Magentic 获得 $18M A 轮融资，构建工业运营的 AI 劳动力

Magentic 已筹集 $18 百万的 A 轮融资，以在采购和供应链运营中扩展其 AI 代理，针对大型工业公司内部一些最复杂的工作流。

本轮融资由 Felicis 主导，已有投资者 Sequoia Capital 和 The Westly Group 也参与其中。该公司大约在一年前以伦敦和纽约为基地推出，完成了 $5.5 百万的种子轮融资，使其累计融资额达到 $23.5 百万。

Magentic 由前麦肯锡的首席执行官 Robin Van Aeken 和 OpenAI 校友、首席技术官 Odhran O’Donoghue 创立，公司押注企业 AI 的下一阶段将超越仅能回答问题或生成内容的助手。相反，其代理旨在在制造商已使用的系统上执行运营工作。

这使公司处于两大趋势的交汇点：代理式 AI 的快速扩张，以及支撑更广泛 AI 经济所需的资本密集型物理基础设施建设。

为何工业采购正成为 AI 目标

大部分 生成式 AI 热潮 关注于软件开发、客户服务、营销以及其他主要数字化工作流。Magentic 关注的目标虽不那么显眼，却在经济上意义重大：决定公司采购什么、向谁采购、以何种价格以及在何种合同条款下的流程。

这些流程在全球制造商内部尤为困难。采购数据可能分散在企业资源规划（ERP）平台、供应商协议、电子表格、发票、电子邮件系统以及多年收购和技术变更积累的数据库中。

与此同时，采购组织面临的压力正在上升。The Hackett Group 预测，即使人员规模和运营预算下降，采购工作量将在 2026 年增长 8%，这激励企业在不单纯扩大团队的情况下自动化更多工作。

此外，还存在一个规模更大的基础设施周期。Goldman Sachs 估计，在 2026 至 2031 年间，累计 AI 相关资本支出基线约为 $7.6 万亿，涵盖计算、数据中心和电力基础设施。这些支出最终转化为大量需要管理的设备、材料、建筑、供应商关系和合同。

Magentic 的论点是，AI 可以日益参与这些决策，而不仅仅是帮助人类进行分析。

超越 AI 副驾驶

Magentic 将其代理描述为 “数字工作者“, 但更重要的区别在于平台试图提供的自主程度。

Magentic 并非为员工提供另一个仪表盘或对话界面，而是设计为位于现有企业基础设施之上。其架构包括数据摄取、统一数据层、代理引擎、采购专用知识、实时监控、反馈回路以及端到端执行。

该系统能够从 ERP、电子表格、PDF、合同及其他来源摄取碎片化信息，并将其转化为 AI 代理可使用的结构。Magentic 还表示，平台可根据任务选择不同的底层 AI 模型，而非仅依赖单一大型语言模型。

这很重要，因为采购涉及的远不止信息检索。

代理可能会发现相同部件在不同工厂以不同价格采购，找出可以合并的重叠供应商，检测在协商合同之外的采购，或发现从未收回的回扣和合同折扣。

Magentic 的目标是让代理进一步行动，帮助完成随之而来的工作流。

其数字工作者可以审查支出、检查合同、计算潜在节省、准备供应商沟通、将订单与发票对账，并收集追回超额付款所需的证据。公司称其代理能够跨支出、采购、合同和发票进行操作，而不局限于单一的采购任务。

基于混乱企业数据构建的 AI 代理

底层数据问题可能与 AI 模型本身同等重要。

大型制造商很少拥有可直接供 AI 系统使用的完美数据库。供应商名称在不同部门之间可能不同，合同可能以 PDF 形式存在，价格在不同 ERP 实例中记录方式各异，数十年的收购也会使公司拥有大量重叠系统。

传统的企业转型项目通常在部署新应用之前尝试清理并标准化这些数据。

Magentic 正在采取不同的方式：让 AI 代理在已有的碎片化环境中工作，并逐步组织完成任务所需的信息。

该平台还设计为通过员工已在使用的工具进行沟通，包括 Microsoft Teams 和电子邮件，同时在内部企业系统之间运行。其目的是让代理不再像独立的软件产品，而更像现有流程中的另一个运营参与者。

Magentic 表示，一位客户已经通过其数字工作者处理了超过 120 万笔订单，另一项部署则发现了 400 万美元的节省。在其 Global 500 客户群中，公司报告的节省约为 2% 至 5%，同时数据质量平均提升 60%。这些数据为公司自行报告的数字，而非独立审计的绩效指标。

在采购环节中保持人工参与

更高的自主性也会带来一个在采购领域尤为重要的问题：错误的 AI 决策可能导致即时的财务或运营后果。

向错误的供应商发送沟通内容，与在聊天机器人中生成不准确的段落有很大区别。

因此，Magentic 在其代理工作流中嵌入了人工审查环节。公司描述的一个案例中，代理可以扫描供应商合同并标记异常付款条款，但采购主管仍负责决定是否真正进行谈判。

公司还描述了一种多代理审查机制，代理可以检查其他代理产生的工作，同时提供日志和证据链，以展示决策的形成过程。

这种 人机在环 模型可能仍然重要，因为企业代理正从推荐行动转向执行行动。

安全性成为代理架构的一部分

让 AI 系统访问合同、供应商关系、定价信息、发票以及内部 ERP 系统，也会提出一套不同的企业需求。

Magentic 表示其已通过 SOC 2 Type II 和 ISO 27001 认证，符合欧盟《通用数据保护条例》（GDPR），并与欧盟 AI 法案保持一致。

该平台包括对记录系统的受控交互以及对关键操作的人为检查点。Magentic 还表示，客户数据不会用于训练共享或公开模型。

随着代理获得执行操作的能力，而不仅仅是检索或汇总信息，这些防护措施的重要性将进一步提升。

为实体经济构建 AI 劳动力

Magentic 计划利用本轮 A 轮融资扩大其代理能够管理的采购和供应链工作流范围，同时进一步投入底层 AI 研究。

一个技术挑战是上下文。

工业优化问题可能涉及多年的采购数据、成千上万的供应商合同、定价历史、库存信息、发票、技术文档和沟通记录。Magentic 表示，它正在开发能够诊断问题、规划解决方案、采取行动，并在跨越数 TB 的多模态信息中持续跟进这些行动的代理。

“将前沿 AI 引入实体世界需要突破上下文窗口受限的 AI 系统，” O’Donoghue 说。”我们正在构建能够诊断问题、规划解决方案、采取行动，并在一次性跨越数 TB 多模态数据中全程跟进工作的 AI。”

更广泛的转变是从将 AI 作为工作流中的工具使用，转向 AI 作为能够承担工作流中日益大部分任务的软件。

采购提供了一个有趣的测试案例，因为其结果是可衡量的。系统要么捕捉到错误的价格、阻止合同外支出、识别被忽视的返利、核对发票，要么未能做到这些。

对于 Magentic 而言，1800 万美元的 A 轮融资不仅仅是扩展另一款企业 AI 产品。公司押注，最有价值的 AI 代理最终将远离聊天机器人界面，深入到决定实体经济实际构建方式的复杂采购系统中。