Sette anni fa, quando le agenzie di venture capital consideravano gli agenti AI poco più di una curiosità, due fondatori si sono chiesti perché le grandi aziende impieghino consulenti esterni per capire come funziona realmente il loro stesso lavoro. Oggi quella domanda vale 63 milioni di dollari: è quanto ha appena raccolto Skan AI in un round di Serie C, con la convinzione che il vero ostacolo al successo del workflow AI aziendale non sia la qualità dei modelli linguistici, ma la loro totale ignoranza di come i dipendenti svolgono davvero i propri compiti.
Summary
Punti chiave
- Skan AI ha raccolto 63 milioni di dollari in Serie C, co-guidata da Cathay Innovation e Dell Technologies Capital, portando il finanziamento totale a circa 120 milioni di dollari.
- L’azienda lancia due nuovi prodotti, Skan AI Blueprint e Skan AI Agents, che si aggiungono alla piattaforma esistente Skan AI Intelligence.
- Solo l’8% delle aziende ha agenti AI in produzione e il 95% delle prime implementazioni richiederà una riprogettazione completa, secondo dati Gartner citati dalla società.
- Skan dichiara oltre 500 milioni di dollari di valore cumulativo identificato per i clienti, tra cui sette delle dieci maggiori banche statunitensi, Unum e Mitie.
- La tecnologia gira su Nvidia AI Enterprise e microservizi NIM, nell’ambito di una partnership strategica con Nvidia.
Skan AI ottiene 63 milioni di dollari per rafforzare il workflow AI aziendale
Il round di Serie C, annunciato mercoledì, porta il capitale raccolto complessivamente da Skan a circa 120 milioni di dollari in sette anni di attività. Al finanziamento hanno partecipato anche Citi Ventures, Bloomberg Beta, State Farm Ventures e Wipro Ventures, un elenco di investitori che riflette l’interesse crescente del settore bancario e assicurativo per soluzioni capaci di rendere finalmente operativa l’intelligenza artificiale nei processi interni.
Chi ha investito e a quanto sale il finanziamento totale
Cathay Innovation e Dell Technologies Capital hanno co-guidato l’operazione. Il partner di Cathay Innovation, Simon Wu, ha definito Skan “una delle aziende piattaforma destinate a definire il prossimo decennio”, un giudizio che segnala quanto gli investitori vedano nella comprensione del lavoro reale un livello infrastrutturale paragonabile a quello che il CRM ha rappresentato per la gestione dei clienti.
Contestualmente al round, Skan ha annunciato la disponibilità generale di due nuovi prodotti, Skan AI Blueprint e Skan AI Agents, che insieme all’offerta già esistente Skan AI Intelligence completano una piattaforma pensata per scoprire, modellare e automatizzare i processi aziendali end-to-end.
Presentazione della nuova suite di prodotti
L’annuncio arriva in un momento di forte frustrazione per l’automatizzazione dei processi AI nelle grandi organizzazioni. Le aziende hanno investito miliardi in progetti pilota di AI generativa con risultati spesso deludenti: secondo ricerche Gartner citate dalla società, solo l’8% delle aziende ha agenti AI effettivamente in produzione, mentre il 95% delle prime implementazioni richiederà una riprogettazione completa. Cifre che ricordano un report del MIT dello scorso anno, ripreso da Fortune, secondo cui circa il 95% dei progetti pilota di AI generativa in ambito enterprise non produceva ritorni misurabili.
L’osservazione a livello schermo per capire come lavorano davvero i dipendenti
Avinash Misra, co-fondatore e CEO di Skan, ritiene che il settore abbia diagnosticato male il problema. I modelli, secondo lui, funzionano bene: quello che manca è un quadro accurato delle aziende in cui vengono inseriti. “Tutti sono ossessionati dal costruire un guidatore migliore”, ha detto Misra a VentureBeat in un’intervista in esclusiva. “Noi pensiamo che l’opportunità più grande sia costruire un sistema di navigazione migliore.”
Perché i progetti di AI aziendale falliscono così spesso
Il metodo standard per ancorare gli agenti AI ai processi reali — alimentarli con documentazione, procedure operative standard e log di sistema — si basa su una finzione, sostiene Misra. Il modo in cui il lavoro viene documentato e il modo in cui il lavoro accade realmente all’interno di una grande azienda sono due cose diverse, e proprio in quel divario gli agenti falliscono.
Skan risponde andando direttamente alla fonte. La tecnologia dell’azienda osserva i workflow dei dipendenti attraverso strumenti installati sui desktop aziendali, che seguono continuamente il movimento del lavoro tra applicazioni — il foglio Excel, il CRM, il client email, il mainframe di quarant’anni — trasformando queste osservazioni in un modello vivente del processo aziendale sottostante. “Se io condividessi il mio schermo e tu osservassi il mio passaggio da Excel a CRM a client email, in un paio di iterazioni costruiresti un modello di cosa faccio”, ha spiegato Misra. “Solo che non potresti farlo su scala, non potresti farlo 24 ore su 24 per 1.500 persone come me. Ora sostituisci te stesso con la nostra tecnologia.”
L’estrazione delle intenzioni che differenzia Skan dai concorrenti
Questa impostazione spiega anche come Skan si posizioni rispetto ai fornitori di process mining come Celonis, che ricostruiscono i workflow a partire dalle tracce di dati lasciate nei sistemi backend. I log di sistema, argomenta Misra, catturano solo transazioni già completate, non il lavoro umano che le ha prodotte. “L’80% di quello che interessa, dal punto di vista dell’AI, nell’esecuzione del lavoro, si trova proprio tra quei sistemi”, ha detto.
Ma osservare, insiste Misra, non è mai stata la parte difficile — un’affermazione rivolta agli operatori storici tentati di replicare l’approccio. “Il problema difficile non è l’osservazione dello schermo. Il problema difficile è l’abstraction di ciò che vedi sullo schermo — l’estrazione dell’intento.” Un essere umano che osserva lo schermo di un collega capisce all’istante se un ritorno al primo passaggio significa un nuovo caso o la rilavorazione di uno vecchio, perché comprende la firma del lavoro. Insegnare a un modello a fare lo stesso giudizio, in modo stateful e su scala aziendale, è dove Skan ritiene di avere sette anni di vantaggio.
Privacy e sorveglianza: il confine sottile del monitoraggio dei dipendenti
Un approccio basato sull’osservazione continua degli schermi dei dipendenti solleva un’obiezione ovvia, e non ipotetica. A giugno, Reuters ha riportato che Meta ha ridimensionato uno strumento interno che tracciava i clic del mouse dei dipendenti dopo le proteste dei lavoratori, segno che anche le aziende più orientate all’AI restano caute sul confine tra telemetria operativa e sorveglianza.
Come Skan aggrega i dati e protegge la sovranità aziendale
Misra racconta di aver affrontato l’obiezione ben prima di scrivere la prima riga di codice. Quando presentò l’idea a Delphine Icart, allora chief transformation officer di AXA Mexico, la reazione fu diretta: “Le sue prime parole furono: ‘Sembra una grande idea, ma sei già morto sul nascere. Stai osservando cose che non dovresti osservare — la privacy dei miei operatori e la sovranità dei dati su quegli schermi.'” Quella conversazione, dice, ha modellato l’architettura del sistema.
Skan aggrega i dati anziché individuare i singoli lavoratori: il sistema fa emergere pattern statistici su centinaia di dipendenti che svolgono lo stesso processo, non il comportamento di uno solo di loro. “Non ci interessa cosa fa John alle 10 ore e 43 secondi. Ci interessa cosa fanno centinaia di John messi insieme”, ha spiegato Misra. Le organizzazioni controllano cosa la tecnologia può osservare tramite un modello di scoping opt-in, limitato ad applicazioni e URL specifici, e i dati prodotti non lasciano mai il firewall aziendale. Un’architettura a tre livelli invia al cloud solo metadati anonimizzati. Misra cita implementazioni approvate dai consigli dei lavoratori europei, tra gli organismi sindacali più attenti alla privacy al mondo, come prova che il modello resiste al controllo — un elemento che, spiega, ha permesso a Skan di superare le revisioni di sicurezza in istituzioni dove la maggior parte degli strumenti AI non riesce a operare.
Clienti, risultati misurati e la partnership con Nvidia
Skan dichiara oltre 500 milioni di dollari di valore cumulativo identificato per i clienti, una cifra che merita di essere precisata: non rappresenta risparmi già incassati, ma opportunità quantificate lungo un percorso di recupero attraverso interventi come la riprogettazione dei processi e, sempre più spesso, gli agenti AI.
Cosa dicono i numeri sui risparmi ottenuti dai clienti
I dati più concreti arrivano dalle singole implementazioni. In una grande banca statunitense, Skan ha osservato 11,2 milioni di cambi di contesto tra 1.500 professionisti finanziari, individuando 37 milioni di dollari di attrito operativo. Trasformare quelle osservazioni in contesto eseguibile dagli agenti ha tagliato il costo per transazione del 32%, aumentato il throughput del 41% e generato 18 milioni di dollari di risparmi annualizzati. In un’operazione antiriciclaggio presso un’altra banca, il 60% dei casi viene ora gestito da agenti AI, con un’accuratezza che, secondo Misra, supera più volte quella umana. Tra le compagnie assicurative, Skan riporta tipicamente un incremento di produttività di circa il 25% nei processi di gestione dei sinistri.
Tra i clienti citabili pubblicamente figurano Unum, il fornitore di benefit per dipendenti da 13,8 miliardi di dollari, e Mitie, la società britannica di facilities management, il cui chief technology and digital officer Cijo Joseph ha affermato che la tecnologia di Skan “offre una visibilità operativa senza precedenti che ha accelerato drasticamente la nostra trasformazione AI”. L’azienda non ha condiviso i dati di fatturato, ma ha dichiarato una crescita superiore al 300% anno su anno per il secondo anno consecutivo, con una net dollar retention intorno al 150%, e conta oggi sette delle dieci maggiori banche statunitensi e un quarto delle aziende del Fortune 50 tra i propri clienti.
La piattaforma gira su Nvidia AI Enterprise e sui microservizi NIM, nell’ambito di una partnership strategica con Nvidia che riflette una domanda crescente di appliance private capaci di osservare il lavoro, mantenere il modello di contesto ed eseguire gli agenti interamente dentro l’infrastruttura del cliente. È una scelta che si allinea a una tendenza più ampia del mercato: gli investitori venture intervistati da TechCrunch a fine anno scorso prevedevano che le aziende avrebbero speso più in AI nel 2026, ma attraverso meno fornitori — una consolidazione che favorisce la decisione di Skan di offrire scoperta, intelligenza e agenti come un unico ciclo chiuso.
Il posizionamento di Skan rispetto ai giganti di piattaforma come ServiceNow, Salesforce e Microsoft si basa su un argomento di scope: questi fornitori spediscono agenti capaci, ma la loro visione si ferma ai confini del proprio sistema. “Il contesto a disposizione di quegli agenti è limitato a ServiceNow, limitato a Salesforce, mentre il lavoro attraversa i processi in modo trasversale”, ha detto Misra. La tesi più ampia, quella che sembra convincere la base di clienti regolamentati di Skan, riguarda la differenziazione competitiva in un mondo dove ogni azienda ha accesso agli stessi modelli frontiera: se tutti dispongono della stessa tecnologia, il vantaggio competitivo si sposta su chi possiede il contesto operativo protetto, non condiviso con i produttori di modelli.
FAQ
Qual è la principale innovazione tecnologica di Skan AI?
Skan AI utilizza una tecnologia di osservazione a livello schermo per monitorare come i dipendenti lavorano tra le diverse applicazioni, costruendo un grafo di contesto dei workflow reali all’interno dell’azienda.
Come affronta Skan AI le preoccupazioni sulla privacy legate al monitoraggio dei dipendenti?
Skan aggrega i dati in forma anonimizzata, opera interamente all’interno del firewall aziendale e limita l’osservazione ad applicazioni e URL specifici scelti dall’organizzazione; i dati prodotti non lasciano mai l’infrastruttura del cliente.
Chi sono alcuni dei clienti più rilevanti di Skan AI?
Tra i clienti figurano sette delle dieci maggiori banche statunitensi, il fornitore di benefit per dipendenti Unum e la società britannica di facilities management Mitie.
Quali risultati ha ottenuto Skan AI nelle sue implementazioni?
Le implementazioni riportate mostrano una riduzione dei costi del 32%, un aumento del throughput del 41%, risparmi annualizzati per 18 milioni di dollari e incrementi di produttività fino al 25% o più tra le compagnie assicurative.
Contenuto realizzato con l’assistenza dell’intelligenza artificiale e con revisione editoriale umana.
