z siedzibą w Londynie i Nowym Jorku uruchomiła się z rundą seed o wartości $5.5 million, podnosząc zgłoszone łączne finansowanie do $23.5 million.

Założona przez CEO Robina Van Aekena, wcześniej z McKinsey, oraz CTO Odhrana O’Donoghue, absolwenta OpenAI, Magentic zakłada, że kolejny etap AI w przedsiębiorstwach wyjdzie poza asystentów, którzy odpowiadają na pytania lub generują treści. Zamiast tego jej agenci są zaprojektowani do wykonywania pracy operacyjnej w systemach, z których producenci już korzystają.

Umieszcza to firmę na przecięciu dwóch głównych trendów: szybkiego rozwoju AI agentowej oraz kapitałochłonnej rozbudowy fizycznej infrastruktury niezbędnej do wsparcia szerszej gospodarki AI.

Dlaczego zakupy przemysłowe stają się celem AI

Wiele z boom generatywnej AI koncentrowało się na rozwoju oprogramowania, obsłudze klienta, marketingu i innych głównie cyfrowych przepływach pracy. Magentic kieruje się w stronę mniej widocznego, ale ekonomicznie istotnego celu: procesów określających, co firmy kupują, od kogo, po jakiej cenie i na jakich warunkach umownych.

Procesy te stają się szczególnie trudne w globalnych producentach. Dane zakupowe mogą być rozproszone w systemach planowania zasobów przedsiębiorstwa (ERP), umowach z dostawcami, arkuszach kalkulacyjnych, fakturach, systemach poczty elektronicznej oraz bazach danych zgromadzonych przez lata przejęć i zmian technologicznych.

Jednocześnie presja na organizacje zakupowe rośnie. The Hackett Group prognozuje, że obciążenia zakupowe wzrosną o 8 % w 2026 roku, mimo spadku liczby pracowników i budżetów operacyjnych, co tworzy zachętę do automatyzacji większej części pracy bez konieczności po prostu zwiększania zespołów.

Trwa również znacznie większy cykl infrastrukturalny. Goldman Sachs szacuje bazowy poziom około $7.6 trillion w skumulowanych wydatkach kapitałowych związanych z AI w latach 2026–2031, obejmujących moc obliczeniową, centra danych i infrastrukturę energetyczną. Wydatki te ostatecznie przekładają się na ogromną ilość sprzętu, materiałów, budowy, relacji z dostawcami i umów, które trzeba zarządzać.

Tezą Magentic jest, że AI może coraz częściej uczestniczyć w tych decyzjach, zamiast jedynie pomagać ludziom w ich analizie.

Wyjście poza AI Copilot

Magentic opisuje swoich agentów jako „pracownicy cyfrowi”, ale ważniejszą różnicą jest stopień autonomii, jaki platforma stara się zapewnić.

Zamiast oferować pracownikom kolejny pulpit nawigacyjny lub interfejs konwersacyjny, Magentic jest zaprojektowany tak, aby działał na istniejącej infrastrukturze przedsiębiorstwa. Jego architektura obejmuje pobieranie danych, zharmonizowaną warstwę danych, silnik agentowy, wiedzę specyficzną dla zakupów, monitorowanie w czasie rzeczywistym, pętle sprzężenia zwrotnego oraz realizację od końca do końca.

System może pobierać fragmentowane informacje z systemów ERP, arkuszy kalkulacyjnych, plików PDF, umów i innych źródeł, przekształcając je w strukturę, z którą agenci AI mogą pracować. Magentic twierdzi również, że platforma może wybierać różne modele AI w zależności od zadania, zamiast polegać na jednym dużym modelu językowym.

Ma to znaczenie, ponieważ zakupy obejmują znacznie więcej niż tylko pobieranie informacji.

Agent może zidentyfikować, że ten sam komponent jest kupowany po różnych cenach w różnych fabrykach, znaleźć nakładających się dostawców, których można scalić, wykryć zakupy dokonywane poza negocjowanymi umowami lub odkryć rabaty i zniżki kontraktowe, które nigdy nie zostały zebrane.

Celem Magentic jest, aby agent posunął się dalej i pomógł dokończyć wynikowy przepływ pracy.

Jej pracownicy cyfrowi mogą przeglądać wydatki, analizować umowy, obliczać potencjalne oszczędności, przygotowywać komunikację z dostawcami, uzgadniać zamówienia z fakturami oraz gromadzić dowody niezbędne do odzyskania nadpłat. Firma twierdzi, że jej agenci mogą działać w obszarach wydatków, pozyskiwania, umów i faktur, a nie tylko w jednej odizolowanej funkcji zakupowej.

Agenci AI zbudowani wokół nieuporządkowanych danych przedsiębiorstwa

Podstawowy problem danych może okazać się równie ważny, jak same modele AI.

Duzi producenci rzadko mają nieskazitelne bazy danych gotowe dla systemu AI. Nazwy dostawców mogą się różnić między jednostkami, umowy mogą istnieć jako pliki PDF, ceny mogą być rejestrowane inaczej w różnych instancjach ERP, a dziesięciolecia przejęć mogą pozostawiać firmy z licznymi nakładającymi się systemami.

Tradycyjne projekty transformacji przedsiębiorstw często próbują oczyścić i ustandaryzować te dane przed wdrożeniem nowych aplikacji.

Magentic przyjmuje inne podejście: pozwala agentom AI działać w rozproszonym środowisku, które już istnieje, i stopniowo organizować informacje niezbędne do wykonania zadania.

Platforma została również zaprojektowana tak, aby komunikować się za pośrednictwem narzędzi, z których pracownicy już korzystają, w tym Microsoft Teams i poczty e‑mail, działając jednocześnie w wewnętrznych systemach przedsiębiorstwa. Ma to sprawić, że agent będzie mniej przypominał samodzielny produkt programowy, a bardziej kolejnego uczestnika operacyjnego w istniejącym procesie.

Magentic podaje, że jeden z klientów przetwarza już ponad 1,2 mln zamówień przy użyciu swoich cyfrowych pracowników, a inna implementacja zidentyfikowała oszczędności w wysokości 4 mln USD. Wśród klientów z listy Global 500 firma raportuje oszczędności w granicach od około 2 % do 5 %, przy średniej poprawie jakości danych o 60 %. Są to dane podawane przez firmę, a nie niezależnie audytowane wskaźniki wydajności.

Utrzymanie ludzi w pętli zakupowej

Większa autonomia rodzi również problem szczególnie istotny w zakupach: błędna decyzja AI może mieć natychmiastowe konsekwencje finansowe lub operacyjne.

Wysłanie niewłaściwej komunikacji do dostawcy różni się znacznie od wygenerowania nieprecyzyjnego akapitu w chatbotcie.

Magentic wbudował więc punkty przeglądu ludzkiego w przepływy pracy swoich agentów. W jednym z opisanych przez firmę przykładów agent może przeglądać umowy z dostawcami i oznaczać nietypowe warunki płatności, ale to dyrektor ds. zakupów pozostaje odpowiedzialny za decyzję, czy negocjacja powinna w ogóle nastąpić.

Firma opisała także mechanizm wielo‑agentowego przeglądu, w którym agenci mogą weryfikować pracę innych agentów, wraz z dziennikami i ścieżkami dowodowymi mającymi pokazać, w jaki sposób podjęto decyzje.

Ten człowiek w pętli model prawdopodobnie pozostanie istotny, gdy agenci przedsiębiorstwa przejdą od rekomendowania działań do ich wykonywania.

Bezpieczeństwo staje się częścią architektury agenta

Umożliwienie systemowi AI dostępu do umów, relacji z dostawcami, informacji o cenach, faktur oraz wewnętrznych systemów ERP rodzi także inny zestaw wymagań przedsiębiorstwa.

Magentic podaje, że posiada certyfikaty SOC 2 Type II i ISO 27001, jest zgodny z Ogólnym Rozporządzeniem o Ochronie Danych (GDPR) Unii Europejskiej oraz dostosowany do europejskiej ustawy o sztucznej inteligencji.

Platforma obejmuje kontrolowane interakcje z systemami źródłowymi oraz ludzkie punkty kontrolne przy ważnych działaniach. Magentic dodatkowo informuje, że dane klientów nie są wykorzystywane do trenowania wspólnych lub publicznych modeli.

Te zabezpieczenia stają się coraz ważniejsze, gdy agenci zyskują zdolność do działania, a nie jedynie do pobierania lub podsumowywania informacji.

Budowanie siły roboczej AI dla gospodarki materialnej

Magentic planuje wykorzystać środki z rundy Series A, aby rozszerzyć zakres przepływów pracy w zakupach i łańcuchu dostaw, które mogą obsługiwać jego agenci, jednocześnie inwestując dalej w podstawowe badania AI.

Jednym z wyzwań technicznych jest kontekst.

Problemy optymalizacji przemysłowej mogą obejmować lata danych zakupowych, tysiące umów z dostawcami, historie cen, informacje o zapasach, faktury, dokumenty techniczne oraz rekordy komunikacji. Magentic twierdzi, że opracowuje agentów zdolnych do diagnozowania problemów, planowania rozwiązań, podejmowania działań i śledzenia ich realizacji w terabajtach multimodalnych informacji.

“Wprowadzanie najnowocześniejszej AI do świata fizycznego wymaga wyjścia poza systemy AI o ograniczonych oknach kontekstowych,” powiedział O’Donoghue. “Budujemy AI, które potrafi diagnozować problemy, planować naprawy, podejmować działania i nadzorować ich realizację w terabajtach multimodalnych danych jednocześnie.”

Szersza zmiana polega na przejściu od AI jako narzędzia używanego w trakcie przepływu pracy do AI jako oprogramowania zdolnego do przejęcia coraz większych części tego przepływu.

Zakupy stanowią interesujący przypadek testowy, ponieważ ich wyniki są mierzalne. System albo wykryje nieprawidłową cenę, zapobiegnie wydatkom poza umową, zidentyfikuje pominiętą rabatę, uzgodni fakturę, albo tego nie zrobi.

Dla Magentic 18‑milionowa runda Series A to więc nie tylko rozszerzenie kolejnego produktu AI dla przedsiębiorstw. Firma stawia na to, że niektórzy z najcenniejszych agentów AI ostatecznie będą działać daleko od interfejsu chatbota — wewnątrz skomplikowanych systemów zakupowych, które decydują o tym, jak faktycznie budowana jest gospodarka materialna.