Skan AI hat 63 Millionen US-Dollar in einer Series-C-Finanzierungsrunde eingesammelt und setzt darauf, dass das größte Hindernis für einen funktionierenden Enterprise-AI-Workflow nicht ein intelligenteres Modell ist – sondern die Unfähigkeit eines Unternehmens zu erkennen, wie seine eigenen Mitarbeitenden die Arbeit tatsächlich erledigen. Die Runde, gemeinsam angeführt von Cathay Innovation und Dell Technologies Capital, kommt zu einem Zeitpunkt, an dem Unternehmen mit einer harten Realität ringen: Die meisten der bisher eingesetzten KI-Agenten haben schlicht nicht funktioniert.
Citi Ventures, Bloomberg Beta, State Farm Ventures und Wipro Ventures beteiligten sich ebenfalls an der Runde und erhöhten die Gesamtfinanzierung des sieben Jahre alten Unternehmens auf rund 120 Millionen US-Dollar. Parallel zur Finanzierungsrunde kündigte Skan AI die allgemeine Verfügbarkeit von zwei neuen Produkten an, Skan AI Blueprint und Skan AI Agents, die das bestehende Angebot Skan AI Intelligence ergänzen und zusammen das bilden, was das Unternehmen als vollständige Plattform zur Entdeckung, Modellierung und Automatisierung von Enterprise-Workflows beschreibt.
Summary
Wichtigste Erkenntnisse
- Skan AI sicherte sich 63 Millionen US-Dollar durch eine Series-C-Finanzierung, die gemeinsam von Dell Technologies Capital und Cathay Innovation angeführt wurde, wodurch sich die Gesamtfinanzierung auf rund 120 Millionen US-Dollar erhöhte.
- Das Unternehmen brachte zwei neue Produkte auf den Markt, Skan AI Blueprint und Skan AI Agents, zusätzlich zur bestehenden Intelligence-Plattform.
- Laut von dem Unternehmen zitierten Gartner-Daten haben nur 8 % der Unternehmen KI-Agenten in der Produktion, und 95 % der frühen Implementierungen erfordern ein Redesign.
- Skan beansprucht mehr als 500 Millionen US-Dollar an kumuliert identifiziertem Kundenwert, mit Kunden darunter sieben der zehn größten US-Banken, Unum und Mitie.
- Die Plattform läuft auf Nvidia AI Enterprise und NIM-Microservices und aggregiert anonymisierte Daten innerhalb der Enterprise-Firewall, um Datenschutzbedenken zu adressieren.
Eine Finanzierungsrunde, die auf einer Ausfallquote basiert, die die Branche nicht ignorieren kann
Die Einführung von Enterprise-KI ist an eine Wand gestoßen, die sich mit Geld allein nicht einreißen lässt. Von Skan AI zitierte Gartner-Forschung ergab, dass derzeit nur 8 % der Unternehmen KI-Agenten in der Produktion laufen haben, während 95 % der frühen Implementierungen ein vollständiges Redesign benötigen, bevor sie Wert liefern. Diese Zahlen decken sich mit einem MIT-Bericht aus dem Vorjahr, über den Fortune berichtete und der dokumentierte, dass etwa 95 % der generativen KI-Pilotprojekte in Unternehmen keine messbaren Erträge erzielten.
Avinash Misra, Mitgründer und CEO von Skan, argumentiert, dass die Branche das falsche Problem diagnostiziert hat. In einem Interview mit VentureBeat im Vorfeld der Ankündigung sagte er, die Modelle selbst seien nicht der Engpass – das fehlende Puzzleteil sei ein genaues Bild des Geschäfts, in das sie eingesetzt werden. „Alle sind besessen davon, einen besseren Fahrer zu bauen“, sagte Misra. „Wir glauben, dass die größere Chance darin liegt, ein besseres Navigationssystem zu bauen.“
Deshalb ist diese Geschichte über eine einzelne Finanzierungsrunde hinaus relevant: Wenn Unternehmen ihre Agenten weiterhin auf offizieller Prozessdokumentation aufsetzen, die nicht widerspiegelt, wie Arbeit tatsächlich abläuft, wird sich der von Gartner beschriebene Redesign-Zyklus immer wiederholen – ganz gleich, wie leistungsfähig die zugrunde liegenden Modelle werden.
Einen Enterprise-AI-Workflow aus dem aufbauen, was Mitarbeitende tatsächlich auf dem Bildschirm tun
Skans zentrale Wette ist, dass genau in der Lücke zwischen dokumentiertem Prozess und realem Prozess KI-Agenten scheitern. Misra und Mitgründer Manish Garg begannen vor sieben Jahren, lange bevor agentische KI zur Vorstandspriorität wurde, dieser Lücke nachzugehen. „Warum ist es für eine Organisation, insbesondere für einen Großkonzern, so schwierig zu verstehen, wie die eigene Arbeit tatsächlich erledigt wird?“, fragte Misra. „Warum muss man dafür McKinsey-Berater einfliegen?“
Die Antwort des Unternehmens besteht darin, die Arbeit direkt zu beobachten, statt sie aus Dokumentation oder Backend-Logs abzuleiten. Skan setzt Beobachtungstechnologie auf den Desktops der Mitarbeitenden ein, die kontinuierlich verfolgt, wie Arbeit über Anwendungen hinweg fließt – Tabellenkalkulationen, CRM-Systeme, E-Mail-Clients, sogar jahrzehntealte Mainframes – und verwandelt diese Beobachtungen in ein lebendiges Modell des zugrunde liegenden Prozesses. Dieses Modell wird zum Kontextgraphen, über den seine Agenten schlussfolgern.
Misra vergleicht es damit, einem Kollegen auf den Bildschirm zu schauen. „Wenn ich hier meinen Bildschirm teilen würde und Sie meinen Bildschirm beobachten würden, wie er von Excel-Tabelle zu CRM-System zu E-Mail-Client wechselt, würden Sie in etwa zwei Iterationen ein Modell dessen aufbauen, was ich tue“, sagte er. „Nur könnten Sie das nicht in großem Maßstab tun. Sie könnten es nicht 24/7 tun und nicht für 1.500 Leute wie mich. Ersetzen Sie sich jetzt durch unsere Technologie.“
Warum Intent-Extraktion, nicht Beobachtung, der schwierige Teil ist
Skan positioniert seinen Ansatz im Gegensatz zu Process-Mining-Anbietern wie Celonis, die Workflows aus Backend-Datenspuren rekonstruieren. Misra argumentiert, dass diese Logs nur abgeschlossene Transaktionen erfassen und die chaotischen menschlichen Schritte ausblenden, die zu ihnen geführt haben. „Alle Backend-Daten sind per Definition ein verfestigter Arbeitszustand. Arbeit ist in Wirklichkeit das, was zwischen diesen verfestigten Zuständen passiert“, sagte er und schätzte, dass etwa 80 % dessen, was für KI wichtig ist, in dieser Lücke stattfindet.
Er betont, dass das Beobachten von Bildschirmen nie das schwierige technische Problem war. „Das schwierige Problem ist die Abstraktion dessen, was Sie auf dem Bildschirm sehen – die Intent-Extraktion“, sagte Misra. Ein Modell so zu trainieren, dass es den Unterschied zwischen einem wirklich neuen Fall und der Nachbearbeitung eines alten erkennt – etwas, das ein menschlicher Kollege sofort versteht – ist aus seiner Sicht der Bereich, in dem Skans mehrjähriger Vorsprung tatsächlich liegt.
Abwägung zwischen Mitarbeiterüberwachung und operativer Transparenz
Kontinuierliche Bildschirmbeobachtung wirft eine offensichtliche Datenschutzfrage auf – und sie ist nicht hypothetisch. Im Juni berichtete Reuters, dass Meta ein internes Tool zur Verfolgung von Mausklicks von Mitarbeitenden zurückgefahren hat, nachdem sich Beschäftigte dagegen gewehrt hatten – ein Beleg dafür, dass selbst KI-affine Unternehmen weiterhin vorsichtig sind, was die Grenze zwischen Telemetrie und Überwachung angeht.
Misra sagt, er habe diesen Einwand gehört, bevor er eine Zeile Code schrieb. Als er das Konzept frühzeitig Delphine Icart, damals Chief Transformation Officer bei AXA Mexiko, vorstellte, fiel die Reaktion deutlich aus. „Delphines erste Worte zu mir waren: ‚Das klingt nach einer großartigen Idee, aber Sie sind tot bei Ankunft‘“, erinnerte er sich. „‚Sie beobachten Dinge, die Sie nicht beobachten sollten – die Privatsphäre meiner Operatoren und die Souveränität meiner Daten auf diesen Bildschirmen.‘“
Dieses Gespräch prägte den Aufbau des Systems. Skan aggregiert statt zu individualisieren und hebt statistische Muster über Hunderte von Mitarbeitenden hervor, die denselben Prozess ausführen, anstatt einzelne Personen zu verfolgen. „Wir sind nicht daran interessiert, was John bei 10 Stunden und 43 Sekunden tut“, sagte Misra. „Uns interessiert, was Hunderte von Johns zusammen tun.“ Organisationen steuern, was das System sehen kann, durch ein Opt-in-Scoping bestimmter Anwendungen und URLs, und die resultierenden Daten verlassen niemals die Enterprise-Firewall, wobei nur anonymisierte Metadaten über eine Drei-Schichten-Architektur in die Cloud gesendet werden. Misra verweist auf Implementierungen, die von europäischen Betriebsräten genehmigt wurden, als Beleg dafür, dass das Modell einer ernsthaften Prüfung standhält. Ob Aggregation die zugrunde liegende Spannung vollständig auflöst, bleibt eine offene Frage, und Misra räumte ein, dass die Technologie in einigen Fällen dazu geführt hat, dass Kunden in bestimmten Prozessen Personal abgebaut haben.
Was die beanspruchten 500 Millionen US-Dollar an Kundenwert tatsächlich darstellen
Skan sagt, seine Technologie habe mehr als 500 Millionen US-Dollar an kumuliert identifiziertem Kundenwert aufgezeigt, wobei Misra klarstellte, dass es sich bei dieser Zahl um eine Chancenabschätzung und nicht um bereits vereinnahmte Barmittel handelt. „Die Zahl stammt aus der Summe, über alle unsere Kunden hinweg, der quantifizierten Einsparungen, die wir ihnen gebracht haben – der Einsparungen, von denen sie erwartet haben, dass sie sie realisieren“, sagte er und merkte an, dass Kunden diese Einsparungen durch Prozess-Redesign, Technologieänderungen und zunehmend durch KI-Agenten verfolgen.
Konkretere Zahlen stammen aus einzelnen Implementierungen. Bei einer großen US-Bank beobachtete Skan nach eigenen Angaben 11,2 Millionen Kontextwechsel bei 1.500 Finanzfachleuten und identifizierte 37 Millionen US-Dollar an operativer Reibung. Die Umwandlung dieses Kontexts in agentenausführbare Workflows führte zu einer 32%igen Senkung der Kosten pro Transaktion, einer 41%igen Steigerung des Durchsatzes und 18 Millionen US-Dollar an jährlichen Einsparungen. In einem Geldwäschebekämpfungsbetrieb einer anderen Bank, so Misra, würden „60 % der Fälle jetzt von KI-Agenten bearbeitet“, mit einer Genauigkeit, die „die Genauigkeit von Menschen um ein Vielfaches übertrifft“. Bei Versicherern berichtet Skan von einer Produktivitätssteigerung von rund 25 % in der Kernschadenbearbeitung.
Zu den referenzierbaren Kunden von Skan gehören inzwischen Unternehmen wie Mitie, ein britischer Facility-Management-Konzern, und Unum, ein Anbieter von Mitarbeiterbenefits mit einem Unternehmenswert von 13,8 Milliarden US-Dollar. Mities Chief Technology and Digital Officer, Cijo Joseph, sagte, die Technologie „verschafft uns eine beispiellose operative Transparenz, die unsere KI-Transformation dramatisch beschleunigt hat“. Das Unternehmen lehnte es ab, Umsatzzahlen offenzulegen, erklärte jedoch, es sei im zweiten Jahr in Folge mit mehr als 300 % Wachstum im Jahresvergleich gewachsen, bei einer Net-Dollar-Retention von rund 150 %. Mittlerweile zählen sieben der zehn größten US-Banken und ein Viertel der Fortune-50-Unternehmen zu den Kunden.
Nvidia, Wettbewerber und der Kampf um die Kontrolle über Enterprise-Kontext
Skan läuft auf Nvidia AI Enterprise und NIM-Microservices – eine Partnerschaft, die das Unternehmen parallel zu den Finanzierungsnachrichten prominent hervorhebt. Misra beschrieb eine steigende Nachfrage nach privaten Appliances, die Arbeit beobachten, das Kontextmodell halten und Agenten vollständig innerhalb der eigenen Infrastruktur eines Kunden ausführen können – ein Setup, das regulierten Branchen wie Banken und Versicherungen entgegenkommt, in denen Datensouveränität nicht verhandelbar ist.
Skan zieht eine klare Trennlinie zwischen sich und angrenzenden Kategorien. Process-Mining-Tools sehen nur das, was Backend-Logs aufzeichnen. RPA-Plattformen spielen Aufgaben ab, ohne sie zu verstehen. Und Plattformriesen wie ServiceNow, Salesforce und Microsoft liefern leistungsfähige Agenten, deren Sichtbarkeit an den Grenzen ihrer eigenen Systeme endet. „Der Kontext, auf den diese Agenten Zugriff haben, ist auf ServiceNow, auf Salesforce begrenzt, während sich Arbeit über Prozesse im gesamten Unternehmen erstreckt“, sagte Misra.
Sein übergeordnetes Argument betrifft die Differenzierung, sobald jedes Unternehmen Zugang zu denselben Spitzenmodellen hat. „Wenn jede Versicherung, jede Bank Zugang zu denselben Modellen hätte, würden sich die Ergebnisse asymptotisch an das Ergebnis des Modells annähern“, sagte er. „Dieses alte Wort – Prozess – kehrt jetzt als Kontext für KI zurück. Aber dieser Kontext wird von Ihnen geschützt. Er ist nicht Teil des Modells.“ Cathay-Innovation-Partner Simon Wu formulierte die Wette in ähnlichen Begriffen und nannte Skan „eines der prägenden Plattformunternehmen des nächsten Jahrzehnts“.
Diese Einordnung deutet darauf hin, wo die eigentlichen Wettbewerbsfronten verlaufen. Während immer mehr Anbieter dieselben zugrunde liegenden Modelle nutzen, verschiebt sich der Differenzierungsfaktor von der reinen KI-Fähigkeit hin zu der Frage, wer die proprietäre Landkarte darüber kontrolliert, wie ein Unternehmen funktioniert – und genau diese Ebene versucht Skan zu besetzen, bevor Wettbewerber eigene vergleichbare Kontextgraphen aufbauen.
FAQ
Was ist die wichtigste technologische Innovation von Skan AI?
Skan AI nutzt Beobachtungstechnologie auf Bildschirmebene, um zu sehen, wie Mitarbeitende über Anwendungen hinweg arbeiten, und erstellt einen Kontextgraphen realer Workflows, anstatt sich ausschließlich auf Prozessdokumentation oder System-Logs zu verlassen.
Wie adressiert Skan AI Datenschutzbedenken bei der Mitarbeiterüberwachung?
Skan aggregiert anonymisierte Daten, arbeitet innerhalb von Enterprise-Firewalls und beschränkt die Beobachtung über ein Opt-in-Modell auf definierte Anwendungen und URLs, wobei Daten die Firewall niemals verlassen.
Wer sind einige der wichtigsten Kunden von Skan AI?
Zu den Kunden von Skan AI gehören sieben der zehn größten US-Banken, der Anbieter von Mitarbeiterbenefits Unum und das britische Facility-Management-Unternehmen Mitie.
Welche Ergebnisse hat Skan AI in Implementierungen erzielt?
Berichtete Implementierungen haben eine Kostenreduktion von 32 %, eine Durchsatzsteigerung von 41 %, 18 Millionen US-Dollar an jährlichen Einsparungen bei einer Bank sowie Produktivitätssteigerungen von rund 25 % oder mehr bei Versicherungskunden gezeigt.
{„@context“:“https://schema.org“,“@type“:“FAQPage“,“mainEntity“:[{„@type“:“Question“,“name“:“Was ist die wichtigste technologische Innovation von Skan AI?“,“acceptedAnswer“:{„@type“:“Answer“,“text“:“Skan AI nutzt Beobachtungstechnologie auf Bildschirmebene, um zu sehen, wie Mitarbeitende über Anwendungen hinweg arbeiten, und erstellt einen Kontextgraphen realer Workflows, anstatt sich ausschließlich auf Prozessdokumentation oder System-Logs zu verlassen.“}},{„@type“:“Question“,“name“:“Wie adressiert Skan AI Datenschutzbedenken bei der Mitarbeiterüberwachung?“,“acceptedAnswer“:{„@type“:“Answer“,“text“:“Skan aggregiert anonymisierte Daten, arbeitet innerhalb von Enterprise-Firewalls und beschränkt die Beobachtung über ein Opt-in-Modell auf definierte Anwendungen und URLs, wobei Daten die Firewall niemals verlassen.“}},{„@type“:“Question“,“name“:“Wer sind einige der wichtigsten Kunden von Skan AI?“,“acceptedAnswer“:{„@type“:“Answer“,“text“:“Zu den Kunden von Skan AI gehören sieben der zehn größten US-Banken, der Anbieter von Mitarbeiterbenefits Unum und das britische Facility-Management-Unternehmen Mitie.“}},{„@type“:“Question“,“name“:“Welche Ergebnisse hat Skan AI in Implementierungen erzielt?“,“acceptedAnswer“:{„@type“:“Answer“,“text“:“Berichtete Implementierungen haben eine Kostenreduktion von 32 %, eine Durchsatzsteigerung von 41 %, 18 Millionen US-Dollar an jährlichen Einsparungen bei einer Bank sowie Produktivitätssteigerungen von rund 25 % oder mehr bei Versicherungskunden gezeigt.“}}]}
Artikel mit Unterstützung künstlicher Intelligenz erstellt und von der Redaktion überprüft.
