Magentic samlar in $18M i Series A för att bygga en AI‑arbetsstyrka för industriella verksamheter

Magentic har samlat in $18 miljoner i Series A‑finansiering för att expandera sina AI‑agenter över inköps- och leveranskedjeverksamheter, med inriktning på några av de mest komplexa arbetsflödena i stora industriella företag.

Rundan leddes av Felicis, med befintliga investerare Sequoia Capital och The Westly Group som också deltog. Den kommer ungefär ett år efter att det London‑ och New York‑baserade företaget lanserade med en seed‑runda på $5,5 miljoner, vilket förde den rapporterade totala finansieringen till $23,5 miljoner.

Grundat av VD Robin Van Aeken, tidigare på McKinsey, och CTO Odhran O’Donoghue, en OpenAI‑alumn, satsar Magentic på att nästa steg för företags‑AI kommer att gå bortom assistenter som svarar på frågor eller genererar innehåll. Istället är deras agenter utformade för att utföra operativt arbete över de system som tillverkare redan använder.

Det placerar företaget i skärningspunkten mellan två stora trender: den snabba expansionen av agentbaserad AI och en kapitalintensiv uppbyggnad av den fysiska infrastruktur som krävs för att stödja den bredare AI‑ekonomin.

Varför industriell upphandling blir ett AI‑mål

En stor del av boom för generativ AI har fokuserat på mjukvaruutveckling, kundservice, marknadsföring och andra främst digitala arbetsflöden. Magentic siktar på ett mindre synligt men ekonomiskt betydelsefullt mål: de processer som bestämmer vad företag köper, från vem, till vilket pris och under vilka avtalsvillkor.

Dessa processer blir särskilt svåra inom globala tillverkare. Inköpsdata kan vara spridda över enterprise resource planning‑plattformar (ERP), leverantörsavtal, kalkylblad, fakturor, e‑postsystem och databaser som samlats under år av förvärv och teknologiska förändringar.

Samtidigt ökar trycket på inköpsorganisationer. Hackett Group förutspår att inköpsarbetsbelastningen kommer att öka med 8 % år 2026 även när personalstyrkan och driftsbudgetarna minskar, vilket skapar ett incitament att automatisera mer av arbetet utan att helt enkelt utöka teamen.

Det finns också en mycket större infrastrukturcykel på gång. Goldman Sachs uppskattar en baslinje på cirka $7,6 biljoner i kumulativ AI‑relaterad kapitalutgift mellan 2026 och 2031, som omfattar beräkningskapacitet, datacenter och energiinfrastruktur. Dessa utgifter omvandlas i slutändan till en enorm volym av utrustning, material, byggnation, leverantörsrelationer och kontrakt som måste hanteras.

Magentics tes är att AI i allt högre grad kan delta i dessa beslut snarare än att bara hjälpa människor att analysera dem.

Att gå bortom AI‑kopiloten

Magentic beskriver sina agenter som “digitala arbetare“, men den viktigare distinktionen är den grad av autonomi som plattformen försöker erbjuda.

Istället för att erbjuda medarbetarna ytterligare en instrumentpanel eller ett konversationsgränssnitt är Magentic utformad för att ligga ovanpå befintlig företagsinfrastruktur. Dess arkitektur omfattar datainhämtning, ett harmoniserat datalager, en agentbaserad motor, inköpsspecifik kunskap, realtidsövervakning, återkopplingsloopar och end‑to‑end‑exekvering.

Systemet kan samla in fragmenterad information från ERP‑system, kalkylblad, PDF‑filer, kontrakt och andra källor innan den omvandlas till en struktur som AI‑agenter kan arbeta med. Magentic uppger också att plattformen kan välja olika underliggande AI‑modeller beroende på uppgiften, snarare än att förlita sig på en enda stor språkmodell.

Det är viktigt eftersom inköp innebär mycket mer än att bara hämta information.

En agent kan identifiera att samma komponent köps till olika priser i olika fabriker, hitta överlappande leverantörer som kan konsolideras, upptäcka inköp som görs utanför förhandlade avtal eller upptäcka rabatter och kontraktsrabatter som aldrig har utnyttjats.

Magentics mål är att agenten ska gå längre och hjälpa till att slutföra det resulterande arbetsflödet.

Dess digitala arbetare kan granska utgifter, undersöka kontrakt, beräkna potentiella besparingar, förbereda leverantörskommunikation, stämma av beställningar mot fakturor och samla bevis som krävs för att återfå överbetalningar. Företaget säger att deras agenter kan verka över utgifter, upphandling, kontrakt och fakturor snarare än att vara begränsade till en enskild isolerad inköpsuppgift.

AI‑agenter byggda kring rörig företagsdata

Det underliggande dataproblemet kan visa sig vara lika viktigt som AI‑modellerna själva.

Stora tillverkare har sällan oklanderliga databaser redo för ett AI‑system. Leverantörsnamn kan skilja sig åt mellan divisioner, kontrakt kan finnas som PDF‑filer, priser kan registreras olika i olika ERP‑instanser, och årtionden av förvärv kan lämna företag med ett flertal överlappande system.

Traditionella företags‑transformationsprojekt försöker ofta att rensa och standardisera dessa data innan nya applikationer implementeras.

Magentic tar ett annat tillvägagångssätt: att låta AI‑agenter arbeta över den redan befintliga fragmenterade miljön och successivt organisera den information som krävs för att slutföra en uppgift.

Plattformen är också utformad för att kommunicera via verktyg som medarbetare redan använder, inklusive Microsoft Teams och e‑post, samtidigt som den fungerar över interna företagsystem. Detta är avsett att göra agenten mindre som en fristående mjukvaruprodukt och mer som en annan operativ deltagare i en befintlig process.

Magentic uppger att en kund redan bearbetar mer än 1,2 miljoner beställningar via sina digitala arbetare, medan en annan utrullning identifierade besparingar på $4 miljoner. Bland deras Global 500‑kundbas rapporterar företaget besparingar på ungefär 2 % till 5 %, tillsammans med en genomsnittlig förbättring av datakvaliteten på 60 %. Detta är företagets egna siffror och inte oberoende granskade prestationsmått.

Att hålla människor i inköpsloopen

Större autonomi skapar också ett problem som är särskilt viktigt inom inköp: ett felaktigt AI‑beslut kan få omedelbara finansiella eller operativa konsekvenser.

Att skicka fel leverantörskommunikation är avsevärt annorlunda än att generera ett felaktigt stycke i en chatbot.

Magentic har därför byggt in mänskliga granskningspunkter i sina agentarbetsflöden. I ett exempel som företaget beskriver kan en agent skanna leverantörskontrakt och flagga ovanliga betalningsvillkor, men en inköpschef behåller ansvaret för att avgöra om en förhandling faktiskt ska genomföras.

Företaget har också beskrivit en multi‑agent‑granskningsmekanism där agenter kan kontrollera arbetet som producerats av andra agenter, tillsammans med loggar och bevisspår avsedda att visa hur besluten nåddes.

Denna människa i loopen-modell är sannolikt fortsatt viktig när företagsagenter går från att rekommendera åtgärder till att verkställa dem.

Säkerhet blir en del av agentarkitekturen

Att ge ett AI‑system tillgång till kontrakt, leverantörsrelationer, prisinformation, fakturor och interna ERP‑system medför också en annan uppsättning företagskrav.

Magentic uppger att de är certifierade enligt SOC 2 Type II och ISO 27001, följer Europeiska unionens allmänna dataskyddsförordning (GDPR) och är i linje med EU:s AI‑lag.

Plattformen innehåller kontrollerade interaktioner med registersystem och mänskliga kontrollpunkter för viktiga åtgärder. Magentic uppger också att kunddata inte används för att träna delade eller offentliga modeller.

Dessa skyddsåtgärder blir mer betydelsefulla när agenter får förmågan att agera snarare än bara hämta eller sammanfatta information.

Bygga en AI‑arbetsstyrka för den fysiska ekonomin

Magentic planerar att använda Series A‑finansieringen för att utöka antalet inköps- och leveranskedjearbetsflöden som deras agenter kan hantera, samtidigt som de investerar mer i den underliggande AI‑forskningen.

En teknisk utmaning är kontext.

Industriella optimeringsproblem kan omfatta år av inköpsdata, tusentals leverantörskontrakt, prishistorik, lagerinformation, fakturor, tekniska dokument och kommunikationsregister. Magentic säger att de utvecklar agenter som kan diagnostisera problem, planera lösningar, vidta åtgärder och följa upp dessa åtgärder genom terabyte av multimodal information.

“Att föra gränsAI till den fysiska världen kräver att gå bortom AI‑system med begränsade kontextfönster,” sade O’Donoghue. “Vi bygger AI som kan diagnostisera problem, planera lösningarna, vidta åtgärder och följa arbetet genom terabyte av multimodal data på en gång.”

Den bredare förändringen är från AI som ett verktyg som används under ett arbetsflöde till AI som mjukvara som kan äga allt större delar av det arbetsflödet.

Inköp erbjuder ett intressant testfall eftersom dess resultat är mätbara. Ett system fångar antingen ett felaktigt pris, förhindrar inköp utanför avtal, identifierar en förbisedda rabatt, stämmer av en faktura, eller så gör det inte.

För Magentic handlar $18 miljoner Series A‑finansieringen alltså om mer än att expandera ännu en företags‑AI‑produkt. Företaget satsar på att några av de mest värdefulla AI‑agenterna i slutänden kommer att verka långt bort från chatbot‑gränssnittet — inuti de komplicerade inköpssystemen som bestämmer hur den fysiska ekonomin faktiskt byggs upp.