Underbara höjer 150 miljoner dollar i serie B till en värdering av 2 miljarder dollar för att påskynda företagsanvändning av AI på över 30 marknader

Företags-AI-startupföretaget Underbara har samlat in $150 miljoner i en serie B-finansieringsrunda till en värdering av 2 miljarder dollar, vilket bringar det totala finansieringen till cirka 284 miljoner dollar bara åtta månader efter att ha kommit ut ur stealth-läget. Rundan leddes av Insight Partners med deltagande från befintliga investerare Index Ventures, IVP, Bessemer Venture Partners och Vine Ventures. Det nya kapitalet kommer att stödja utvidgningen av företagets företags-AI-plattform och dess globala nätverk av distributionslag som opererar i mer än 30 marknader.

Företagets tillvägagångssätt kretsar kring en uppfattning att företagsanvändning av AI begränsas mindre av modellens förmåga och mer av komplexiteten i att implementera AI-system inom riktiga operativa miljöer. Medan AI-modeller har utvecklats snabbt, kvarstår integreringen av dem i befintlig infrastruktur, arbetsflöden och efterlevnadsramverk som en betydande barriär för stora organisationer.

Att gå utöver AI-piloter

En vanlig mönster över många företag är spridningen av AI-pilotprojekt som inte kan utvecklas till produktionssystem. Dessa projekt visar ofta teknisk genomförbarhet men möter praktiska hinder när organisationer försöker integrera dem med äldre programvara, interna datasystem och operativa processer.

Underbaras driftsmodell försöker att ta itu med den luckan genom att para sin AI-plattform med lokalt inbäddade distributionslag. Istället för att erbjuda en ren programbaserad produkt, skickar företaget tekniska och operativa specialister för att arbeta direkt med företagskunder. Dessa lag samarbetar med interna intressenter, ansluter AI-agenter till befintliga system och anpassar implementationer till regionala regleringskrav.

Detta tillvägagångssätt möjliggör för organisationer att gå från AI-experiment till produktion snabbare. Enligt företaget kan agenter flytta från pilotdistribution till operativ användning på dagar eller veckor snarare än de månader som ofta krävs för traditionella företagsprogramvarudistributioner.

En plattform byggd för företagsarbetsflöden

I systemets kärna finns en horisontell företagsplattform som är utformad för att stödja flera AI-drivna arbetsflöden. Istället för att leverera isolerade automatiseringsverktyg för specifika uppgifter, fungerar plattformen som en gemensam grund som organisationer kan utöka över avdelningar och operativa funktioner.

Arkitekturen är medvetet modell-agnostisk, vilket möjliggör för systemet att utvärdera och integrera olika AI-modeller beroende på kraven för varje användningsfall. När nya modeller uppkommer eller befintliga modeller förbättras, kan organisationer införliva dem utan att bygga om den underliggande infrastrukturen.

Flera ingenjörsmässiga principer formar plattformens design:

• Utvarderingsramverk baserade på harness som testar agentens prestanda mot strukturerade benchmark innan distribution
• Självläkande systemarkitektur som är avsedd att upprätthålla tillförlitlighet när agenter möter oväntade indata eller operativa avvikelser
• Kontinuerlig övervakning och optimering för att spåra hur agenter presterar när de är integrerade i produktionsmiljöer

Dessa funktioner syftar till att säkerställa att AI-agenter förblir stabila när de distribueras inom komplexa företagsmiljöer, där tillförlitlighets- och efterlevnadskraven ofta är stränga.

Global distributionsinfrastruktur

Sedan företaget kom ut ur stealth-läget för mindre än ett år sedan, har Underbara utvidgat verksamheten till mer än 30 länder i Europa, Mellanöstern, Asien-Stilla havet och Latinamerika. Företagets strategi bygger på att bygga regionala lag som kombinerar teknisk ingenjörskapacitet med operativ expertis.

Dessa lag arbetar inom branscher som telekommunikation, finansiella tjänster, tillverkning och hälsovård, där operativ komplexitet ofta bromsar upp antagandet av nya teknologier. Genom att inbädda specialister inom organisationer, försöker företaget att minska friktionen mellan AI-system och befintlig infrastruktur.

Detta lokala tillvägagångssätt möjliggör också att ta itu med praktiska faktorer som påverkar distributionen, inklusive språkskillnader, regleringsmiljöer och variationer i företagsprogramvarustaplar över regioner.

Tidig operativ påverkan

Över hela företagets distributionsområde rapporterar Underbara att AI-agenter används för att automatisera både kundorienterade och interna arbetsflöden. Exempel inkluderar supportoperationer, interna tjänsteförfrågningar och andra processdrivna affärsfunktioner.

Enligt företaget har dessa implementationer producerat mätbara operativa förändringar i vissa miljöer, inklusive:

• Minskningar av processhanteringstid på upp till 60%
• Automatiseringsinneslutningsgrader som överstiger 80% för vissa arbetsflöden
• Operativa effektivitetsvinster som kan nå flera miljoner dollar i årliga besparingar i stora organisationer

Eftersom plattformen ansluter till en gemensam arkitektur över företagssystem, kan organisationer gradvis utöka antalet arbetsflöden som automatiseras av AI-agenter efter den initiala distributionen.

Nästa fas av företags-AI

Uppkomsten av agentbaserade system speglar en bredare förändring i hur företag närmar sig automatisering. Tidigare generationer av företagsprogramvara fokuserade ofta på snävt definierade uppgifter, ofta krävande anpassade integrationer för varje ny funktion.

AI-agenter introducerar en annan paradigm. Istället för fasta automatiseringsskript, kan dessa system tolka sammanhang, interagera med flera system och anpassa sig till förändrade förhållanden. När de integreras över företagsinfrastruktur, kan de koordinera uppgifter över avdelningar som tidigare krävde manuell ingripande.

Denna förändring kan gradvis omforma företagsprogramvaruarkitektur. Istället för att förlita sig på stora samlingar av frånkopplade applikationer, kan organisationer alltmer bygga gemensamma AI-lager som kan orkestrera arbetsflöden över flera system.

Om denna övergång fortsätter, kommer den tekniska utmaningen inte att vara att bygga mer kapabla AI-modeller. Det kommer att handla om att utforma infrastruktur som kan distribuera, övervaka och anpassa dessa system på ett säkert sätt inom riktiga operativa miljöer.

Plattformar som fokuserar på att integrera AI-agenter i företagsinfrastruktur representerar en tillvägagångssätt för att ta itu med den utmaningen, eftersom organisationer fortsätter att söka efter praktiska sätt att omvandla framsteg inom AI-forskning till vardagliga operativa verktyg.