A Skan AI levantou US$ 63 milhões em financiamento Série C, apostando que o maior obstáculo para um fluxo de trabalho de IA corporativa funcional não é um modelo mais inteligente — é a incapacidade de a empresa enxergar como seus próprios funcionários realmente fazem o trabalho acontecer. A rodada, co-liderada pela Cathay Innovation e pela Dell Technologies Capital, chega enquanto as empresas lidam com uma realidade dura: a maioria dos agentes de IA que elas implantaram até agora simplesmente não funcionou.
Citi Ventures, Bloomberg Beta, State Farm Ventures e Wipro Ventures também participaram da rodada, elevando o financiamento total da empresa de sete anos para aproximadamente US$ 120 milhões. Junto com a captação, a Skan AI anunciou a disponibilidade geral de dois novos produtos, Skan AI Blueprint e Skan AI Agents, que se juntam à sua oferta existente Skan AI Intelligence para formar o que a empresa descreve como uma plataforma completa para descobrir, modelar e automatizar fluxos de trabalho corporativos.
Summary
Principais destaques
- A Skan AI garantiu US$ 63 milhões por meio de financiamento Série C liderado em conjunto pela Dell Technologies Capital e pela Cathay Innovation, elevando o financiamento total para aproximadamente US$ 120 milhões.
- A empresa lançou dois novos produtos, Skan AI Blueprint e Skan AI Agents, juntamente com sua plataforma Intelligence existente.
- Dados da Gartner citados pela empresa mostram que apenas 8% das empresas têm agentes de IA em produção, e 95% das primeiras implementações exigem um redesenho.
- A Skan afirma mais de US$ 500 milhões em valor de cliente identificado de forma cumulativa, com clientes incluindo sete dos dez maiores bancos dos EUA, a Unum e a Mitie.
- A plataforma roda em Nvidia AI Enterprise e microserviços NIM e agrega dados anonimizados dentro do firewall corporativo para lidar com preocupações de privacidade.
Uma rodada de financiamento construída em torno de uma taxa de falha que o setor não pode ignorar
A adoção de IA corporativa esbarrou em uma barreira que o dinheiro, sozinho, não conseguiu resolver. Pesquisas da Gartner citadas pela Skan AI descobriram que apenas 8% das empresas atualmente têm agentes de IA rodando em produção, enquanto 95% das primeiras implementações precisarão de um redesenho completo antes de entregar valor. Esses números acompanham um relatório do MIT do ano anterior, conforme reportado pela Fortune, que documentou que aproximadamente 95% dos pilotos de IA generativa corporativa não estavam conseguindo produzir retornos mensuráveis.
Avinash Misra, cofundador e CEO da Skan, argumenta que o setor vem diagnosticando o problema errado. Em uma entrevista ao VentureBeat antes do anúncio, ele disse que os próprios modelos não são o gargalo — a peça que falta é um retrato preciso do negócio no qual eles estão sendo implantados. “Todo mundo está obcecado em construir um motorista melhor”, disse Misra. “Nós achamos que a maior oportunidade é construir um sistema de navegação melhor.”
É por isso que a história importa além de uma rodada de financiamento: se as empresas continuarem fundamentando agentes em documentação oficial de processos que não reflete como o trabalho realmente acontece, o ciclo de redesenho descrito pela Gartner continuará se repetindo, não importa o quão capazes se tornem os modelos subjacentes.
Construindo um fluxo de trabalho de IA corporativa a partir do que os funcionários realmente fazem na tela
A aposta central da Skan é que a lacuna entre o processo documentado e o processo real é exatamente onde os agentes de IA falham. Misra e o cofundador Manish Garg começaram a perseguir essa lacuna sete anos atrás, muito antes de a IA agentiva se tornar uma prioridade de conselho. “Por que é tão difícil para uma organização, e especialmente para uma grande empresa, entender como o seu próprio trabalho realmente é feito?”, perguntou Misra. “Por que ela precisa trazer consultores da McKinsey para isso?”
A resposta da empresa é observar o trabalho diretamente em vez de inferi-lo a partir de documentação ou logs de backend. A Skan implanta tecnologia de observação em desktops de funcionários que rastreia continuamente como o trabalho se move entre aplicativos — planilhas, sistemas de CRM, clientes de e-mail, até mainframes com décadas de uso — e transforma essas observações em um modelo vivo do processo subjacente. Esse modelo se torna o grafo de contexto sobre o qual seus agentes raciocinam.
Misra compara isso a observar a tela de um colega. “Se eu compartilhasse minha tela aqui, e você observasse minha tela indo de uma planilha do Excel, para um sistema de CRM, para um cliente de e-mail, em cerca de duas iterações você construiria um modelo do que eu faço”, disse ele. “Exceto que você não conseguiria fazer isso em escala. Você não conseguiria fazer isso 24 horas por dia, 7 dias por semana, e para 1.500 pessoas como eu. Agora substitua você mesmo pela nossa tecnologia.”
Por que a extração de intenção, e não a observação, é a parte difícil
A Skan posiciona sua abordagem em contraste com fornecedores de mineração de processos como a Celonis, que reconstroem fluxos de trabalho a partir de trilhas de dados de backend. Misra argumenta que esses logs capturam apenas transações concluídas, deixando de fora as etapas humanas confusas que as produziram. “Todos os dados de backend, por definição, são um estado de trabalho consolidado. Trabalho é realmente o que acontece entre esses estados consolidados”, disse ele, estimando que aproximadamente 80% do que importa para a IA acontece nessa lacuna.
Ele faz questão de notar que observar telas nunca foi o problema de engenharia difícil. “O problema difícil é a abstração do que você vê na tela — a extração de intenção”, disse Misra. Ensinar um modelo a diferenciar entre um caso genuinamente novo e retrabalho em um caso antigo — algo que um colega humano entende instantaneamente — é onde ele acredita que a vantagem de vários anos da Skan realmente se encontra.
Ponderando o monitoramento de funcionários em relação à transparência operacional
A observação contínua de tela levanta uma questão óbvia de privacidade, e ela não é hipotética. Em junho, a Reuters informou que a Meta reduziu o uso de uma ferramenta interna que rastreava cliques de mouse de funcionários depois que trabalhadores reagiram — evidência de que mesmo empresas avançadas em IA ainda são cautelosas com a linha entre telemetria e vigilância.
Misra diz que ouviu a objeção antes de escrever uma linha de código. Apresentar o conceito logo no início a Delphine Icart, então diretora de transformação da AXA México, gerou uma resposta direta. “As primeiras palavras da Delphine para mim foram: ‘Isso parece uma ótima ideia, mas você está morto na chegada'”, ele recordou. “‘Você está observando coisas que não deveria observar — a privacidade dos meus operadores e a soberania dos meus dados nessas telas.'”
Essa conversa moldou como o sistema foi construído. A Skan agrega em vez de individualizar, trazendo à tona padrões estatísticos entre centenas de trabalhadores executando o mesmo processo em vez de rastrear qualquer pessoa específica. “Não estamos interessados no que o João está fazendo às 10 horas e 43 segundos”, disse Misra. “Estamos interessados no que centenas de Joões juntos estão fazendo.” As organizações controlam o que o sistema pode ver por meio de escopo de aplicativos e URLs específicos com adesão voluntária, e os dados resultantes nunca saem do firewall corporativo, com apenas metadados anonimizados enviados para a nuvem por meio de uma arquitetura de três camadas. Misra aponta para implantações aprovadas por conselhos de trabalhadores europeus como evidência de que o modelo resiste a um escrutínio sério. Se a agregação resolve totalmente a tensão subjacente permanece uma questão em aberto, e Misra reconheceu que a tecnologia, em alguns casos, levou clientes a reduzir o quadro de funcionários em processos específicos.
O que os US$ 500 milhões em valor de cliente reivindicado realmente representam
A Skan diz que sua tecnologia revelou mais de US$ 500 milhões em valor de cliente identificado de forma cumulativa, embora Misra tenha sido direto ao afirmar que esse número é uma estimativa de oportunidade, e não dinheiro já recebido. “O número vem do acumulado, em todos os nossos clientes, das economias quantificadas que trouxemos para eles — as economias que eles esperavam obter”, disse ele, observando que os clientes buscam essas economias por meio de redesenho de processos, mudanças tecnológicas e, cada vez mais, agentes de IA.
Os números mais concretos vêm de implantações individuais. Em um grande banco dos EUA, a Skan diz que observou 11,2 milhões de trocas de contexto entre 1.500 profissionais de finanças e identificou US$ 37 milhões em fricção operacional. Transformar esse contexto em fluxos de trabalho executáveis por agentes proporcionou uma redução de 32% no custo por transação, um aumento de 41% na vazão e US$ 18 milhões em economias anualizadas. Em uma operação de combate à lavagem de dinheiro em outro banco, disse Misra, “60% dos casos agora estão sendo conduzidos por agentes de IA”, com uma precisão que “supera muitas vezes a precisão dos humanos”. Entre seguradoras, a Skan relata um ganho de produtividade de aproximadamente 25% no processamento de sinistros principais.
Os clientes de referência da Skan agora incluem empresas como a Mitie, uma empresa britânica de gestão de instalações, e a Unum, uma provedora de benefícios a funcionários avaliada em US$ 13,8 bilhões. O diretor de tecnologia e digital da Mitie, Cijo Joseph, disse que a tecnologia “nos dá uma visibilidade operacional sem precedentes que acelerou dramaticamente nossa transformação em IA.” A empresa preferiu não divulgar a receita, mas disse que vem crescendo mais de 300% ano a ano pelo segundo ano consecutivo, juntamente com uma retenção líquida de receita em torno de 150%. Ela agora atende sete dos dez maiores bancos dos EUA e um quarto das empresas da Fortune 50 entre seus clientes.
Nvidia, concorrentes e a disputa para dominar o contexto corporativo
A Skan roda em Nvidia AI Enterprise e microserviços NIM, uma parceria que a empresa está destacando fortemente junto com a notícia do financiamento. Misra descreveu a crescente demanda por appliances privados que possam observar o trabalho, manter o modelo de contexto e executar agentes inteiramente dentro da própria infraestrutura do cliente — uma configuração que agrada a setores regulados como bancos e seguradoras, onde a soberania dos dados é inegociável.
A Skan traça uma linha nítida entre si e categorias adjacentes. Ferramentas de mineração de processos veem apenas o que os logs de backend registram. Plataformas de RPA reproduzem tarefas sem entendê-las. E gigantes de plataforma como ServiceNow, Salesforce e Microsoft fornecem agentes capazes cuja visibilidade termina em seus próprios sistemas. “O contexto ao qual esses agentes têm acesso é limitado ao ServiceNow, limitado ao Salesforce, enquanto o trabalho se estende por processos em toda a organização”, disse Misra.
Seu argumento mais amplo é sobre diferenciação quando toda empresa tiver acesso aos mesmos modelos de fronteira. “Se toda seguradora, todo banco tiver acesso aos mesmos modelos, então os resultados vão, assintoticamente, decair para o resultado do modelo”, disse ele. “Aquela palavra antiga — processo — agora volta como contexto para a IA. Mas esse contexto é protegido por você. Ele não faz parte do modelo.” O sócio da Cathay Innovation, Simon Wu, enquadrou a aposta em termos semelhantes, chamando a Skan de “uma das empresas de plataforma definidoras da próxima década”.
Esse enquadramento sugere onde realmente estão as apostas competitivas. À medida que mais fornecedores perseguem os mesmos modelos subjacentes, o diferencial muda da capacidade bruta de IA para quem controla o mapa proprietário de como um negócio funciona — e é essa camada que a Skan está correndo para consolidar antes que rivais construam grafos de contexto comparáveis por conta própria.
Perguntas frequentes
Qual é a principal inovação tecnológica da Skan AI?
A Skan AI usa tecnologia de observação em nível de tela para ver como os funcionários trabalham entre aplicativos e constrói um grafo de contexto de fluxos de trabalho reais, em vez de depender apenas de documentação de processos ou logs de sistema.
Como a Skan AI lida com preocupações de privacidade no monitoramento de funcionários?
A Skan agrega dados anonimizados, opera dentro de firewalls corporativos e limita a observação a aplicativos e URLs definidos por escopo por meio de um modelo de adesão voluntária, com os dados nunca saindo do firewall.
Quem são alguns dos clientes de destaque da Skan AI?
Os clientes da Skan AI incluem sete dos dez maiores bancos dos EUA, a provedora de benefícios a funcionários Unum e a empresa britânica de gestão de instalações Mitie.
Quais resultados a Skan AI alcançou em implantações?
Implantações reportadas mostraram uma redução de 32% em custos, um aumento de 41% na vazão, US$ 18 milhões em economias anualizadas em um banco e ganhos de produtividade de aproximadamente 25% ou mais entre clientes do setor de seguros.
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”Qual é a principal inovação tecnológica da Skan AI?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”A Skan AI usa tecnologia de observação em nível de tela para ver como os funcionários trabalham entre aplicativos e constrói um grafo de contexto de fluxos de trabalho reais, em vez de depender apenas de documentação de processos ou logs de sistema.”}},{“@type”:”Question”,”name”:”Como a Skan AI lida com preocupações de privacidade no monitoramento de funcionários?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”A Skan agrega dados anonimizados, opera dentro de firewalls corporativos e limita a observação a aplicativos e URLs definidos por escopo por meio de um modelo de adesão voluntária, com os dados nunca saindo do firewall.”}},{“@type”:”Question”,”name”:”Quem são alguns dos clientes de destaque da Skan AI?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Os clientes da Skan AI incluem sete dos dez maiores bancos dos EUA, a provedora de benefícios a funcionários Unum e a empresa britânica de gestão de instalações Mitie.”}},{“@type”:”Question”,”name”:”Quais resultados a Skan AI alcançou em implantações?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Implantações reportadas mostraram uma redução de 32% em custos, um aumento de 41% na vazão, US$ 18 milhões em economias anualizadas em um banco e ganhos de produtividade de aproximadamente 25% ou mais entre clientes do setor de seguros.”}}]}
Artigo produzido com a assistência de inteligência artificial e revisado pela equipe editorial.
