Skan AI de Avinash Misra recauda $63 millones para mapear el trabajo de agentes empresariales

Why it matters

Skan AI is competing to become the operational memory behind enterprise agents, a valuable position if observed work can be converted into reliable automation without becoming employee surveillance.

Avinash Misra and Manish Garg han recaudado $63 millones para Skan AI, respaldando una apuesta que iniciaron en 2018: los agentes empresariales necesitan aprender cómo trabajan realmente los empleados antes de poder reemplazarlos o asistirlos de forma confiable.

La Serie C, informó VentureBeat el 12 de agosto, fue co-liderada por Cathay Innovation y Dell Technologies Capital. También participaron Citi Ventures, Bloomberg Beta, State Farm Ventures y Wipro Ventures. VentureBeat reportó que la financiación eleva el capital total recaudado por Skan AI a aproximadamente $120 millones. La valoración de la empresa y otros términos del acuerdo no fueron divulgados.

Entre los respaldadores divulgados anteriormente se encuentran Zetta Venture Partners, Firebolt Ventures, Plug and Play, GSR Ventures y Liberty Global Ventures, según los materiales de la Serie A y la Serie B de Skan AI.

Misra y Garg han trabajado juntos desde sus años de estudiante. Crecieron juntos en Kanpur, India, asistieron al Indian Institute of Technology Kanpur y anteriormente cofundaron Endeavour Software Technologies, un proveedor de movilidad empresarial. Genpact acordó adquirir Endeavour en septiembre de 2015; el precio de la adquisición no fue divulgado.

Su segunda empresa surgió de lo que vieron durante proyectos de transformación empresarial: la documentación de procesos describía el procedimiento aprobado, mientras que los empleados realizaban el trabajo real mediante hojas de cálculo, correos electrónicos, aplicaciones heredadas, juicios y soluciones improvisadas. La compañía dice que fue fundada en 2018 después de que Misra y Garg vieran una brecha entre los procedimientos documentados y la manera en que los empleados realmente llevaban a cabo el trabajo empresarial.

"¿Por qué es tan difícil para una organización, y especialmente para una gran empresa, entender cómo se realiza realmente su propio trabajo?" dijo Misra a VentureBeat. "¿Por qué necesita traer consultores de McKinsey para eso?"

Transformar la observación en instrucciones para agentes

Skan AI instala una capa de observación en los escritorios de los empleados y sigue el trabajo a medida que se mueve entre aplicaciones aprobadas. En su descripción de Skan AI Intelligence, la compañía dice que el software captura clics, cambios entre aplicaciones y transferencias, mapea soluciones alternativas y rutas de excepción, y puede observar actividad a través de sistemas heredados, mainframes, Citrix y entornos de escritorio virtual, software de escritorio y aplicaciones web. En una explicación separada de la compañía sobre su tecnología a nivel de pantalla, Skan dice que sus agentes de estaciones de trabajo no dependen de APIs ni de registros del sistema.

Skan AI luego abstrae esas observaciones en lo que llama un "Grafo de Contexto del Trabajo". La afirmación técnica central se refiere a la extracción de intención: reconocer si un trabajador ha iniciado un caso nuevo, corrigió uno antiguo, escaló una excepción o siguió un atajo no documentado. Traducir correctamente una secuencia de interacciones en un proceso de negocio con estado es el problema más difícil.

"El problema difícil no es la observación de pantalla", dijo Misra a VentureBeat. "El problema difícil es la abstracción de lo que ves en la pantalla: la extracción de intención."

La nueva financiación llega con la disponibilidad general de dos productos. Skan AI Blueprint ofrece a los ejecutivos un mapa de proyectos potenciales de IA, incluidas puntuaciones de preparación, impacto financiero estimado y seguimiento del ROI. En su descripción de Skan AI Agents, la compañía dice que el producto utiliza modelos de procesos observados, que denomina Procedimientos Operativos del Agente, para ejecutar flujos de trabajo empresariales. Skan AI Intelligence, la capa de análisis existente, mapea variantes de proceso, cuellos de botella y candidatos a automatización.

En conjunto, los productos empujan a Skan AI desde el descubrimiento de procesos hacia los presupuestos mayores que se están formando alrededor del despliegue de agentes. Blueprint ayuda a decidir hacia dónde debe ir el gasto en automatización. Intelligence modela el trabajo, y Agents lo ejecuta. Skan puede vender las capas de planificación, datos y ejecución como un solo sistema en lugar de permanecer como un producto de análisis que alimenta a otro proveedor de automatización.

El momento refleja los débiles retornos de muchos proyectos corporativos de IA. VentureBeat informó que una investigación de Gartner citada por Skan encontró que solo el 8% de las empresas tenían agentes de IA en producción y proyectó que el 95% de las primeras implementaciones requerirían un rediseño completo. El argumento de Skan es que los agentes fallan cuando reciben procedimientos oficiales y registros backend sin las decisiones no documentadas que moldean la ejecución diaria.

Esa expansión aumenta el costo de un modelo inexacto. Un mapa de procesos defectuoso produce un tablero débil. Un agente que use ese mapa puede tomar la decisión equivocada, manejar mal una excepción o actuar dentro de un flujo de trabajo regulado sin la evidencia requerida.

Tracción reportada por la compañía

Skan AI afirma haber observado más de 500 procesos y haber entregado más de $500 millones en valor. Esas cifras son reportadas por la compañía y no han sido auditadas, y Skan no ha explicado públicamente lo suficiente de su metodología como para evaluar de forma independiente el cálculo del valor.

Un anuncio de financiación de la compañía de marzo de 2022 dijo que más de 20 grandes empresas de servicios financieros, salud y seguros usaron su tecnología. Eso fue una divulgación histórica más que un recuento actual de clientes.

En un estudio de caso de febrero de 2024 sobre una firma de asesoría financiera Fortune 500, Skan dijo que el despliegue se amplió de una prueba de concepto de 25 a 30 usuarios a aproximadamente 200 usuarios e identificó al menos 20 oportunidades de experiencia del empleado y reducción de costos. Skan no nombró al cliente, y los resultados siguen siendo reportados por la compañía.

Una carrera concurrida para proporcionar contexto empresarial

En el relato de VentureBeat, Misra trazó una distinción entre los registros backend y el trabajo que los precede. Los registros del sistema muestran transacciones completadas, argumentó, mientras que los empleados revisan documentos, se mueven entre aplicaciones, consultan a colegas y aplican conocimiento institucional antes de registrar esas transacciones. La observación a nivel de pantalla de Skan está diseñada para reconstruir ese intervalo.

"Todos los datos backend, por definición, son un estado comprometido del trabajo", dijo Misra a VentureBeat. "El trabajo es realmente lo que ocurre entre esos estados comprometidos."

Skan AI no tiene ese mercado en exclusiva. En su página Context Model, Celonis describe el producto como un gemelo digital dinámico y en tiempo real de las operaciones que suministra contexto operacional a las personas y a la IA empresarial. UiPath dice que su oferta Process Intelligence proporciona datos de procesos para flujos de trabajo que involucran orquestación, robots de software, agentes de IA y empleados. Mimica dice que registra acciones en el escritorio e identifica oportunidades de mejora de procesos y automatización. Soroco dice que su software Scout captura interacciones digitales y revela variaciones de flujo de trabajo y oportunidades de automatización. Gartner Peer Insights lista a Celonis, UiPath, SAP Signavio e IBM Process Mining entre las alternativas consideradas por los usuarios de Skan.

La posición de Skan AI depende de la calidad de su abstracción, los datos de procesos acumulados desde su fundación en 2018 y su capacidad para desplegarse dentro de empresas con sensibilidad en seguridad. Skan sostiene que su cobertura declarada de mainframes, escritorios virtuales y software heredado puede abordar procesos para los que los registros de back-end están incompletos, aunque rivales de observación de escritorio pueden perseguir la misma brecha. Los 63 millones de dólares le dan a Misra y a Garg tiempo adicional para convertir esa afirmación técnica en despliegues de producción antes de que las plataformas de automatización más grandes acorten la distancia.

Cathay Innovation y Dell Technologies Capital ya habían respaldado a Skan AI antes. Cathay lideró una Serie A de 14 millones de dólares anunciada en octubre de 2020. En un anuncio de financiamiento de marzo de 2022, Skan dijo que Dell Technologies Capital lideró su Serie B de 40 millones de dólares. Su decisión de co-liderar la Serie C es una apuesta renovada por los fundadores mientras Skan avanza más en el software de ejecución.

La observación plantea una prueba de vigilancia

La premisa de Skan AI plantea una pregunta inevitable en el lugar de trabajo: el software que observa pantallas para entender procesos también puede usarse para monitorear a las personas.

Skan dice que sus controles agregan el comportamiento entre grupos, limitan la observación a aplicaciones y URLs aprobadas, y mantienen los datos resultantes detrás del firewall empresarial. Esas son afirmaciones arquitectónicas reportadas por la empresa, no hallazgos de una auditoría independiente.

La apuesta de Misra es que las empresas aceptarán ese escrutinio porque los datos operativos son valiosos. Los agentes de propósito general llegan con poco conocimiento de cómo un asegurador particular procesa un reclamo o de cómo un banco maneja un caso inusual de cumplimiento. Skan AI quiere controlar la capa que los instruye.

La Serie C financia un cambio de observar el trabajo a actuar sobre él. Misra y Garg pasaron años construyendo el sistema de observación antes de que los agentes empresariales se convirtieran en una prioridad a nivel del directorio. Ahora tienen que demostrar que el conocimiento de procesos recopilado de los empleados puede producir agentes que sean precisos, auditables y en los que confíen las personas cuyas pantallas suministraron los datos subyacentes.