Skan AI привлекла $63 млн на графы реальных корпоративных процессов

Раунд совместно возглавили Cathay Innovation и Dell Technologies Capital, а среди участников оказались Citi Ventures, Bloomberg Beta, State Farm Ventures и Wipro Ventures. За семь лет Skan привлекла в общей сложности около $120 млн. Новые Skan AI Blueprint и Skan AI Agents дополняют существующий продукт AI Intelligence, формируя цепочку от обнаружения и моделирования рабочего процесса до его частичной автоматизации.

Skan исходит из того, что регламенты, инструкции и системные журналы дают агенту неполную картину бизнеса. Официальная схема не отражает исключения, неформальные согласования, ручные переносы данных и привычки, сформировавшиеся вокруг старых систем. Логи, в свою очередь, хорошо фиксируют завершённые транзакции, но могут пропускать работу между ними: чтение письма, сверку с таблицей, принятие решения и переключение между CRM и мейнфреймом.

Чтобы восстановить этот слой, технология Skan разворачивается на компьютерах сотрудников и наблюдает за перемещением работы между приложениями — от электронных таблиц и почты до CRM и систем сорокалетней давности. Затем отдельные наблюдения абстрагируются в постоянно обновляемую модель процесса, которую компания называет context graph of work. Такой граф должен показать не только стандартный маршрут операции, но также реальные развилки, передачи между людьми и повторяющиеся исключения.

Blueprint предназначен для описания найденных процессов, а AI Agents — для исполнения действий на основе этой модели; вместе с аналитическим слоем они должны дать агентам подобие навигационной системы внутри организации. Это отличает подход от попытки компенсировать нехватку контекста более мощной базовой моделью. По оценке CEO Авинаша Мисры, проблема многих корпоративных внедрений находится не в интеллекте модели, а в неверном представлении о том, как на самом деле устроена работа.

Ставка появляется на фоне слабой конверсии пилотов в промышленную эксплуатацию. Приведённые Skan данные Gartner говорят, что агенты работают в production только у 8% предприятий, а 95% ранних реализаций потребуют полной переработки; отдельный отчёт MIT ранее оценивал долю корпоративных generative AI-пилотов без измеримой отдачи примерно в 95%. Эти цифры описывают проблему, но ещё не доказывают, что именно наблюдение за рабочими столами устранит её или что результаты одинаково применимы к разным организациям.

Постоянное экранное наблюдение одновременно создаёт серьёзные требования к приватности и управлению. При внедрении придётся определить, какие окна и поля разрешено фиксировать, как удаляются персональные и клиентские данные, где хранятся события, кто видит граф и может ли он использоваться для оценки отдельных работников. Без таких ограничений ценный контекстный слой легко превращается в систему слежения, а ошибки в восстановленном процессе могут быть унаследованы автоматизирующими его агентами.