Skan AI ha recaudado 63 millones de dólares en financiación de Serie C, apostando a que el mayor obstáculo para un flujo de trabajo de IA empresarial funcional no es un modelo más inteligente, sino la incapacidad de una empresa para ver cómo sus propios empleados realmente hacen las cosas. La ronda, co-liderada por Cathay Innovation y Dell Technologies Capital, llega mientras las empresas se enfrentan a una realidad contundente: la mayoría de los agentes de IA que han implementado hasta ahora simplemente no han funcionado.
Citi Ventures, Bloomberg Beta, State Farm Ventures y Wipro Ventures también se unieron a la ronda, elevando la financiación total de la empresa de siete años a aproximadamente 120 millones de dólares. Junto con la recaudación, Skan AI anunció la disponibilidad general de dos nuevos productos, Skan AI Blueprint y Skan AI Agents, que se suman a su oferta existente Skan AI Intelligence para formar lo que la empresa describe como una plataforma completa para descubrir, modelar y automatizar flujos de trabajo empresariales.
Summary
Puntos clave
- Skan AI obtuvo 63 millones de dólares mediante financiación de Serie C liderada conjuntamente por Dell Technologies Capital y Cathay Innovation, llevando la financiación total a aproximadamente 120 millones de dólares.
- La empresa lanzó dos nuevos productos, Skan AI Blueprint y Skan AI Agents, junto con su plataforma Intelligence existente.
- Datos de Gartner citados por la empresa muestran que solo el 8% de las empresas tienen agentes de IA en producción, y el 95% de las implementaciones tempranas requieren un rediseño.
- Skan afirma más de 500 millones de dólares en valor de cliente identificado acumulado, con clientes que incluyen siete de los diez bancos más grandes de EE. UU., Unum y Mitie.
- La plataforma se ejecuta sobre Nvidia AI Enterprise y microservicios NIM y agrega datos anonimizados dentro del firewall de la empresa para abordar las preocupaciones de privacidad.
Una ronda de financiación construida en torno a una tasa de fallos que la industria no puede ignorar
La adopción de IA empresarial se ha topado con un muro que el dinero por sí solo no ha podido derribar. La investigación de Gartner citada por Skan AI encontró que solo el 8% de las empresas tienen actualmente agentes de IA en producción, mientras que el 95% de las implementaciones tempranas necesitarán un rediseño completo antes de que aporten valor. Esas cifras coinciden con un informe del MIT del año anterior, según informó Fortune, que documentó que aproximadamente el 95% de los pilotos de IA generativa empresarial no estaban logrando producir retornos medibles.
Avinash Misra, cofundador y CEO de Skan, sostiene que la industria ha estado diagnosticando el problema equivocado. En una entrevista con VentureBeat antes del anuncio, dijo que los modelos en sí no son el cuello de botella: la pieza que falta es una imagen precisa del negocio en el que se están implementando. «Todo el mundo está obsesionado con construir un mejor conductor», dijo Misra. «Creemos que la oportunidad más grande es construir un mejor sistema de navegación».
Por eso esta historia importa más allá de una ronda de financiación: si las empresas siguen basando los agentes en documentación oficial de procesos que no refleja cómo ocurre realmente el trabajo, el ciclo de rediseño que describe Gartner seguirá repitiéndose sin importar cuán capaces se vuelvan los modelos subyacentes.
Construir un flujo de trabajo de IA empresarial a partir de lo que los empleados realmente hacen en pantalla
La apuesta central de Skan es que la brecha entre el proceso documentado y el proceso real es exactamente donde se rompen los agentes de IA. Misra y el cofundador Manish Garg comenzaron a perseguir esa brecha hace siete años, mucho antes de que la IA agéntica se convirtiera en una prioridad de sala de juntas. «¿Por qué es tan difícil para una organización, y especialmente para una gran empresa, entender cómo se realiza realmente su propio trabajo?», preguntó Misra. «¿Por qué necesita traer consultores de McKinsey para eso?»
La respuesta de la empresa es observar el trabajo directamente en lugar de inferirlo a partir de documentación o registros de backend. Skan despliega tecnología de observación en los escritorios de los empleados que rastrea continuamente cómo se mueve el trabajo a través de las aplicaciones — hojas de cálculo, sistemas CRM, clientes de correo electrónico, incluso mainframes de décadas de antigüedad — y convierte esas observaciones en un modelo vivo del proceso subyacente. Ese modelo se convierte en el grafo de contexto sobre el que razonan sus agentes.
Misra lo compara con observar la pantalla de un colega. «Si yo compartiera mi pantalla aquí, y tú observaras mi pantalla pasando de una hoja de Excel, a un sistema CRM, a un cliente de correo electrónico, en unas dos iteraciones construirías un modelo de lo que hago», dijo. «Excepto que no podrías hacer eso a escala. No podrías hacerlo 24/7, y para 1.500 personas como yo. Ahora reemplázate a ti mismo con nuestra tecnología».
Por qué la extracción de intención, y no la observación, es la parte difícil
Skan posiciona su enfoque frente a proveedores de minería de procesos como Celonis, que reconstruyen flujos de trabajo a partir de rastros de datos de backend. Misra sostiene que esos registros solo capturan transacciones terminadas, omitiendo los pasos humanos desordenados que las produjeron. «Todos los datos de backend, por definición, son un estado de trabajo comprometido. El trabajo es realmente lo que ocurre entre esos estados comprometidos», dijo, estimando que aproximadamente el 80% de lo que importa para la IA ocurre en esa brecha.
Se cuida de señalar que observar pantallas nunca fue el problema de ingeniería difícil. «El problema difícil es la abstracción de lo que ves en la pantalla — la extracción de intención», dijo Misra. Enseñar a un modelo a distinguir entre un caso nuevo genuino y retrabajo sobre uno antiguo — algo que un colega humano capta al instante — es donde cree que realmente reside la ventaja de varios años de Skan.
Sopesar la monitorización de empleados frente a la transparencia operativa
La observación continua de pantallas plantea una obvia cuestión de privacidad, y no es hipotética. En junio, Reuters informó que Meta redujo una herramienta interna que rastreaba los clics de ratón de los empleados después de que los trabajadores se opusieran, evidencia de que incluso las empresas más avanzadas en IA siguen recelando de la línea entre telemetría y vigilancia.
Misra dice que escuchó la objeción antes de escribir una línea de código. Presentar el concepto en las primeras etapas a Delphine Icart, entonces directora de transformación en AXA México, provocó una respuesta contundente. «Las primeras palabras de Delphine para mí fueron: ‘Esto suena como una gran idea, pero estás muerto a la llegada'», recordó. «‘Estás observando cosas que no deberías estar observando: la privacidad de mis operadores y la soberanía de mis datos en esas pantallas'».
Esa conversación dio forma a cómo se construyó el sistema. Skan agrega en lugar de individualizar, sacando a la superficie patrones estadísticos entre cientos de trabajadores que realizan el mismo proceso en lugar de rastrear a una sola persona. «No nos interesa lo que John está haciendo a las 10 horas y 43 segundos», dijo Misra. «Nos interesa lo que cientos de Johns hacen en conjunto». Las organizaciones controlan lo que el sistema puede ver mediante la delimitación voluntaria de aplicaciones y URL específicas, y los datos resultantes nunca salen del firewall de la empresa, con solo metadatos anonimizados enviados a la nube a través de una arquitectura de tres niveles. Misra señala implementaciones aprobadas por comités de empresa europeos como evidencia de que el modelo supera un escrutinio serio. Si la agregación resuelve completamente la tensión subyacente sigue siendo una cuestión abierta, y Misra reconoció que la tecnología ha llevado, en algunos casos, a que los clientes reduzcan personal en procesos específicos.
Qué representan realmente los 500 millones de dólares en valor de cliente reclamado
Skan afirma que su tecnología ha sacado a la luz más de 500 millones de dólares en valor de cliente identificado acumulado, aunque Misra fue directo al señalar que esta cifra es una estimación de oportunidad más que efectivo ya ingresado. «La cifra proviene del acumulado, en todos nuestros clientes, de los ahorros cuantificados que les hemos aportado — los ahorros que esperaban obtener», dijo, señalando que los clientes persiguen esos ahorros mediante el rediseño de procesos, cambios tecnológicos y, cada vez más, agentes de IA.
Las cifras más concretas provienen de implementaciones individuales. En uno de los principales bancos de EE. UU., Skan afirma que observó 11,2 millones de cambios de contexto entre 1.500 profesionales de finanzas e identificó 37 millones de dólares en fricción operativa. Convertir ese contexto en flujos de trabajo ejecutables por agentes aportó una reducción del 32% en el coste por transacción, un aumento del 41% en el rendimiento y 18 millones de dólares en ahorros anualizados. En una operación de lucha contra el blanqueo de capitales en otro banco, dijo Misra, «el 60% de los casos ahora están siendo gestionados por agentes de IA», con una precisión que «supera muchas veces la precisión de los humanos». Entre las aseguradoras, Skan reporta aproximadamente un 25% de aumento de productividad en el procesamiento de siniestros centrales.
Los clientes de referencia de Skan ahora incluyen empresas como Mitie, una compañía británica de gestión de instalaciones, y Unum, un proveedor de beneficios para empleados valorado en 13.800 millones de dólares. El director de tecnología y digital de Mitie, Cijo Joseph, dijo que la tecnología «nos brinda una visibilidad operativa sin precedentes que ha acelerado drásticamente nuestra transformación de IA». La empresa declinó revelar ingresos, pero dijo que ha crecido superando el 300% de crecimiento interanual por segundo año consecutivo, junto con una retención neta de dólares de aproximadamente el 150%. Ahora cuenta con siete de los diez bancos más grandes de EE. UU. y una cuarta parte de las empresas del Fortune 50 entre sus clientes.
Nvidia, competidores y la lucha por poseer el contexto empresarial
Skan se ejecuta sobre Nvidia AI Enterprise y microservicios NIM, una asociación que la empresa está destacando de forma prominente junto con las noticias de financiación. Misra describió una creciente demanda de dispositivos privados que puedan observar el trabajo, mantener el modelo de contexto y ejecutar agentes completamente dentro de la propia infraestructura del cliente, una configuración que atrae a industrias reguladas como la banca y los seguros, donde la soberanía de los datos no es negociable.
Skan traza una línea clara entre sí misma y categorías adyacentes. Las herramientas de minería de procesos solo ven lo que registran los logs de backend. Las plataformas de RPA reproducen tareas sin entenderlas. Y los gigantes de plataforma como ServiceNow, Salesforce y Microsoft ofrecen agentes capaces cuya visibilidad se detiene en sus propios sistemas. «El contexto al que estos agentes tienen acceso está limitado a ServiceNow, limitado a Salesforce, mientras que el trabajo abarca procesos en todo el tablero», dijo Misra.
Su argumento más amplio trata sobre la diferenciación una vez que todas las empresas tienen acceso a los mismos modelos de frontera. «Si todas las compañías de seguros, todos los bancos tuvieran acceso a los mismos modelos, entonces los resultados decaerán asintóticamente hasta el resultado del modelo», dijo. «Esa vieja palabra — proceso — ahora vuelve como contexto para la IA. Pero ese contexto está protegido por ti. No forma parte del modelo». El socio de Cathay Innovation, Simon Wu, enmarcó la apuesta en términos similares, calificando a Skan como «una de las empresas de plataforma definitorias de la próxima década».
Ese encuadre insinúa dónde se sitúan realmente las apuestas competitivas. A medida que más proveedores persiguen los mismos modelos subyacentes, el factor diferenciador se desplaza de la capacidad bruta de IA a quién controla el mapa propietario de cómo funciona un negocio, y esa es la capa que Skan se apresura a asegurar antes de que los rivales construyan sus propios grafos de contexto comparables.
Preguntas frecuentes
¿Cuál es la principal innovación tecnológica de Skan AI?
Skan AI utiliza tecnología de observación a nivel de pantalla para ver cómo trabajan los empleados a través de las aplicaciones y construye un grafo de contexto de los flujos de trabajo reales, en lugar de depender únicamente de la documentación de procesos o de los registros de sistemas.
¿Cómo aborda Skan AI las preocupaciones de privacidad relacionadas con la monitorización de empleados?
Skan agrega datos anonimizados, opera dentro de los firewalls empresariales y limita la observación a aplicaciones y URL delimitadas mediante un modelo de participación voluntaria, con datos que nunca salen del firewall.
¿Quiénes son algunos de los clientes destacados de Skan AI?
Los clientes de Skan AI incluyen siete de los diez bancos más grandes de EE. UU., el proveedor de beneficios para empleados Unum y la empresa británica de gestión de instalaciones Mitie.
¿Qué resultados ha logrado Skan AI en sus implementaciones?
Las implementaciones reportadas han mostrado una reducción de costes del 32%, un aumento del 41% en el rendimiento, 18 millones de dólares en ahorros anualizados en un banco y aumentos de productividad de aproximadamente el 25% o más entre los clientes del sector asegurador.
{«@context»:»https://schema.org»,»@type»:»FAQPage»,»mainEntity»:[{«@type»:»Question»,»name»:»¿Cuál es la principal innovación tecnológica de Skan AI?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»Skan AI utiliza tecnología de observación a nivel de pantalla para ver cómo trabajan los empleados a través de las aplicaciones y construye un grafo de contexto de los flujos de trabajo reales, en lugar de depender únicamente de la documentación de procesos o de los registros de sistemas.»}},{«@type»:»Question»,»name»:»¿Cómo aborda Skan AI las preocupaciones de privacidad relacionadas con la monitorización de empleados?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»Skan agrega datos anonimizados, opera dentro de los firewalls empresariales y limita la observación a aplicaciones y URL delimitadas mediante un modelo de participación voluntaria, con datos que nunca salen del firewall.»}},{«@type»:»Question»,»name»:»¿Quiénes son algunos de los clientes destacados de Skan AI?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»Los clientes de Skan AI incluyen siete de los diez bancos más grandes de EE. UU., el proveedor de beneficios para empleados Unum y la empresa británica de gestión de instalaciones Mitie.»}},{«@type»:»Question»,»name»:»¿Qué resultados ha logrado Skan AI en sus implementaciones?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»Las implementaciones reportadas han mostrado una reducción de costes del 32%, un aumento del 41% en el rendimiento, 18 millones de dólares en ahorros anualizados en un banco y aumentos de productividad de aproximadamente el 25% o más entre los clientes del sector asegurador.»}}]}
Artículo producido con la ayuda de inteligencia artificial y revisado por el equipo editorial.
