Skan AI, a hét éve alapított startup, amely azt állítja, hogy egy „context graph of work” (a munkavégzés kontextrácsát) építi azáltal, hogy megfigyeli, hogyan végzik a munkát a munkavállalók az vállalati szoftverek között, szerdán bejelentette, hogy 63 millió dollár Series C finanszírozást vont be. A kört a Cathay Innovation és a Dell Technologies Capital vezette, további befektetők között szerepeltek a Citi Ventures, a Bloomberg Beta, a State Farm Ventures és a Wipro Ventures. A körrel együtt a vállalat eddigi összbefektetése nagyjából 120 millió dollárra nőtt.
A tőkeemelés bejelentésével egyidejűleg Skan két új termék általános elérhetőségét is bejelentette: a Skan AI Blueprintet és a Skan AI Agentset. Ezek az új elemek az meglévő Skan AI Intelligence szolgáltatással együtt a cég szerint egy teljes platformot alkotnak a vállalati munkafolyamatok felfedezésére, modellezésére és automatizálására.
Miért fontos ez most
A bejelentés egy olyan időszakban érkezik, amikor az enterprise AI körében általános frusztráció tapasztalható: a vállalatok nagy összegeket költöttek generatív AI pilótákra, de a gyakorlati eredmények sokszor elmaradtak az elvárásoktól. Skan hivatkozik a Gartner elemzésére, amely szerint csak az vállalatok 8%-ában van AI ügynök élesben, és a korai megvalósítások 95%-a áttervezést igényel. Hasonló következtetésre jutott egy tavalyi MIT-jelentés is, amely szerint az enterprise generatív AI pilotok nagy része nem produkált mérhető hasznot.
Skan társalapító‑vezérigazgatója, Avinash Misra szerint a probléma nem a modellekkel van, hanem azzal, hogy a modellek nem látják pontosan, hogyan működnek a vállalatok valójában. A szokásos megközelítés — folyamatdokumentációk, SOP‑ok, rendszerlogok etetése az ügynökökkel — egy fikción alapul, mondja: a dokumentált folyamatok és az élő, emberi munkavégzés gyakran eltérnek egymástól, és ezen a résen buknak el az ügynökök.
A módszer: képernyő‑szintű megfigyelés és absztrakció
Skan megoldása az, hogy a forráshoz megy: a vállalat telepíti a technológiát a felhasználói asztali gépekre, amely folyamatosan figyeli, hogyan mozog a munka az alkalmazások (például táblázatkezelők, CRM, e‑mail kliensek vagy régebbi mainframe rendszerek) között, majd ezekből az észlelésekből élő üzleti folyamatsémát hoz létre.
A cég szerint a backend logok és tranzakciók csak az elkötelezett állapotokat rögzítik; a valódi, emberi munkavégzés nagy része ezek között zajlik. A képernyő az a pont, ahol az emberi döntések, az alkalmazások és a releváns adatok összefutnak, és Skan célja ezt a rejtett réteget felszínre hozni. A vállalat hangsúlyozza, hogy nem a megfigyelés maga a nehézség, hanem az, hogyan lehet automatikusan, állapotmegőrzéssel és vállalati skálán kivonni a képernyőn megjelenő jelzések mögötti szándékot.
Ebből a feldolgozásból jön létre az a kontextusmodell, amelyen az AI képes érvelni és cselekedni — ez szolgál alapul a cég termékkínálatának, köztük az AI ügynökök működésének.
Adatvédelem és munkahelyi megfigyelés határai
A képernyők folyamatos figyelése természetesen aggályokat vet fel. A Reuters júniusi beszámolója szerint például a Meta visszavont egy belső eszközt, amely a munkavállalók kattintásait követte, miután aggályok merültek fel. Misra szerint az ilyen aggályokat kezdetektől figyelembe vették: a rendszer aggregált mintákat emel ki, nem egyedi dolgozók viselkedését, és a vállalatok opt‑in jelleggel határozhatják meg, mely alkalmazások és URL‑ek láthatók. A Skan által előállított adatok soha nem hagyják el az ügyfél tűzfalát; egy háromrétegű architektúra anonimizált metaadatokat küld csak a felhőbe.
Misra szerint több európai munkavállalói tanács és biztonsági átvilágítás is jóváhagyta telepítéseiket. Ugyanakkor elismeri, hogy az aggregált telemetria előfordulhat, hogy munkacsoportok átszervezéséhez vagy létszámcsökkentéshez vezetett bizonyos folyamatokban.
Ügyféleredmények és a 500 millió dolláros értékigény
Skan azt állítja, hogy ügyfelei számára összesen több mint 500 millió dollár „azonosított értéket” hozott létre. Misra azt tisztázta, hogy ez nem feltétlenül teljesen realizált megtakarítás, hanem az ügyfelek által azonosított és számszerűsített megtakarítási lehetőségek halmaza, amelyeket különböző beavatkozásokkal kívánnak kinyerni — folyamatátalakítás, technológiai változtatások és AI ügynökök bevonása révén.
Konkrét példákból azonban mérhető hatások is látszanak: egy nagy amerikai banknál Skan 11,2 millió kontextusváltást figyelt meg 1 500 pénzügyi szakembernél, és 37 millió dollár működési súrlódást azonosított. Az észlelések alapján agent‑végrehajtható kontextusokat bevezetve tranzakciónkénti költség 32%-kal csökkent, áteresztőképesség 41%-kal nőtt, és 18 millió dollár évesített megtakarítást értek el.
Egy másik példában egy bank pénzmosás elleni (AML) működésében a Skan szerint "a esetek 60%-át ma már AI ügynökök kezelik", és a cég szerint ezek az ügynökök pontossága több esetben felülmúlja az emberi teljesítményt. Biztosítóknál a Skan általában körülbelül 25%-os termelékenységnövekedést jelent a fő kárigénykezelési folyamatokban; egy ügyfél az elmúlt évben duplázta az ügyforgalmát anélkül, hogy új kárszakértőt vett volna fel.
A Skan nyilvánosan megnevezhető ügyfelei közé tartozik az Unum és a Mitie. A vállalat nem árulta el bevételeit, de közölte, hogy éves alapon több mint 300%-kal nőtt immár második éve egymás után, a net dollar retention körülbelül 150% és a vevői körben hét a tíz legnagyobb amerikai bankból és a Fortune 50 negyede szerepel.
Modellalkotás a hibás vagy nem optimális munkavégzés fölött
Egy fontos kérdés, hogy mi történik, ha a megfigyelt munkafolyamatok tartalmaznak hibákat, helytelen gyakorlatot vagy nem optimális lépéseket. Misra párhuzamot von a nyelvi modellekkel: ahogy egy nyelvi modell a világ szövegétől tanulva képes leszűrni jelentést és különbséget tenni, a Skan célja, hogy a munkavégzés „nyelvét” megtanulva megértse a teljes elágazás‑eloszlást — a gyors és lassú, a szabályos és a nem szabályos utak között —, majd az ügyfél által meghatározott korlátok mentén adja vissza a kívánt, szabálykövető vagy hatékonyabb útvonalat.
Misra szerint a megközelítés nem egyszerűen rekord‑és‑lejátszás, hanem egy munkát értő AI‑modell létrehozása, amely aztán korlátozható a vállalat céljai mentén. Konkrét példát említve: egy nagy banknál a Skan telemetria valós időben hasonlítja össze az élő ügyvégrehajtást egy 600 oldalas kontrolljegyzékkel, és ügynökök riasztanak, ha egy eset kimarad belőle — ez egy dokumentumból nehezen tartható, de automatizált végrehajtásra alkalmas valós idejű ellenőrzési réteget hoz létre.
Versenytér és stratégia
Skan olyan szerepben helyezi magát, amely több zsúfolt kategóriát metsz: a process mining cégek a backend logokra támaszkodnak, az RPA‑szoftverek feladatokat ismételnek anélkül, hogy megértenék azokat, míg a nagy platformszolgáltatók (ServiceNow, Salesforce, Microsoft) képes ügynököket kínálnak, de gyakran saját alkalmazás‑vonalukon belül maradnak.
Skan érvelése szerint a kulcs a kiterjedtség: a munka sokszor több rendszeren átível, és a kontextust a teljes alkalmazáskészlethez kell kötni. A cég partneri együttműködést emelt ki az Nvidia‑val: a Skan rendszerei Nvidia AI Enterprise és NIM microservices fölött futnak, és nő az érdeklődés a privát appliance‑ok iránt, amelyek a megfigyelést, a kontextusmodellt és az ügynökök végrehajtását teljes egészében az ügyfél saját infrastruktúrájában tartanák.
Misra szerint a munka kontextusának rögzítése lehet a következő alapinfrastruktúra az enterprise AI‑ban, akárcsak a CRM a vevői adatoknál: a harc nem feltétlenül a legokosabb modellért folyik majd, hanem hogy ki tudja a legpontosabban megmondani, hogyan működik a cég valójában.
Záró gondolatok
A Skan befektetési körével és termékbejelentéseivel egyértelműen a munkavégzés megfigyelésére és az ebből létrehozott kontextusmodellekre teszi fel a jövőbeli értékteremtést. Az üzleti modell és a technológia ígérete komoly potenciált mutat a hatékonyság és megfelelés javítására, ugyanakkor az adatvédelmi és munkavállalói jogi határok kezelése ugyanúgy kulcskérdés marad a széles körű elfogadáshoz.
