Magentic ระดมทุน Series A มูลค่า $18 ล้านเพื่อสร้างแรงงาน AI สำหรับการดำเนินงานอุตสาหกรรม

Magentic ได้ระดมทุน $18 ล้านในรอบ Series A เพื่อขยายเอเจนต์ AI ของบริษัทไปยังกระบวนการจัดซื้อและซัพพลายเชน, มุ่งเป้าหมายที่เวิร์กโฟลว์ที่ซับซ้อนที่สุดในบริษัทอุตสาหกรรมขนาดใหญ่

รอบนี้นำโดย Felicis, โดยมีนักลงทุนเดิม Sequoia Capital และ The Westly Group เข้าร่วมด้วย. รอบนี้มาถึงประมาณหนึ่งปีหลังจากบริษัทที่มีฐานในลอนดอนและนิวยอร์กเปิดตัวด้วยรอบ Seed มูลค่า $5.5 ล้าน, ทำให้ยอดระดมทุนรวมที่รายงานเป็น $23.5 ล้าน

ก่อตั้งโดย CEO Robin Van Aeken, อดีตของ McKinsey, และ CTO Odhran O’Donoghue, ศิษย์เก่าของ OpenAI, Magentic เชื่อว่าขั้นต่อไปของ AI ระดับองค์กรจะก้าวข้ามผู้ช่วยที่ตอบคำถามหรือสร้างเนื้อหา. แทนที่นั้น, เอเจนต์ของบริษัทออกแบบมาเพื่อดำเนินงานเชิงปฏิบัติการผ่านระบบที่ผู้ผลิตใช้อยู่แล้ว

สิ่งนี้ทำให้บริษัทอยู่ที่จุดตัดของสองแนวโน้มหลัก: การขยายตัวอย่างรวดเร็วของ AI แบบเอเจนต์และการสร้างโครงสร้างพื้นฐานทางกายภาพที่ต้องใช้ทุนสูงเพื่อสนับสนุนเศรษฐกิจ AI ที่กว้างขวาง

ทำไมการจัดซื้ออุตสาหกรรมจึงกลายเป็นเป้าหมายของ AI

ส่วนใหญ่ของ กระแส AI สร้างสรรค์ มุ่งเน้นไปที่การพัฒนาซอฟต์แวร์, การบริการลูกค้า, การตลาด, และเวิร์กโฟลว์ดิจิทัลอื่น ๆ. Magentic มุ่งเป้าไปยังเป้าหมายที่มองไม่เห็นมากแต่มีความสำคัญทางเศรษฐกิจ: กระบวนการที่กำหนดว่าบริษัทจะซื้ออะไร, จากใคร, ในราคาเท่าไร, และภายใต้เงื่อนไขสัญญาใด

กระบวนการเหล่านี้ยากเป็นพิเศษในผู้ผลิตระดับโลก. ข้อมูลการจัดซื้ออาจกระจายอยู่ทั่วแพลตฟอร์มการวางแผนทรัพยากรองค์กร (ERP), สัญญาซัพพลายเออร์, สเปรดชีต, ใบแจ้งหนี้, ระบบอีเมล, และฐานข้อมูลที่สะสมมานานหลายปีจากการควบรวมกิจการและการเปลี่ยนแปลงเทคโนโลยี

ในขณะเดียวกัน, ความกดดันต่อองค์กรจัดซื้อกำลังเพิ่มขึ้น. The Hackett Group คาดการณ์ว่าปริมาณงานจัดซื้อจะเพิ่มขึ้น 8% ในปี 2026 แม้ว่าจำนวนพนักงานและงบประมาณการดำเนินงานจะลดลง, ทำให้มีแรงจูงใจให้ทำงานอัตโนมัติมากขึ้นโดยไม่ต้องขยายทีม

นอกจากนี้ยังมีรอบการสร้างโครงสร้างพื้นฐานขนาดใหญ่กว่าที่กำลังดำเนินอยู่. Goldman Sachs ประมาณการว่ามีฐานประมาณ $7.6 ล้านล้านในการใช้จ่ายทุนรวมที่เกี่ยวกับ AI ระหว่างปี 2026 ถึง 2031, ครอบคลุมการประมวลผล, ศูนย์ข้อมูล, และโครงสร้างพื้นฐานด้านพลังงาน. การใช้จ่ายนี้สุดท้ายแปรเป็นปริมาณอุปกรณ์, วัสดุ, การก่อสร้าง, ความสัมพันธ์กับซัพพลายเออร์, และสัญญาที่ต้องจัดการจำนวนมหาศาล

แนวคิดของ Magentic คือ AI สามารถเข้ามามีส่วนร่วมในการตัดสินใจเหล่านั้นได้มากขึ้น แทนที่จะช่วยมนุษย์เพียงวิเคราะห์

ก้าวข้ามผู้ช่วย AI

Magentic อธิบายเอเจนต์ของตนว่าเป็น “digital workers” แต่ความแตกต่างที่สำคัญกว่าคือระดับของอิสระภาพที่แพลตฟอร์มพยายามมอบให้

แทนที่จะมอบแดชบอร์ดหรืออินเทอร์เฟซสนทนาใหม่ให้พนักงาน, Magentic ถูกออกแบบให้ทำงานบนโครงสร้างพื้นฐานขององค์กรที่มีอยู่แล้ว. สถาปัตยกรรมของมันรวมถึงการรับข้อมูล, ชั้นข้อมูลที่สอดคล้องกัน, เครื่องยนต์เอเจนต์, ความรู้เฉพาะด้านการจัดซื้อ, การเฝ้าติดตามแบบเรียลไทม์, วงจรตอบกลับ, และการดำเนินการตั้งแต่ต้นจนจบ

ระบบสามารถรับข้อมูลที่กระจัดกระจายจาก ERP, สเปรดชีต, PDF, สัญญา, และแหล่งข้อมูลอื่น ๆ ก่อนจะแปลงเป็นโครงสร้างที่เอเจนต์ AI สามารถทำงานได้. Magentic ยังระบุว่าแพลตฟอร์มสามารถเลือกโมเดล AI พื้นฐานที่ต่างกันตามงาน, แทนที่จะพึ่งพาโมเดลภาษาใหญ่เพียงหนึ่งเดียว

สิ่งนี้สำคัญเพราะการจัดซื้อเกี่ยวข้องกับมากกว่าการดึงข้อมูล

เอเจนต์อาจระบุได้ว่าเดียวกันถูกซื้อในราคาที่ต่างกันในแต่ละโรงงาน, ค้นหาซัพพลายเออร์ที่ซ้ำซ้อนที่อาจรวมกันได้, ตรวจจับการซื้อที่ทำนอกสัญญาที่ต่อรองไว้, หรือค้นพบส่วนลดและส่วนคืนเงินตามสัญญาที่ไม่เคยได้รับ

เป้าหมายของ Magentic คือให้เอเจนต์ก้าวไกลกว่านั้นและช่วยดำเนินเวิร์กโฟลว์ที่เกิดขึ้นให้เสร็จสมบูรณ์

digital workers ของมันสามารถตรวจสอบการใช้จ่าย, ตรวจสอบสัญญา, คำนวณการประหยัดที่เป็นไปได้, จัดทำการสื่อสารกับซัพพลายเออร์, ปรับรายการสั่งซื้อกับใบแจ้งหนี้, และรวบรวมหลักฐานที่จำเป็นเพื่อเรียกคืนการจ่ายเกิน. บริษัทกล่าวว่าเอเจนต์ของพวกเขาสามารถทำงานข้ามการใช้จ่าย, การจัดหา, สัญญา, และใบแจ้งหนี้ แทนที่จะจำกัดอยู่ที่งานจัดซื้อเดียว

เอเจนต์ AI ที่สร้างขึ้นบนข้อมูลองค์กรที่ยุ่งเหยิง

ปัญหาข้อมูลพื้นฐานอาจสำคัญเท่ากับโมเดล AI เอง

ผู้ผลิตขนาดใหญ่มักไม่มีฐานข้อมูลที่สมบูรณ์แบบรอรับระบบ AI. ชื่อซัพพลายเออร์อาจแตกต่างกันระหว่างหน่วยงาน, สัญญาอาจอยู่ในรูปแบบ PDF, ราคาสามารถบันทึกแตกต่างกันในแต่ละ ERP, และหลายทศวรรษของการควบรวมกิจการอาจทำให้บริษัทมีระบบที่ซ้อนทับกันหลายระบบ

โครงการแปลงองค์กรแบบดั้งเดิมมักพยายามทำความสะอาดและมาตรฐานข้อมูลนั้นก่อนที่จะนำแอปพลิเคชันใหม่ไปใช้

Magentic ใช้วิธีการที่แตกต่าง: ให้เอเจนต์ AI ทำงานข้ามสภาพแวดล้อมที่กระจัดกระจายอยู่แล้วและค่อยๆ จัดระเบียบข้อมูลที่จำเป็นต่อการทำงานให้เสร็จสมบูรณ์

แพลตฟอร์มนี้ยังออกแบบให้สื่อสารผ่านเครื่องมือที่พนักงานใช้แล้วอยู่แล้ว รวมถึง Microsoft Teams และอีเมล พร้อมทำงานข้ามระบบภายในองค์กร จุดประสงค์คือทำให้เอเจนต์ไม่เหมือนซอฟต์แวร์แยกส่วน แต่เป็นผู้ร่วมปฏิบัติงานภายในกระบวนการที่มีอยู่

Magentic รายงานว่าลูกค้าหนึ่งคนกำลังประมวลผลคำสั่งซื้อมากกว่า 1.2 ล้านรายการผ่านดิจิทัลเวิร์กเกอร์ของบริษัท ในขณะที่การใช้งานอีกกรณีหนึ่งพบการประหยัด $4 ล้าน จากฐานลูกค้า Global 500 ของบริษัท มีการประหยัดประมาณ 2%‑5% พร้อมการปรับปรุงคุณภาพข้อมูลโดยเฉลี่ย 60% ตัวเลขเหล่านี้เป็นข้อมูลที่บริษัทรายงานเอง ไม่ใช่เมตริกที่ได้รับการตรวจสอบอิสระ

การรักษามนุษย์ในวงจรการจัดซื้อ

อิสระภาพที่เพิ่มขึ้นยังสร้างปัญหาที่สำคัญในด้านการจัดซื้อ: การตัดสินใจของ AI ที่ผิดพลาดอาจทำให้เกิดผลกระทบทางการเงินหรือการดำเนินงานทันที

การส่งข้อความไปยังผู้จำหน่ายผิดพลาดแตกต่างอย่างมากจากการสร้างย่อหน้าที่ไม่แม่นยำในแชทบอท

Magentic จึงได้สร้างจุดตรวจสอบโดยมนุษย์เข้าไว้ในกระบวนการทำงานของเอเจนต์ ตัวอย่างหนึ่งที่บริษัทอธิบายคือ เอเจนต์สามารถสแกนสัญญาผู้จำหน่ายและทำเครื่องหมายเงื่อนไขการชำระเงินที่แปลกประหลาดได้ แต่ผู้บริหารการจัดซื้อยังคงรับผิดชอบในการตัดสินใจว่าควรดำเนินการเจรจาต่อรองหรือไม่

บริษัทยังได้อธิบายกลไกการตรวจสอบหลายเอเจนต์ ซึ่งเอเจนต์แต่ละตัวสามารถตรวจสอบงานที่สร้างโดยเอเจนต์อื่น พร้อมบันทึกและร่องรอยหลักฐานเพื่อแสดงวิธีการตัดสินใจ

โมเดล human-in-the-loop นี้น่าจะยังคงสำคัญเมื่อเอเจนต์ระดับองค์กรย้ายจากการแนะนำการกระทำไปสู่การดำเนินการจริง

ความปลอดภัยกลายเป็นส่วนหนึ่งของสถาปัตยกรรมเอเจนต์

การให้ระบบ AI เข้าถึงสัญญา ความสัมพันธ์กับผู้จำหน่าย ข้อมูลราคา ใบแจ้งหนี้ และระบบ ERP ภายในองค์กร ทำให้ต้องพิจารณาข้อกำหนดใหม่ของระดับองค์กร

Magentic ระบุว่าตนได้รับการรับรอง SOC 2 Type II และ ISO 27001 ปฏิบัติตามกฎระเบียบคุ้มครองข้อมูลส่วนบุคคลของสหภาพยุโรป (GDPR) และสอดคล้องกับกฎหมาย AI ของสหภาพยุโรป

แพลตฟอร์มรวมการโต้ตอบที่ควบคุมกับระบบบันทึกข้อมูลและจุดตรวจสอบของมนุษย์สำหรับการกระทำที่สำคัญ Magentic ยังระบุว่าข้อมูลของลูกค้าไม่ถูกใช้ในการฝึกโมเดลที่ใช้ร่วมกันหรือสาธารณะ

มาตรการป้องกันเหล่านี้จะมีความสำคัญยิ่งขึ้นเมื่อเอเจนต์สามารถทำการกระทำได้จริง ไม่ใช่เพียงดึงข้อมูลหรือสรุปข้อมูลเท่านั้น

การสร้างแรงงาน AI สำหรับเศรษฐกิจทางกายภาพ

Magentic มีแผนใช้เงิน Series A เพื่อขยายขอบเขตของกระบวนการจัดซื้อและซัพพลายเชนที่เอเจนต์ของตนสามารถจัดการได้ พร้อมเพิ่มการลงทุนในงานวิจัย AI พื้นฐานต่อไป

หนึ่งในความท้าทายทางเทคนิคคือบริบท

ปัญหาการเพิ่มประสิทธิภาพในอุตสาหกรรมอาจเกี่ยวข้องกับข้อมูลการจัดซื้อหลายปี สัญญาผู้จำหน่ายนับพัน รายการประวัติราคา ข้อมูลสินค้าคงคลัง ใบแจ้งหนี้ เอกสารทางเทคนิค และบันทึกการสื่อสาร Magentic ระบุว่ากำลังพัฒนาเอเจนต์ที่สามารถวินิจฉัยปัญหา วางแผนแก้ไข ดำเนินการ และติดตามการกระทำผ่านข้อมูลหลายรูปแบบหลายเทระไบต์ได้พร้อมกัน

“การนำ AI แนวหน้าเข้าสู่โลกทางกายภาพต้องผลักดันข้ามระบบ AI ที่มีหน้าต่างบริบทจำกัด” O’Donoghue กล่าว “เรากำลังสร้าง AI ที่สามารถวินิจฉัยปัญหา วางแผนการแก้ไข ดำเนินการ และติดตามงานผ่านข้อมูลหลายรูปแบบหลายเทระไบต์ได้ในครั้งเดียว”

การเปลี่ยนแปลงที่กว้างขวางนี้คือการย้ายจาก AI ที่เป็นเครื่องมือใช้ระหว่างกระบวนการ ไปสู่ AI ที่เป็นซอฟต์แวร์ที่สามารถเป็นเจ้าของส่วนที่เพิ่มขึ้นของกระบวนการนั้นได้

การจัดซื้อเป็นกรณีทดสอบที่น่าสนใจเพราะผลลัพธ์สามารถวัดได้ ระบบอาจตรวจจับราคาที่ผิดพลาด ป้องกันการใช้จ่ายนอกสัญญา ค้นพบส่วนลดที่มองข้าม ปรับใบแจ้งหนี้ให้ตรงกัน หรือไม่ทำเช่นนั้นเลย

สำหรับ Magentic การระดมทุน Series A มูลค่า $18 ล้านจึงไม่ใช่แค่การขยายผลิตภัณฑ์ AI ระดับองค์กรอีกหนึ่งตัว บริษัทกำลังเดิมพันว่าเอเจนต์ AI ที่มีคุณค่าที่สุดจะทำงานไกลจากอินเทอร์เฟซแชทบอท—อยู่ภายในระบบจัดซื้อที่ซับซ้อนซึ่งกำหนดวิธีการสร้างเศรษฐกิจทางกายภาพจริง