Skan AI heeft 63 miljoen dollar opgehaald in een Series C-financieringsronde, met de inzet dat de grootste belemmering voor een goed werkende enterprise-AI-workflow niet een slimmer model is, maar het onvermogen van een bedrijf om te zien hoe zijn eigen medewerkers dingen daadwerkelijk gedaan krijgen. De ronde, gezamenlijk geleid door Cathay Innovation en Dell Technologies Capital, komt op het moment dat ondernemingen worstelen met een harde realiteit: de meeste AI-agents die ze tot nu toe hebben ingezet, hebben simpelweg niet gewerkt.
Citi Ventures, Bloomberg Beta, State Farm Ventures en Wipro Ventures deden ook mee aan de ronde, waardoor de totale financiering van het zeven jaar oude bedrijf op ongeveer 120 miljoen dollar uitkomt. Naast de kapitaalronde kondigde Skan AI de algemene beschikbaarheid aan van twee nieuwe producten, Skan AI Blueprint en Skan AI Agents, die zich voegen bij het bestaande Skan AI Intelligence-aanbod om te vormen wat het bedrijf omschrijft als een volledig platform voor het ontdekken, modelleren en automatiseren van enterprise-workflows.
Summary
Belangrijkste punten
- Skan AI haalde 63 miljoen dollar op via een Series C-financieringsronde, gezamenlijk geleid door Dell Technologies Capital en Cathay Innovation, waardoor de totale financiering op ongeveer 120 miljoen dollar komt.
- Het bedrijf lanceerde twee nieuwe producten, Skan AI Blueprint en Skan AI Agents, naast het bestaande Intelligence-platform.
- Gartner-gegevens waarnaar het bedrijf verwijst, laten zien dat slechts 8% van de ondernemingen AI-agents in productie heeft, en dat 95% van de vroege implementaties een herontwerp vereist.
- Skan claimt meer dan 500 miljoen dollar aan cumulatieve geïdentificeerde klantwaarde, met klanten waaronder zeven van de tien grootste Amerikaanse banken, Unum en Mitie.
- Het platform draait op Nvidia AI Enterprise en NIM-microservices en aggregeert geanonimiseerde data binnen de enterprise-firewall om privacyzorgen aan te pakken.
Een financieringsronde gebouwd rond een faalpercentage dat de sector niet kan negeren
Adoptie van enterprise-AI is tegen een muur aangelopen die met geld alleen niet is op te lossen. Gartner-onderzoek waar Skan AI naar verwijst, wees uit dat slechts 8% van de ondernemingen momenteel AI-agents in productie heeft draaien, terwijl 95% van de vroege implementaties een volledig herontwerp nodig zal hebben voordat ze waarde opleveren. Die cijfers komen overeen met een MIT-rapport van het voorgaande jaar, zoals gemeld door Fortune, waarin werd gedocumenteerd dat ongeveer 95% van de generatieve-AI-pilots in ondernemingen er niet in slaagde meetbare rendementen op te leveren.
Avinash Misra, medeoprichter en CEO van Skan, stelt dat de sector het verkeerde probleem heeft gediagnosticeerd. In een interview met VentureBeat voorafgaand aan de aankondiging zei hij dat de modellen zelf niet de bottleneck zijn — het ontbrekende stuk is een nauwkeurig beeld van het bedrijf waarin ze worden ingezet. “Iedereen is geobsedeerd door het bouwen van een betere bestuurder,” zei Misra. “Wij denken dat de grotere kans ligt in het bouwen van een beter navigatiesysteem.”
Dit is waarom het verhaal verder reikt dan één financieringsronde: als ondernemingen agents blijven baseren op officiële procesdocumentatie die niet weerspiegelt hoe werk daadwerkelijk gebeurt, zal de herontwerpcyclus die Gartner beschrijft zich blijven herhalen, ongeacht hoe capabel de onderliggende modellen worden.
Een enterprise-AI-workflow bouwen op basis van wat medewerkers daadwerkelijk op het scherm doen
De kerninzet van Skan is dat de kloof tussen gedocumenteerd proces en werkelijk proces precies is waar AI-agents vastlopen. Misra en medeoprichter Manish Garg begonnen zeven jaar geleden al die kloof na te jagen, lang voordat agentische AI een prioriteit in de bestuurskamer werd. “Waarom is het zo moeilijk voor een organisatie, en vooral voor een grote onderneming, om te begrijpen hoe haar eigen werk daadwerkelijk wordt gedaan?” vroeg Misra. “Waarom moet ze daar McKinsey-consultants voor invliegen?”
Het antwoord van het bedrijf is om het werk direct te observeren in plaats van het af te leiden uit documentatie of backend-logs. Skan zet observatietechnologie in op desktops van medewerkers die continu bijhoudt hoe werk zich verplaatst tussen applicaties — spreadsheets, CRM-systemen, e-mailclients, zelfs decennia-oude mainframes — en zet die observaties om in een levend model van het onderliggende proces. Dat model wordt de contextgrafiek waarover de agents redeneren.
Misra vergelijkt het met het bekijken van het scherm van een collega. “Als ik hier mijn scherm zou delen en jij mijn scherm zou observeren terwijl het van Excelsheet naar CRM-systeem naar e-mailclient gaat, dan zou je in ongeveer twee iteraties een model bouwen van wat ik doe,” zei hij. “Behalve dat je dat niet op schaal zou kunnen doen. Je zou het niet 24/7 kunnen doen, en niet voor 1.500 mensen zoals ik. Vervang jezelf nu door onze technologie.”
Waarom intentie-extractie, niet observatie, het moeilijke deel is
Skan positioneert zijn aanpak tegenover process-mining-leveranciers zoals Celonis, die workflows reconstrueren op basis van backend-datasporen. Misra stelt dat die logs alleen voltooide transacties vastleggen en de rommelige menselijke stappen missen die daartoe hebben geleid. “Alle backend-data is per definitie een gecommitteerde staat van werk. Werk is eigenlijk wat er gebeurt tussen die gecommitteerde staten,” zei hij, en hij schat dat ongeveer 80% van wat voor AI van belang is in die kloof plaatsvindt.
Hij benadrukt dat het bekijken van schermen nooit het moeilijke technische probleem was. “Het moeilijke probleem is de abstractie van wat je op het scherm ziet — de intentie-extractie,” zei Misra. Een model leren het verschil te zien tussen een echt nieuw dossier en herwerk aan een oud dossier — iets wat een menselijke collega direct begrijpt — is volgens hem waar Skan’s voorsprong van meerdere jaren werkelijk zit.
Werknemersmonitoring afwegen tegen operationele transparantie
Continue schermobservatie roept een voor de hand liggende privacyvraag op, en die is niet hypothetisch. In juni meldde Reuters dat Meta een interne tool voor het bijhouden van muiskliks van werknemers had teruggeschroefd nadat medewerkers zich verzetten — een bewijs dat zelfs AI-vooruitstrevende bedrijven nog steeds huiverig zijn voor de grens tussen telemetrie en surveillance.
Misra zegt dat hij het bezwaar al hoorde voordat hij een regel code schreef. Het vroeg pitchen van het concept aan Delphine Icart, destijds chief transformation officer bij AXA Mexico, leverde een botte reactie op. “Delphine’s eerste woorden tegen mij waren: ‘Dit klinkt als een geweldig idee, maar je bent dood bij aankomst,'” herinnerde hij zich. “‘Je observeert dingen die je niet zou moeten observeren — de privacy van mijn operators en de soevereiniteit van mijn data op die schermen.'”
Dat gesprek bepaalde hoe het systeem is gebouwd. Skan aggregeert in plaats van individualiseert en brengt statistische patronen in kaart over honderden werknemers die hetzelfde proces uitvoeren, in plaats van één persoon te volgen. “We zijn niet geïnteresseerd in wat Jan doet op 10 uur en 43 seconden,” zei Misra. “We zijn geïnteresseerd in wat honderden Jans samen doen.” Organisaties bepalen wat het systeem kan zien via opt-in-afbakening van specifieke applicaties en URL’s, en de resulterende data verlaat nooit de enterprise-firewall, waarbij alleen geanonimiseerde metadata via een drielaagse architectuur naar de cloud wordt gestuurd. Misra wijst op implementaties die zijn goedgekeurd door Europese ondernemingsraden als bewijs dat het model serieuze toetsing doorstaat. Of aggregatie de onderliggende spanning volledig oplost, blijft een open vraag, en Misra erkende dat de technologie er in sommige gevallen toe heeft geleid dat klanten het aantal medewerkers in specifieke processen hebben verminderd.
Wat 500 miljoen dollar aan geclaimde klantwaarde daadwerkelijk vertegenwoordigt
Skan zegt dat zijn technologie meer dan 500 miljoen dollar aan cumulatieve geïdentificeerde klantwaarde heeft blootgelegd, al was Misra er duidelijk over dat dit cijfer een kanseninschatting is en geen al geïncasseerde cash. “Het getal komt van de cumulatieve, over al onze klanten, gekwantificeerde besparingen die wij hen hebben gebracht — de besparingen waarvan zij verwachtten dat ze die zouden realiseren,” zei hij, waarbij hij opmerkte dat klanten die besparingen nastreven via procesherontwerp, technologische veranderingen en in toenemende mate AI-agents.
De concretere cijfers komen uit individuele implementaties. Bij een grote Amerikaanse topbank zegt Skan 11,2 miljoen contextwisselingen te hebben geobserveerd bij 1.500 financiële professionals en 37 miljoen dollar aan operationele frictie te hebben geïdentificeerd. Het omzetten van die context in door agents uitvoerbare workflows leverde een 32% verlaging van de kosten per transactie, een 41% toename in throughput en 18 miljoen dollar aan jaarlijkse besparingen op. In een anti-witwasoperatie bij een andere bank, zei Misra, “wordt 60% van de dossiers nu afgehandeld door AI-agents,” met een nauwkeurigheid die “vele malen hoger ligt dan de nauwkeurigheid van mensen.” Onder verzekeraars rapporteert Skan ongeveer 25% productiviteitsstijging in de kernprocessen voor schadeafhandeling.
De referentieklanten van Skan zijn nu onder meer Mitie, een Brits facilitair managementbedrijf, en Unum, een aanbieder van werknemersverzekeringen met een waardering van 13,8 miljard dollar. Cijo Joseph, chief technology and digital officer bij Mitie, zei dat de technologie “ons ongekende operationele zichtbaarheid geeft die onze AI-transformatie drastisch heeft versneld.” Het bedrijf weigerde de omzet bekend te maken, maar zei dat het voor het tweede jaar op rij een jaar-op-jaar groei van meer dan 300% heeft gerealiseerd, naast een net dollar retention van ongeveer 150%. Het telt nu zeven van de tien grootste Amerikaanse banken en een kwart van de Fortune 50 tot zijn klanten.
Nvidia, concurrenten en de strijd om enterprise-context te bezitten
Skan draait op Nvidia AI Enterprise en NIM-microservices, een samenwerking die het bedrijf prominent naar voren schuift naast het financieringsnieuws. Misra beschreef een groeiende vraag naar private appliances die werk kunnen observeren, het contextmodel kunnen bevatten en agents volledig binnen de eigen infrastructuur van een klant kunnen draaien — een opzet die aantrekkelijk is voor gereguleerde sectoren zoals banken en verzekeringen, waar datasoevereiniteit niet onderhandelbaar is.
Skan trekt een scherpe lijn tussen zichzelf en aangrenzende categorieën. Process-miningtools zien alleen wat backend-logs vastleggen. RPA-platforms spelen taken af zonder ze te begrijpen. En platformgiganten zoals ServiceNow, Salesforce en Microsoft leveren capabele agents waarvan de zichtbaarheid stopt bij hun eigen systemen. “De context waartoe deze agents toegang hebben, is beperkt tot ServiceNow, beperkt tot Salesforce, terwijl werk processen over de hele linie omvat,” zei Misra.
Zijn bredere argument gaat over differentiatie zodra elk bedrijf toegang heeft tot dezelfde frontier-modellen. “Als elke verzekeraar, elke bank toegang had tot dezelfde modellen, dan zullen de uitkomsten asymptotisch vervallen tot de uitkomst van het model,” zei hij. “Dat oude woord — proces — komt nu terug als context voor AI. Maar die context wordt door jou beschermd. Het is geen onderdeel van het model.” Cathay Innovation-partner Simon Wu kaderde de inzet in vergelijkbare termen en noemde Skan “een van de bepalende platformbedrijven van het volgende decennium.”
Die framing hint naar waar de concurrentiestrijd zich daadwerkelijk afspeelt. Naarmate meer leveranciers dezelfde onderliggende modellen najagen, verschuift het onderscheidend vermogen van ruwe AI-capaciteit naar de vraag wie de eigendom heeft over de propriëtaire kaart van hoe een bedrijf draait — en dat is de laag die Skan probeert veilig te stellen voordat rivalen vergelijkbare contextgrafieken van hun eigen bouwen.
FAQ
Wat is de belangrijkste technologische innovatie van Skan AI?
Skan AI gebruikt observatietechnologie op schermniveau om te zien hoe medewerkers in verschillende applicaties werken en bouwt een contextgrafiek van echte workflows, in plaats van uitsluitend te vertrouwen op procesdocumentatie of systeemlogs.
Hoe pakt Skan AI privacyzorgen rond werknemersmonitoring aan?
Skan aggregeert geanonimiseerde data, werkt binnen enterprise-firewalls en beperkt observatie tot afgebakende applicaties en URL’s via een opt-in-model, waarbij data de firewall nooit verlaat.
Wie zijn enkele van de opvallende klanten van Skan AI?
Klanten van Skan AI zijn onder meer zeven van de tien grootste Amerikaanse banken, werknemersverzekeringsaanbieder Unum en het Britse facilitair managementbedrijf Mitie.
Welke resultaten heeft Skan AI behaald bij implementaties?
Gerapporteerde implementaties hebben een kostenreductie van 32%, een throughput-toename van 41%, 18 miljoen dollar aan jaarlijkse besparingen bij één bank en productiviteitsstijgingen van ongeveer 25% of meer bij verzekeringsklanten laten zien.
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”Wat is de belangrijkste technologische innovatie van Skan AI?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Skan AI gebruikt observatietechnologie op schermniveau om te zien hoe medewerkers in verschillende applicaties werken en bouwt een contextgrafiek van echte workflows, in plaats van uitsluitend te vertrouwen op procesdocumentatie of systeemlogs.”}},{“@type”:”Question”,”name”:”Hoe pakt Skan AI privacyzorgen rond werknemersmonitoring aan?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Skan aggregeert geanonimiseerde data, werkt binnen enterprise-firewalls en beperkt observatie tot afgebakende applicaties en URL’s via een opt-in-model, waarbij data de firewall nooit verlaat.”}},{“@type”:”Question”,”name”:”Wie zijn enkele van de opvallende klanten van Skan AI?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Klanten van Skan AI zijn onder meer zeven van de tien grootste Amerikaanse banken, werknemersverzekeringsaanbieder Unum en het Britse facilitair managementbedrijf Mitie.”}},{“@type”:”Question”,”name”:”Welke resultaten heeft Skan AI behaald bij implementaties?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Gerapporteerde implementaties hebben een kostenreductie van 32%, een throughput-toename van 41%, 18 miljoen dollar aan jaarlijkse besparingen bij één bank en productiviteitsstijgingen van ongeveer 25% of meer bij verzekeringsklanten laten zien.”}}]}
Artikel geproduceerd met behulp van kunstmatige intelligentie en beoordeeld door de redactie.
