Skan AI привлекает 63 млн долларов на картирование корпоративных рабочих процессов

Skan AI, стартап, который создает так называемый «контекстный граф работы», наблюдая за тем, как сотрудники на самом деле выполняют свои обязанности в корпоративном программном обеспечении, привлек 63 миллиона долларов в рамках раунда финансирования Серии C, соорганизаторами которого выступили Cathay Innovation и Dell Technologies Capital, объявила компания в среду.

Citi Ventures, Bloomberg Beta, State Farm Ventures и Wipro Ventures также приняли участие в этом раунде, в результате чего общий объем финансирования семилетней компании достиг примерно 120 миллионов долларов. Одновременно с привлечением средств Skan объявляет о широкой доступности двух новых продуктов — Skan AI Blueprint и Skan AI Agents, — которые вместе с существующим решением Skan AI Intelligence образуют комплексную платформу для обнаружения, моделирования и, в конечном итоге, автоматизации корпоративных рабочих процессов.

Это объявление появляется в момент глубокого разочарования в сфере корпоративного ИИ. Компании влили миллиарды в пилотные проекты генеративного ИИ, но результаты оказались удручающими: исследование Gartner, на которое ссылается компания, показывает, что только 8% предприятий внедрили ИИ-агенты в производство, а 95% ранних реализаций потребуют полного перепроектирования. Эти цифры перекликаются с прошлогодним отчетом MIT, о котором сообщал журнал Fortune, согласно которому примерно 95% пилотных проектов корпоративного генеративного ИИ не принесли измеримой отдачи.

Авинаш Мисра, соучредитель и генеральный директор Skan, считает, что в отрасли неверно диагностировали проблему. С самими моделями все в порядке, утверждает он. Чего им не хватает, так это точной картины бизнеса, в который они внедряются.

«Все одержимы созданием лучшего водителя, — заявил Мисра в эксклюзивном интервью VentureBeat в преддверии анонса. — Мы считаем, что более масштабная возможность заключается в создании лучшей навигационной системы».

Почему корпоративные ИИ-агенты продолжают терпеть неудачу, опираясь на официальную документацию процессов

Стандартный подход к обучению ИИ-агентов — предоставление им документации по процессам, стандартных операционных процедур и системных журналов — основан на вымысле, утверждает Мисра. Способ документирования работы и то, как она реально происходит внутри крупного предприятия, — это две разные вещи, и разрыв между ними является именно тем местом, где агенты терпят неудачу.

Именно этот разрыв заставил Мисру и соучредителя Маниша Гарга встать на этот путь семь лет назад, задолго до того, как агенты стали манией советов директоров. «Почему организации, и особенно крупному предприятию, так сложно понять, как на самом деле выполняется их собственная работа? — задался вопросом Мисра. — Зачем для этого приглашать консультантов из McKinsey?»

Этот вопрос стал еще более актуальным по мере того, как предприятия спешат внедрить ИИ в работу. Передовые модели появляются на пороге компании блестящими, но слепыми, не имея ни малейшего представления об исключениях, решениях, передачах полномочий и институциональных привычках, которые определяют реальную работу отдела претензий или команды по комплаенсу. Каждая компания, которая сейчас пичкает агентов документацией и журналами, утверждает Skan, обнаруживает одну и ту же неприятную правду: исходные данные никогда не отражали полную картину. А проблему с исходными данными невозможно исправить на последующих этапах.

Ответ Skan заключается в том, чтобы обратиться к самому источнику. Компания развертывает на рабочих столах сотрудников технологию наблюдения, которая непрерывно отслеживает перемещение работы между приложениями — таблицей, CRM, почтовым клиентом, 40-летним мейнфреймом — и абстрагирует эти наблюдения в живую модель лежащего в основе бизнес-процесса.

«Подумайте об этом так: если бы я поделился здесь своим экраном, а вы наблюдали за тем, как я переключаюсь между таблицей Excel, CRM-системой и почтовым клиентом, примерно за два повторения вы бы построили модель моих действий, — сказал Мисра. — Только вы не смогли бы сделать это в масштабе. Вы не смогли бы делать это круглосуточно и для 1500 таких людей, как я. Теперь замените себя нашей технологией».

Как наблюдение на уровне экрана фиксирует работу, которая никогда не попадает в системные журналы

Этот подход также объясняет позиционирование Skan по отношению к поставщикам средств интеллектуального анализа процессов (process mining), таким как Celonis, которые реконструируют рабочие процессы по следам данных, оставляемым в бэкенд-системах. Системные журналы, утверждает Мисра, фиксируют только завершенные транзакции, а не ту сложную человеческую работу, которая их породила.

«Все бэкенд-данные по определению представляют собой зафиксированное состояние работы. Работа же на самом деле происходит между этими зафиксированными состояниями, — сказал он. — Восемьдесят процентов того, что вас интересует с точки зрения ИИ при выполнении работы, на самом деле лежит между этими системами».

По мнению Skan, экран — это единственное место, где все сходится воедино. «Он объединяет человеческий фактор, всю экосистему приложений и данные, которые имеют значение», — сказал Мисра. Два десятилетия проектирования пользовательских интерфейсов незаметно похоронили огромное количество знаний о процессах в пространстве между глазами сотрудника и его монитором; цель Skan — вернуть этот скрытый слой на поверхность.

Но наблюдение, настаивает он, никогда не было сложной задачей — этот аргумент направлен прямо против конкурентов, которые могут попытаться скопировать этот подход. «Сложная проблема — это не наблюдение за экраном, — сказал Мисра. — Сложная проблема — это абстрагирование того, что вы видите на экране, то есть извлечение намерений».

Человек, наблюдающий за экраном коллеги, может мгновенно определить, означает ли возврат к первому шагу новый кейс или доработку старого, потому что люди понимают специфику работы. Научить модель принимать такое же суждение, с учетом контекста и в масштабе предприятия, — именно в этом, как считает Skan, заключается их семилетняя фора.

Результатом является контекстная модель, которую ИИ может осмыслить и на основе которой может действовать — сырье для агентов, которые теперь занимают верхнюю часть продуктовой линейки компании, и фундамент для всего остального, что делает платформа.

Балансирование между операционной телеметрией и слежкой за рабочим местом

Подход, построенный на непрерывном наблюдении за экранами сотрудников, вызывает вполне очевидное возражение, и оно не является гипотетическим. В июне агентство Reuters сообщило, что компания Meta сократила использование внутреннего инструмента, отслеживающего щелчки мыши сотрудниками, после того как работники выразили обеспокоенность. Это знак того, что даже компании, ориентированные на ИИ, опасаются стирания грань между операционной телеметрией и слежкой.

Мисра говорит, что слышал это возражение еще до того, как написал строчку кода. Когда он впервые представил эту концепцию Дельфине Икар (Delphine Icart), в то время директору по трансформации в AXA Mexico, ее реакция была резкой. «Первыми словами Дельфине были: «Это звучит как отличная идея, но вы обречены с самого начала», — вспоминает Мисра. — «Вы наблюдаете за тем, за чем наблюдаем не должны — за конфиденциальностью моих операторов и суверенитетом моих данных на этих экранах»».

По его словам, этот разговор сформировал архитектуру. Skan агрегирует данные, а не индивидуализирует их: система выявляет статистические закономерности среди сотен работников, выполняющих один и тот же процесс, а не поведение кого-то конкретного. «Нас не интересует, что Джон делает в 10 часов 43 секунды, — сказал Мисра. — Нас интересует то, что делают сотни Джонов вместе взятые — какие статистические и семантические решения они принимают в этом бизнес-процессе?»

Организации контролируют то, что технология может видеть, с помощью модели целевого назначения с возможностью предварительного согласия (определенные приложения и URL-адреса, и ничего больше), а данные, производимые Skan, никогда не покидают корпоративный брандмауэр. Трехуровневая архитектура отправляет в облако только анонимизированные метаданные. Мисра указывает на внедрения, одобренные европейскими производственными советами (одними из самых защищающих конфиденциальность трудовых органов в мире), как на доказательство того, что модель выдерживает строгую проверку, и благодарит ее за прохождение проверки безопасности в учреждениях, где большинство инструментов ИИ работать не могут.

Будет ли агрегация полностью снимать эту озабоченность, вероятно, останется предметом споров. Та же телеметрия, которая выявляет сломанный процесс, в принципе может выявить и неэффективно работающую команду, и Мисра признал, что эта технология привела к тому, что некоторые клиенты сократили штат в определенных процессах.

Что на самом деле измеряют 500 миллионов долларов заявленной ценности для клиентов

Skan заявляет о более чем 500 миллионах долларов совокупной ценности для клиентов на сегодняшний день — цифра, которую стоит разобрать. На вопрос о том, представляет ли это реализованную экономию или прогнозы, Мисра ответил прямо: это потенциал, а не баланс на банковском счете.

«Эта цифра складывается из совокупности по всем нашим клиентам количественно оцененной экономии, которую мы им принесли, — той экономии, которую они ожидали получить, — сказал он. — Теперь они находятся на пути к возврату этих средств с помощью различных вмешательств», включая редизайн процессов, технологические изменения и, все чаще, ИИ-агентов. Другими словами, 500 миллионов долларов — это выявленная возможность, некоторая часть которой уже реализована.

Более веские доказательства поступают от отдельных внедрений. По данным компании, в одном из ведущих банков США Skan зафиксировал 11,2 миллиона переключений контекста среди 1,500 финансовых специалистов и выявил операционные издержки на сумму 37 миллионов долларов. Превращение этих наблюдений в исполняемый агентами контекст снизило стоимость транзакции на 32%, повысило пропускную способность на 41% и обеспечило 18 миллионов долларов годовой экономии.

Мисра указал на операцию по борьбе с отмыванием денег в одном из банков, где «60% кейсов теперь выполняются ИИ-агентами», добавив, что результаты удивили даже его: «Точность этих агентов во много раз превосходит точность людей. Это не просто аргумент в пользу эффективности; это также стало аргументом в пользу качества». По его словам, среди страховщиков Skan обычно обеспечивает примерно 25% прироста производительности в основных процессах урегулирования убытков; один из клиентов удвоил объем обрабатываемых дел за последний год, не добавив ни одного специалиста по убыткам.

Среди публично упоминаемых клиентов Skan — Unum, провайдер льгот сотрудникам с оборотом 13,8 млрд долларов, и Mitie, британская компания по управлению инфраструктурой, чей директор по технологиям и цифровым технологиям Сиджо Джозеф (Cijo Joseph) заявил, что технология Skan «дает нам беспрецедентную оперативную видимость, которая значительно ускорила нашу трансформацию в сфере ИИ». Компания отказалась раскрывать выручку, но заявила, что она выросла более чем на 300% год к году (уже второй год подряд), при чистом удержании доллара на уровне около 150%, и теперь насчитывает семь из десяти крупнейших банков США и четверть компаний из списка Fortune 50 в качестве клиентов.

Могут ли модели ИИ научиться хорошей работе у несовершенных сотрудников?

Тезис Skan основан на наблюдении за тем, как работа выполняется на самом деле, что поднимает неприятный вопрос. Реальные сотрудники совершают ошибки, идут на упущения и закрепляют неэффективность. Что происходит, когда контекстный граф точно кодирует плохой процесс?

Ответ Мисры отсылает к самому известному прецеденту в современном ИИ. «Подумайте на минуту о том, что сделал OpenAI, — сказал он. — OpenAI взял всю совокупность текстов мира и загрузил ее в трансформерную архитектуру, после чего возникло семантическое понимание. Модель OpenAI видела плохой язык и видела хороший язык, и тем не менее она способна обладать семантическим пониманием».

Skan, утверждает он, делает аналогичную вещь с работой: рассматривает выполнение бизнес-процессов как язык, где шаги процесса, элементы экрана и передачи задач заменяют слова и предложения. Получив достаточное количество сквозных выполнений, модель изучает все распределение путей — эффективных, медленных, соответствующих требованиям — не предполагая, что какой-то отдельный путь является лучшим. «Самый длинный путь может оказаться лучшим путем, потому что он больше соответствует требованиям», — сказал Мисра. Затем организация ограничивает модель по тем осям, которые ей важны, и модель возвращает путь, который им удовлетворяет.

«Это не запись и воспроизведение — и в этом принципиальное различие между нами и нашими многочисленными конкурентами, такими как UiPath и другие, — сказал он. — Это принципиальное создание модели ИИ, которая понимает работу, а затем ограничение этой модели».

Он привел конкретный пример того, что это дает: в одном крупном банке телеметрия Skan непрерывно сравнивает выполнение кейсов в реальном времени с 600-страничным каталогом средств контроля, а агенты выдают предупреждения, когда кейсы пропускают необходимые этапы комплаенса, превращая документ, который ни один человек не смог бы удержать в голове, в уровень принудительного исполнения в реальном времени. Это тот вид приложений, который, как утверждает Мисра, становится возможным только тогда, когда модель действительно понимает работу, а не просто воспроизводит ее.

Гонка за владение контекстным слоем корпоративного ИИ

Skan находится на пересечении нескольких переполненных категорий, и ее ответ каждому конкуренту представляет собой вариацию на ту же тему: масштаб. Поставщики средств интеллектуального анализа процессов видят только то, что записано в логах. Лидеры RPA воспроизводят задачи, не понимая их. А гиганты платформ — ServiceNow, Salesforce, Microsoft — поставляют способных агентов, чье видение ограничено их собственными стенами.

«Контекст, к которому имеют доступ эти агенты, ограничен ServiceNow, ограничен Salesforce, в то время как работа охватывает процессы по всем направлениям, — сказал Мисра. — Создание клиентской записи — это задача. Получить электронное письмо и решить, нужно ли создавать клиентскую запись или что-то еще — это и есть процесс, и именно за этим мы и охотимся».

Более глубокий стратегический аргумент, который, судя по всему, находит отклик у регулируемой клиентской базы Skan, касается дифференциации в мире, где каждое предприятие имеет доступ к одним и тем же передовым моделям. «Если бы каждая страховая компания, каждый банк имели доступ к одним и тем же моделям, то результаты асимптотически стремились бы к результату самой модели, — сказал Мисра. — Исторически вы конкурировали и дифференцировались в том, как вы организовывали работу. Это старое слово — процесс — теперь возвращается как контекст для ИИ. Но этот контекст защищен вами. Он не является частью модели».

Эта логика объясняет как отношение компании к создателям моделей («чем они успешнее, тем больше у нас власти», — сказал Мисра, отвергая любые амбиции конкурировать с ними), так и партнерство с Nvidia, которому уделено видное место в анонсе. Skan работает на базе Nvidia AI Enterprise и микросервисов NIM, и Мисра рассказал о растущем спросе на частные программно-аппаратные комплексы, которые могут наблюдать за работой, удерживать контекстную модель и выполнять агентов полностью внутри собственной инфраструктуры клиента. Это также соответствует направлению рынка: венчурные инвесторы, опрошенные TechCrunch в конце прошлого года, прогнозировали, что в 2026 году предприятия будут тратить больше на ИИ, но через меньшее количество вендоров — консолидация, которая благоприятствует решению Skan поставлять обнаружение, интеллект и агентов в виде единого замкнутого контура.

Мисра утверждает, что этот контур имеет все большее значение по мере масштабирования автоматизации, поскольку агенты требуют надзора так, как люди никогда в нем не нуждались. «Это своего рода ирония, — сказал он, — что вам, вероятно, понадобится гораздо больше наблюдения и гораздо больше понимания работы в автоматизированном режиме, чем при работе с людьми». Ставка, заложенная в этот раунд, заключается в том, что рабочий контекст станет фундаментальной инфраструктурой для корпоративного ИИ точно так же, как CRM стала системой учета клиентов — сравнение, которое партнер Cathay Innovation Саймон Ву (Simon Wu) сделал прямо, назвав Skan «одной из определяющих платформенных компаний следующего десятилетия».

Мисра сформулировал ставки проще. «Нельзя извлечь контекст, который вы не зафиксировали, — сказал он. — Поле битвы смещается от самой умной модели к пониманию того, как на самом деле работает ваша компания, потому что доступ к самой умной модели будет у всех».

Другими словами, передовые лаборатории могут продолжать свою гонку вооружений за лучшего водителя. Skan только что привлекла 63 миллиона долларов на убеждении, что деньги кроются в карте.