Magentic привлекла $18 млн в раунде Series A для создания AI‑рабочей силы для промышленных операций

Magentic привлекла $18 млн в раунде Series A для расширения своих AI‑агентов в области закупок и цепочек поставок, нацелившись на одни из самых сложных рабочих процессов в крупных промышленных компаниях.

Раунд возглавил Felicis, при участии существующих инвесторов Sequoia Capital и The Westly Group. Это происходит примерно через год после того, как компания, базирующаяся в Лондоне и Нью‑Йорке, запустилась с посевным раундом в $5,5 млн, доведя общую сумму привлечённого финансирования до $23,5 млн.

Компания основана генеральным директором Робином Ван Аекеном, ранее работавшим в McKinsey, и техническим директором Одраном О’Доноу, выпускником OpenAI; Magentic делает ставку на то, что следующий этап корпоративного AI перейдет от помощников, отвечающих на вопросы или генерирующих контент. Вместо этого её агенты предназначены для выполнения оперативных задач в системах, уже используемых производителями.

Это ставит компанию на стыке двух основных тенденций: стремительного роста агентного AI и капиталоёмкого строительства физической инфраструктуры, необходимой для поддержки более широкой экономики AI.

Почему промышленная закупка становится целью для ИИ

Большая часть бум генеративного ИИ была сосредоточена на разработке программного обеспечения, обслуживании клиентов, маркетинге и других преимущественно цифровых рабочих процессах. Magentic нацеливается на менее заметную, но экономически значимую цель: процессы, определяющие, что компании покупают, у кого, по какой цене и на каких условиях.

Эти процессы становятся особенно сложными в глобальных производителях. Данные о закупках могут быть разбросаны по платформам планирования ресурсов предприятия (ERP), соглашениям с поставщиками, электронным таблицам, счетам‑фактурам, системам электронной почты и базам данных, накопленным за годы поглощений и технологических изменений.

В то же время давление на отделы закупок усиливается. The Hackett Group прогнозирует, что нагрузка на закупки вырастет на 8 % к 2026 году, даже при сокращении численности персонала и операционных бюджетов, создавая стимул автоматизировать большую часть работы без простого увеличения команд.

Кроме того, происходит гораздо более масштабный цикл инфраструктуры. Goldman Sachs оценивает базовый уровень примерно в $7,6 трлн совокупных капитальных расходов, связанных с AI, в период с 2026 по 2031 годы, охватывающих вычислительные ресурсы, дата‑центры и энергетическую инфраструктуру. Эти расходы в конечном итоге превращаются в огромный объём оборудования, материалов, строительства, отношений с поставщиками и контрактов, которые необходимо управлять.

Тезис Magentic заключается в том, что AI может всё активнее участвовать в этих решениях, а не только помогать людям их анализировать.

Выход за пределы AI‑копилота

Magentic описывает своих агентов как «цифровые работники», но более важное различие — степень автономии, которую платформа стремится обеспечить.

Вместо того чтобы предлагать сотрудникам ещё одну панель управления или разговорный интерфейс, Magentic разработана для работы поверх существующей корпоративной инфраструктуры. Её архитектура включает поглощение данных, согласованный слой данных, агентный движок, специализированные знания о закупках, мониторинг в реальном времени, обратные связи и сквозное выполнение.

Система может поглощать фрагментированную информацию из ERP‑систем, электронных таблиц, PDF‑документов, контрактов и других источников, преобразуя её в структуру, с которой могут работать AI‑агенты. Magentic также заявляет, что платформа может выбирать различные базовые модели ИИ в зависимости от задачи, а не полагаться на одну большую языковую модель.

Это важно, потому что закупки включают в себя гораздо больше, чем просто извлечение информации.

Агент может определить, что один и тот же компонент покупается по разным ценам на разных заводах, обнаружить пересекающихся поставщиков, которых можно консолидировать, выявить закупки, осуществляемые вне согласованных контрактов, или обнаружить скидки и договорные льготы, которые никогда не были получены.

Цель Magentic — чтобы агент продвигался дальше и помогал завершать получившийся рабочий процесс.

Её цифровые работники могут проверять расходы, изучать контракты, рассчитывать потенциальную экономию, готовить коммуникацию с поставщиками, сверять заказы с счетами‑фактурами и собирать доказательства, необходимые для возврата переплат. Компания заявляет, что её агенты могут работать с расходами, снабжением, контрактами и счетами‑фактурами, а не ограничиваться одной изолированной задачей закупки.

ИИ‑агенты, построенные вокруг беспорядочных корпоративных данных

Базовая проблема данных может оказаться столь же важной, как и сами модели ИИ.

Крупные производители редко обладают безупречными базами данных, готовыми к использованию ИИ. Имена поставщиков могут различаться между подразделениями, контракты могут существовать в виде PDF‑документов, цены могут фиксироваться по‑разному в разных инстансах ERP, а десятилетия поглощений могут оставить компании с множеством пересекающихся систем.

Традиционные проекты трансформации предприятий часто пытаются очистить и стандартизировать эти данные перед внедрением новых приложений.

Magentic использует иной подход: позволяет AI‑агентам работать в уже существующей фрагментированной среде и постепенно упорядочивать информацию, необходимую для выполнения задачи.

Платформа также разработана для взаимодействия через инструменты, которые уже используют сотрудники, включая Microsoft Teams и электронную почту, при работе с внутренними корпоративными системами. Это направлено на то, чтобы агент был не отдельным программным продуктом, а ещё одним участником операционного процесса внутри существующей системы.

Magentic сообщает, что один клиент уже обрабатывает более 1,2 млн заказов с помощью своих цифровых работников, а другое внедрение выявило экономию в размере $4 млн. Среди клиентов из списка Global 500 компания фиксирует экономию примерно от 2 % до 5 % при среднем улучшении качества данных на 60 %. Это данные, предоставленные компанией, а не независимые аудиторские показатели.

Сохранение людей в цепочке закупок

Большая автономия также создает проблему, особенно важную в сфере закупок: неверное решение AI может привести к немедленным финансовым или операционным последствиям.

Отправка неверного сообщения поставщику существенно отличается от генерации неточного абзаца в чат‑боте.

Поэтому Magentic встроил в рабочие процессы своих агентов точки человеческой проверки. В одном из примеров, описанных компанией, агент может сканировать контракты поставщиков и отмечать необычные условия оплаты, однако исполнительный сотрудник по закупкам сохраняет ответственность за решение о том, должна ли переговоры действительно проводиться.

Компания также описала механизм многопользовательской проверки, при котором агенты могут проверять работу, выполненную другими агентами, вместе с журналами и следами доказательств, предназначенными для демонстрации того, как принимались решения.

Эта модель человек‑в‑цикле, вероятно, останется важной, поскольку корпоративные агенты переходят от рекомендаций действий к их выполнению.

Безопасность становится частью архитектуры агента

Предоставление AI‑системе доступа к контрактам, отношениям с поставщиками, ценовой информации, счетам и внутренним ERP‑системам также создает иной набор корпоративных требований.

Magentic сообщает, что имеет сертификаты SOC 2 Type II и ISO 27001, соответствует Общему регламенту защиты данных (GDPR) Европейского союза и согласована с Законом ЕС об ИИ.

Платформа включает контролируемые взаимодействия с системами учёта и человеческие контрольные точки для важных действий. Magentic также заявляет, что данные клиентов не используются для обучения общих или публичных моделей.

Эти меры защиты становятся более значимыми по мере того, как агенты получают возможность действовать, а не только извлекать или суммировать информацию.

Создание AI‑рабочей силы для физической экономики

Magentic планирует использовать раунд Series A для расширения спектра процессов закупок и цепочек поставок, которыми могут управлять её агенты, одновременно увеличивая инвестиции в фундаментальные исследования ИИ.

Одна из технических проблем — контекст.

Проблемы оптимизации в промышленности могут охватывать годы данных о закупках, тысячи контрактов поставщиков, истории цен, информацию о запасах, счета, техническую документацию и записи коммуникаций. Magentic сообщает, что разрабатывает агентов, способных диагностировать проблемы, планировать решения, предпринимать действия и отслеживать их выполнение в терабайтах мультимодальной информации.

«Перенос передовых AI в физический мир требует выхода за пределы AI‑систем с ограниченными окнами контекста», — сказал O’Donoghue. «Мы создаём AI, который может диагностировать проблемы, планировать их решение, предпринимать действия и контролировать выполнение работы, обрабатывая терабайты мультимодальных данных одновременно».

Широкий сдвиг заключается в переходе от AI как инструмента, используемого в процессе, к AI как программному обеспечению, способному владеть всё более крупными частями этого процесса.

Закупки представляют интересный тестовый пример, поскольку их результаты измеримы. Система либо обнаруживает неверную цену, предотвращает расходы вне контракта, выявляет упущенную скидку, согласовывает счёт, либо не делает этого.

Для Magentic раунд Series A в $18 млн означает не просто расширение ещё одного корпоративного AI‑продукта. Компания ставит на то, что некоторые из самых ценных AI‑агентов в конечном итоге будут работать далеко от интерфейса чат‑бота — внутри сложных систем закупок, которые определяют, как фактически строится физическая экономика.