Magentic залучає $18 млн у раунді Series A для створення AI‑робочої сили для промислових операцій

Magentic залучила $18 млн у фінансуванні Series A для розширення своїх AI‑агентів у процесах закупівель та ланцюжка постачань, орієнтуючись на деякі з найскладніших робочих процесів у великих промислових компаніях.

Раунд очолювала Felicis, при цьому існуючі інвестори Sequoia Capital та The Westly Group також брали участь. Це відбулося приблизно через рік після того, як компанія, розташована в Лондоні та Нью‑Йорку, запустилася з посівним раундом у $5,5 млн, підвищивши загальне повідомлене фінансування до $23,5 млн.

Заснована CEO Робіном Ван Аекеном, колишнім співробітником McKinsey, та CTO Одраном О’Доноґю, випускником OpenAI, Magentic робить ставку на те, що наступний етап корпоративного AI вийде за межі помічників, які відповідають на питання або генерують контент. Натомість її агенти призначені для виконання операційної роботи у системах, які вже використовують виробники.

Це розташовує компанію на перетині двох головних тенденцій: швидкого розширення агентного AI та капіталомісткого будівництва фізичної інфраструктури, необхідної для підтримки ширшої AI‑економіки.

Чому промислова закупівля стає ціллю для AI

Більша частина буму генеративного AI була зосереджена на розробці програмного забезпечення, обслуговуванні клієнтів, маркетингу та інших переважно цифрових робочих процесах. Magentic націлюється на менш помітну, але економічно значущу ціль: процеси, які визначають, що компанії купують, у кого, за якою ціною та за яких умов контракту.

Ці процеси стають особливо складними у глобальних виробників. Дані закупівель можуть бути розкидані по платформах планування ресурсів підприємства (ERP), угодах з постачальниками, електронних таблицях, рахунках‑фактурах, системах електронної пошти та базах даних, накопичених протягом багатьох років поглинань та технологічних змін.

У той же час тиск на підрозділи закупівель зростає. The Hackett Group прогнозує, що навантаження на закупівлі зросте на 8 % у 2026 році, навіть коли кількість персоналу та операційні бюджети скорочуються, створюючи стимул автоматизувати більшу частину роботи без простого розширення команд.

Також триває значно більший цикл інфраструктури. Goldman Sachs оцінює базовий рівень приблизно $7,6 трлн сукупних капітальних витрат, пов’язаних з AI, у період з 2026 по 2031 рік, що охоплює обчислювальні ресурси, дата‑центри та енергетичну інфраструктуру. Ці витрати в кінцевому підсумку перетворюються на величезний обсяг обладнання, матеріалів, будівництва, відносин з постачальниками та контрактів, які потрібно керувати.

Тезис Magentic полягає в тому, що AI може все більше брати участь у цих рішеннях, а не лише допомагати людям їх аналізувати.

Вихід за межі AI‑копілота

Magentic описує своїх агентів як «цифрові працівники», але більш важливе розрізнення — це рівень автономії, який платформа намагається забезпечити.

Замість того, щоб пропонувати співробітникам ще одну панель або розмовний інтерфейс, Magentic розроблена так, щоб працювати над існуючою корпоративною інфраструктурою. Її архітектура включає засвоєння даних, уніфікований шар даних, агентний движок, знання, специфічні для закупівель, моніторинг у реальному часі, зворотний зв’язок і виконання від початку до кінця.

Система може засвоювати фрагментарну інформацію з ERP‑систем, електронних таблиць, PDF‑файлів, контрактів та інших джерел, перетворюючи її у структуру, з якою можуть працювати AI‑агенти. Magentic також зазначає, що платформа може вибирати різні базові AI‑моделі залежно від завдання, а не покладатися на одну велику мовну модель.

Це важливо, бо закупівлі включають набагато більше, ніж просто отримання інформації.

Агент може виявити, що один і той самий компонент купується за різними цінами у різних заводах, знайти перекриваючі постачальники, які можна об’єднати, виявити закупівлі, здійснені поза узгодженими контрактами, або знайти відшкодування та контрактні знижки, які ніколи не були отримані.

Мета Magentic — щоб агент йшов далі і допомагав завершити отриманий робочий процес.

Її цифрові працівники можуть переглядати витрати, аналізувати контракти, розраховувати потенційну економію, готувати комунікації з постачальниками, звіряти замовлення з рахунками‑фактурами та збирати докази, необхідні для відшкодування переплат. Компанія стверджує, що її агенти можуть працювати з витратами, постачанням, контрактами та рахунками‑фактурами, а не бути обмеженими лише одним ізольованим завданням закупівель.

AI‑агенти, створені навколо неохайних корпоративних даних

Основна проблема даних може виявитися такою ж важливою, як і самі AI‑моделі.

У великих виробників рідко є бездоганні бази даних, готові до AI‑системи. Імена постачальників можуть відрізнятися між підрозділами, контракти можуть існувати у вигляді PDF‑файлів, ціни можуть бути записані по-різному у різних інстанціях ERP, а десятиліття поглинань можуть залишити компанії з численними перекриваючими системами.

Традиційні проєкти трансформації підприємств часто намагаються очистити та стандартизувати ці дані перед впровадженням нових застосунків.

Magentic обирає інший підхід: дозволяє AI‑агентам працювати в існуючому роздрібненому середовищі та поступово організовувати інформацію, необхідну для виконання завдання.

Платформа також розроблена для взаємодії через інструменти, якими користуються співробітники, зокрема Microsoft Teams та електронну пошту, працюючи одночасно з внутрішніми корпоративними системами. Це має зробити агента менш схожим на окремий програмний продукт і більше схожим на ще одного учасника операційного процесу в існуючій системі.

Magentic повідомляє, що один клієнт вже обробляє понад 1,2 млн замовлень за допомогою своїх цифрових працівників, а інша впровадження виявила економію у $4 млн. У своїй базі клієнтів Global 500 компанія повідомляє про економію приблизно 2 %–5 % і середнє підвищення якості даних на 60 %. Це дані, надані компанією, а не незалежно аудиторські показники продуктивності.

Залучення людей у процес закупівель

Більша автономність створює також проблему, особливо важливу у сфері закупівель: неправильне рішення AI може мати негайні фінансові або операційні наслідки.

Надсилання неправильного повідомлення постачальнику суттєво відрізняється від створення неточного абзацу в чат‑боті.

Тому Magentic вбудував точки людської перевірки у робочі процеси своїх агентів. У одному прикладі, описаному компанією, агент може сканувати контракти постачальників і позначати незвичні умови оплати, проте відповідальність за рішення, чи варто вести переговори, залишається за керівником закупівель.

Компанія також описала механізм багатофакторної перевірки, коли агенти можуть перевіряти роботу інших агентів, разом із журналами та слідами доказів, що демонструють, як було прийнято рішення.

Ця людина‑в‑циклі модель, ймовірно, залишатиметься важливою, коли корпоративні агенти перейдуть від рекомендації дій до їх виконання.

Безпека стає частиною архітектури агента

Надання AI‑системі доступу до контрактів, відносин з постачальниками, цінової інформації, рахунків-фактур та внутрішніх ERP‑систем піднімає інший набір корпоративних вимог.

Magentic заявляє, що має сертифікації SOC 2 Type II та ISO 27001, відповідає вимогам Загального регламенту захисту даних ЄС (GDPR) і узгоджена з Європейським актом про ШІ.

Платформа включає контрольовані взаємодії з системами запису та людські контрольні точки для важливих дій. Magentic також зазначає, що дані клієнтів не використовуються для навчання спільних або публічних моделей.

Ці захисні заходи стають більш значущими, коли агенти отримують можливість діяти, а не лише отримувати або підсумовувати інформацію.

Створення AI‑робочої сили для фізичної економіки

Magentic планує використати інвестиції Серії A для розширення спектру процесів закупівель і ланцюжка постачань, якими можуть керувати їхні агенти, а також продовжити інвестування в фундаментальні дослідження ШІ.

Одним із технічних викликів є контекст.

Проблеми оптимізації в промисловості можуть охоплювати роки даних про закупівлі, тисячі контрактів постачальників, історії цін, інформацію про запаси, рахунки‑фактури, технічну документацію та записи комунікацій. Magentic повідомляє, що розробляє агентів, здатних діагностувати проблеми, планувати рішення, виконувати дії та супроводжувати їх у межах терабайтів мультимодальної інформації.

“Перенесення передових AI у фізичний світ вимагає виходу за межі систем ШІ з обмеженими вікнами контексту,” сказав O’Donoghue. “Ми створюємо ШІ, який може діагностувати проблеми, планувати виправлення, виконувати дії та бачити результат у терабайтах мультимодальних даних одночасно.”

Ширший зсув полягає у переході від ШІ як інструменту, що використовується під час робочого процесу, до ШІ як програмного забезпечення, здатного володіти все більшими частинами цього процесу.

Закупівлі пропонують цікавий тестовий випадок, оскільки їхні результати вимірювані. Система або виявляє неправильну ціну, запобігає витратам поза контрактом, виявляє пропущену знижку, звіряє рахунок‑фактуру, або не робить цього.

Для Magentic інвестиція у $18 млн Серії A означає більше, ніж просто розширення ще одного корпоративного AI‑продукту. Компанія ставить на те, що найцінніші AI‑агенти зрештою працюватимуть далеко від інтерфейсу чат‑бота — всередині складних систем закупівель, які визначають, як саме будуються фізичні економічні процеси.