Skan AI привлекла 63 миллионов долларов в раунде финансирования серии C, делая ставку на то, что главным препятствием для работающего корпоративного AI‑воркфлоу является не более умная модель, а неспособность компании увидеть, как ее собственные сотрудники на самом деле выполняют работу. Раунд, совместно возглавленный Cathay Innovation и Dell Technologies Capital, состоялся на фоне того, что предприятия сталкиваются с жесткой реальностью: большинство AI‑агентов, которые они развернули до сих пор, просто не сработали.
Citi Ventures, Bloomberg Beta, State Farm Ventures и Wipro Ventures также приняли участие в раунде, доведя общий объем финансирования семилетней компании примерно до 120 миллионов долларов. Одновременно с привлечением средств Skan AI объявила о общем доступе к двум новым продуктам — Skan AI Blueprint и Skan AI Agents, которые дополняют существующее предложение Skan AI Intelligence и формируют то, что компания описывает как полноценную платформу для обнаружения, моделирования и автоматизации корпоративных рабочих процессов.
Summary
Ключевые выводы
- Skan AI привлекла 63 миллиона долларов в раунде серии C под совместным руководством Dell Technologies Capital и Cathay Innovation, доведя общий объем финансирования примерно до 120 миллионов долларов.
- Компания запустила два новых продукта — Skan AI Blueprint и Skan AI Agents — в дополнение к существующей платформе Intelligence.
- По данным Gartner, на которые ссылается компания, только 8% предприятий имеют AI‑агентов в промышленной эксплуатации, и 95% ранних внедрений требуют переработки.
- Skan заявляет о более чем 500 миллионах долларов совокупной выявленной ценности для клиентов; среди клиентов — семь из десяти крупнейших банков США, Unum и Mitie.
- Платформа работает на Nvidia AI Enterprise и микросервисах NIM и агрегирует анонимизированные данные внутри корпоративного периметра для решения вопросов конфиденциальности.
Раунд финансирования, построенный вокруг уровня неудач, который отрасль не может игнорировать
Внедрение корпоративного AI натолкнулось на стену, которую одними деньгами не пробить. Исследование Gartner, на которое ссылается Skan AI, показало, что только 8% предприятий в настоящее время имеют AI‑агентов, работающих в продакшене, в то время как 95% ранних внедрений потребуют полной переработки, прежде чем начнут приносить ценность. Эти цифры коррелируют с отчетом MIT за предыдущий год, на который ссылался Fortune, где было задокументировано, что примерно 95% корпоративных пилотных проектов по генеративному AI не смогли обеспечить измеримую отдачу.
Сооснователь и генеральный директор Skan Авинаш Мисра утверждает, что отрасль диагностирует не ту проблему. В интервью VentureBeat накануне анонса он сказал, что узким местом являются не сами модели — недостающим элементом является точное представление о бизнесе, в который они внедряются. «Все одержимы созданием лучшего водителя, — сказал Мисра. — Мы считаем, что большая возможность — создать лучшую навигационную систему».
Именно поэтому эта история важна не только в контексте одного раунда финансирования: если предприятия продолжат привязывать агентов к официальной процессной документации, которая не отражает, как работа действительно выполняется, цикл переработки, описанный Gartner, будет повторяться снова и снова, независимо от того, насколько способными станут базовые модели.
Построение корпоративного AI‑воркфлоу на основе того, что сотрудники реально делают на экране
Основная ставка Skan заключается в том, что разрыв между документированным процессом и реальным процессом — это именно то место, где ломаются AI‑агенты. Мисра и сооснователь Маниш Гарг начали преследовать этот разрыв семь лет назад, задолго до того, как агентный AI стал приоритетом на уровне советов директоров. «Почему так сложно для организации, особенно крупного предприятия, понять, как на самом деле выполняется его собственная работа? — спросил Мисра. — Почему для этого нужно вызывать консультантов McKinsey?»
Ответ компании — наблюдать за работой напрямую, а не выводить ее из документации или бэкенд‑логов. Skan разворачивает технологию наблюдения на рабочих столах сотрудников, которая непрерывно отслеживает, как работа перемещается между приложениями — электронными таблицами, CRM‑системами, почтовыми клиентами, даже десятилетними мейнфреймами — и превращает эти наблюдения в живую модель лежащего в основе процесса. Эта модель становится контекстным графом, на основе которого рассуждают ее агенты.
Мисра сравнивает это с наблюдением за экраном коллеги. «Если бы я сейчас поделился экраном, а вы наблюдали бы, как мой экран переключается между Excel, CRM‑системой, почтовым клиентом, то примерно за две итерации вы бы построили модель того, что я делаю, — сказал он. — Только вы не смогли бы сделать это в масштабе. Вы не смогли бы делать это 24/7 и для 1500 таких людей, как я. Теперь замените себя нашей технологией».
Почему сложность не в наблюдении, а в извлечении намерений
Skan позиционирует свой подход в противовес поставщикам process mining, таким как Celonis, которые реконструируют рабочие процессы по следам бэкенд‑данных. Мисра утверждает, что эти логи фиксируют только завершенные транзакции, упуская хаотичные человеческие шаги, которые к ним привели. «Все бэкенд‑данные по определению являются зафиксированным состоянием работы. Работа — это то, что происходит между этими зафиксированными состояниями», — сказал он, оценивая, что примерно 80% того, что важно для AI, происходит именно в этом промежутке.
Он подчеркивает, что наблюдение за экранами никогда не было сложной инженерной задачей. «Сложная задача — это абстракция того, что вы видите на экране, — извлечение намерений, — сказал Мисра. — Обучить модель отличать действительно новый кейс от доработки старого — то, что человеческий коллега понимает мгновенно — вот где, по его мнению, и заключается многолетнее преимущество Skan.»
Баланс между мониторингом сотрудников и операционной прозрачностью
Непрерывное наблюдение за экраном поднимает очевидный вопрос конфиденциальности, и он не является гипотетическим. В июне Reuters сообщило, что Meta сократила использование внутреннего инструмента, отслеживающего клики мышью сотрудников, после того как работники выступили против — свидетельство того, что даже компании, активно использующие AI, по‑прежнему опасаются границы между телеметрией и слежкой.
Мисра говорит, что услышал это возражение еще до того, как написал первую строку кода. Презентация концепции на раннем этапе Делфин Икарт, тогдашнему директору по трансформации AXA Mexico, вызвала прямую реакцию. «Первые слова Делфин ко мне были: “Это звучит как отличная идея, но вы мертвы на старте”, — вспоминает он. — “Вы наблюдаете за тем, за чем не должны наблюдать — за приватностью моих операторов и суверенитетом моих данных на этих экранах”.»
Этот разговор повлиял на архитектуру системы. Skan агрегирует, а не индивидуализирует данные, выявляя статистические паттерны среди сотен работников, выполняющих один и тот же процесс, вместо отслеживания конкретного человека. «Нас не интересует, что Джон делает в 10 часов и 43 секунды, — сказал Мисра. — Нас интересует, что делают сотни Джонов вместе взятые». Организации контролируют, что система может видеть, через опциональное включение конкретных приложений и URL‑адресов, а полученные данные никогда не покидают корпоративный периметр; в облако по трехуровневой архитектуре отправляется только анонимизированная метадата. Мисра указывает на внедрения, одобренные европейскими производственными советами, как на доказательство того, что модель выдерживает серьезную проверку. Остается открытым вопрос, полностью ли агрегирование снимает базовое напряжение, и Мисра признал, что технология в некоторых случаях приводила к сокращению численности персонала в отдельных процессах.
Что на самом деле означает заявленная клиентская ценность в 500 миллионов долларов
Skan утверждает, что ее технология выявила более 500 миллионов долларов совокупной клиентской ценности, хотя Мисра прямо говорит, что эта цифра — оценка возможностей, а не уже полученные деньги. «Эта цифра — это совокупность по всем нашим клиентам количественно оцененных сбережений, которые мы им принесли — тех сбережений, которые, как они ожидали, они получат», — сказал он, отметив, что клиенты реализуют эти сбережения через переработку процессов, изменения в технологиях и, все чаще, через AI‑агентов.
Более конкретные цифры поступают из отдельных внедрений. В одном из ведущих банков США Skan утверждает, что зафиксировала 11,2 миллиона переключений контекста у 1500 финансовых специалистов и выявила 37 миллионов долларов операционного трения. Превращение этого контекста в исполнимые для агентов воркфлоу обеспечило 32% снижение стоимости транзакции, 41% рост пропускной способности и 18 миллионов долларов ежегодной экономии. В подразделении по противодействию отмыванию денег в другом банке, по словам Мисры, «60% кейсов сейчас обрабатываются AI‑агентами» с точностью, которая «многократно превосходит точность людей». Среди страховщиков Skan сообщает о примерно 25% росте производительности в ключевых процессах обработки заявлений по страховым случаям.
Среди клиентов Skan теперь есть такие компании, как Mitie, британская компания по управлению объектами недвижимости, и Unum, поставщик льгот для сотрудников с рыночной стоимостью 13,8 миллиарда долларов. Директор Mitie по технологиям и цифровой трансформации Сиджо Джозеф сказал, что технология «дает нам беспрецедентную операционную видимость, которая радикально ускорила нашу AI‑трансформацию». Компания отказалась раскрывать выручку, но заявила, что второй год подряд демонстрирует рост более чем на 300% в годовом выражении, при этом показатель удержания выручки по существующим клиентам составляет около 150%. Сейчас среди ее клиентов — семь из десяти крупнейших банков США и четверть компаний из списка Fortune 50.
Nvidia, конкуренты и борьба за владение корпоративным контекстом
Skan работает на Nvidia AI Enterprise и микросервисах NIM — партнерстве, которое компания активно подчеркивает наряду с новостями о финансировании. Мисра описал растущий спрос на частные устройства, которые могут наблюдать за работой, хранить контекстную модель и запускать агентов полностью в инфраструктуре самого клиента — конфигурация, которая привлекает регулируемые отрасли, такие как банковское дело и страхование, где суверенитет данных не подлежит обсуждению.
Skan проводит четкую границу между собой и смежными категориями. Инструменты process mining видят только то, что фиксируют бэкенд‑логи. Платформы RPA воспроизводят задачи, не понимая их. А платформенные гиганты, такие как ServiceNow, Salesforce и Microsoft, поставляют способных агентов, чья видимость ограничена их собственными системами. «Контекст, к которому имеют доступ эти агенты, ограничен ServiceNow, ограничен Salesforce, тогда как работа охватывает процессы по всей организации», — сказал Мисра.
Его более широкий аргумент касается дифференциации в мире, где каждая компания имеет доступ к одним и тем же передовым моделям. «Если каждая страховая компания, каждый банк будут иметь доступ к одним и тем же моделям, то результаты асимптотически сойдутся к результату самой модели, — сказал он. — То старое слово — “процесс” — теперь возвращается как контекст для AI. Но этот контекст защищен вами. Он не является частью модели». Партнер Cathay Innovation Саймон Ву сформулировал ставку в похожих терминах, назвав Skan «одной из определяющих платформенных компаний следующего десятилетия».
Такая постановка вопроса намекает, где на самом деле находятся конкурентные ставки. По мере того как все больше поставщиков используют одни и те же базовые модели, дифференциатор смещается от “сырой” AI‑способности к тому, кто контролирует проприетарную карту того, как работает бизнес, — и именно за этот слой Skan спешит закрепиться, прежде чем конкуренты построят собственные сопоставимые контекстные графы.
FAQ
В чем основное технологическое новшество Skan AI?
Skan AI использует технологию наблюдения на уровне экрана, чтобы видеть, как сотрудники работают в разных приложениях, и строит контекстный граф реальных рабочих процессов, а не полагается исключительно на процессную документацию или системные логи.
Как Skan AI решает вопросы конфиденциальности при мониторинге сотрудников?
Skan агрегирует анонимизированные данные, работает внутри корпоративного периметра и ограничивает наблюдение определенными приложениями и URL‑адресами в рамках опциональной модели, при этом данные никогда не покидают периметр.
Кто относится к заметным клиентам Skan AI?
Среди клиентов Skan AI — семь из десяти крупнейших банков США, поставщик льгот для сотрудников Unum и британская компания по управлению объектами недвижимости Mitie.
Каких результатов Skan AI достигла при внедрениях?
Сообщается о 32% снижении затрат, 41% росте пропускной способности, 18 миллионах долларов ежегодной экономии в одном банке, а также о повышении производительности примерно на 25% и более среди страховых клиентов.
{«@context»:»https://schema.org»,»@type»:»FAQPage»,»mainEntity»:[{«@type»:»Question»,»name»:»В чем основное технологическое новшество Skan AI?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»Skan AI использует технологию наблюдения на уровне экрана, чтобы видеть, как сотрудники работают в разных приложениях, и строит контекстный граф реальных рабочих процессов, а не полагается исключительно на процессную документацию или системные логи.»}},{«@type»:»Question»,»name»:»Как Skan AI решает вопросы конфиденциальности при мониторинге сотрудников?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»Skan агрегирует анонимизированные данные, работает внутри корпоративного периметра и ограничивает наблюдение определенными приложениями и URL-адресами в рамках опциональной модели, при этом данные никогда не покидают периметр.»}},{«@type»:»Question»,»name»:»Кто относится к заметным клиентам Skan AI?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»Среди клиентов Skan AI — семь из десяти крупнейших банков США, поставщик льгот для сотрудников Unum и британская компания по управлению объектами недвижимости Mitie.»}},{«@type»:»Question»,»name»:»Каких результатов Skan AI достигла при внедрениях?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»Сообщается о 32% снижении затрат, 41% росте пропускной способности, 18 миллионах долларов ежегодной экономии в одном банке, а также о повышении производительности примерно на 25% и более среди страховых клиентов.»}}]}
Статья подготовлена при содействии искусственного интеллекта и проверена редакционной командой.
