Skan AI a levé 63 millions de dollars lors d’un financement de série C, pariant que le principal obstacle à un flux de travail d’IA opérationnel en entreprise n’est pas un modèle plus intelligent, mais l’incapacité d’une entreprise à voir comment ses propres employés accomplissent réellement les tâches. Ce tour de table, co-dirigé par Cathay Innovation et Dell Technologies Capital, intervient alors que les entreprises sont confrontées à une réalité brutale : la plupart des agents d’IA qu’elles ont déployés jusqu’à présent n’ont tout simplement pas fonctionné.
Citi Ventures, Bloomberg Beta, State Farm Ventures et Wipro Ventures ont également participé au tour, portant le financement total de cette entreprise âgée de sept ans à environ 120 millions de dollars. Parallèlement à cette levée, Skan AI a annoncé la disponibilité générale de deux nouveaux produits, Skan AI Blueprint et Skan AI Agents, qui rejoignent son offre existante Skan AI Intelligence pour former ce que l’entreprise décrit comme une plateforme complète pour découvrir, modéliser et automatiser les flux de travail en entreprise.
Summary
Points clés à retenir
- Skan AI a obtenu 63 millions de dollars via un financement de série C co-dirigé par Dell Technologies Capital et Cathay Innovation, portant le financement total à environ 120 millions de dollars.
- L’entreprise a lancé deux nouveaux produits, Skan AI Blueprint et Skan AI Agents, en complément de sa plateforme Intelligence existante.
- Les données de Gartner citées par l’entreprise montrent que seulement 8 % des entreprises ont des agents d’IA en production, et que 95 % des premières implémentations nécessitent une refonte.
- Skan revendique plus de 500 millions de dollars de valeur client cumulée identifiée, avec parmi ses clients sept des dix plus grandes banques américaines, Unum et Mitie.
- La plateforme fonctionne sur Nvidia AI Enterprise et les microservices NIM et agrège des données anonymisées à l’intérieur du pare-feu de l’entreprise pour répondre aux préoccupations en matière de confidentialité.
Un tour de table construit autour d’un taux d’échec que le secteur ne peut ignorer
L’adoption de l’IA en entreprise s’est heurtée à un mur que l’argent seul n’a pas réussi à franchir. Des recherches de Gartner citées par Skan AI ont révélé que seulement 8 % des entreprises disposent actuellement d’agents d’IA en production, tandis que 95 % des premières implémentations devront être entièrement repensées avant de générer de la valeur. Ces chiffres correspondent à un rapport du MIT publié l’année précédente, rapporté par Fortune, qui a constaté qu’environ 95 % des projets pilotes d’IA générative en entreprise ne parvenaient pas à produire des retours mesurables.
Avinash Misra, cofondateur et PDG de Skan, soutient que le secteur a mal diagnostiqué le problème. Dans une interview accordée à VentureBeat avant l’annonce, il a déclaré que les modèles eux-mêmes ne sont pas le goulot d’étranglement — la pièce manquante est une image précise de l’entreprise dans laquelle ils sont déployés. « Tout le monde est obsédé par la construction d’un meilleur conducteur », a déclaré Misra. « Nous pensons que la plus grande opportunité est de construire un meilleur système de navigation. »
C’est pourquoi cette histoire dépasse un simple tour de financement : si les entreprises continuent d’ancrer les agents dans une documentation officielle des processus qui ne reflète pas la réalité du travail, le cycle de refonte décrit par Gartner continuera de se répéter, quelle que soit la puissance des modèles sous-jacents.
Construire un flux de travail d’IA en entreprise à partir de ce que les employés font réellement à l’écran
Le pari central de Skan est que l’écart entre le processus documenté et le processus réel est précisément l’endroit où les agents d’IA se brisent. Misra et le cofondateur Manish Garg ont commencé à s’attaquer à cet écart il y a sept ans, bien avant que l’IA agentique ne devienne une priorité de conseil d’administration. « Pourquoi est-il si difficile pour une organisation, et en particulier pour une grande entreprise, de comprendre comment son propre travail est réellement effectué ? » a demandé Misra. « Pourquoi doit-elle faire venir des consultants de McKinsey pour cela ? »
La réponse de l’entreprise est d’observer le travail directement plutôt que de l’inférer à partir de la documentation ou des journaux back-end. Skan déploie une technologie d’observation sur les postes de travail des employés qui suit en continu la façon dont le travail se déplace entre les applications — feuilles de calcul, systèmes CRM, clients de messagerie, voire des mainframes vieux de plusieurs décennies — et transforme ces observations en un modèle vivant du processus sous-jacent. Ce modèle devient le graphe de contexte sur lequel ses agents raisonnent.
Misra le compare au fait de regarder l’écran d’un collègue. « Si je partageais mon écran ici, et que vous observiez mon écran passer d’une feuille Excel à un système CRM, puis à un client de messagerie, en deux itérations environ vous construiriez un modèle de ce que je fais », a-t-il déclaré. « Sauf que vous ne pourriez pas le faire à l’échelle. Vous ne pourriez pas le faire 24 h/24 et 7 j/7, et pour 1 500 personnes comme moi. Remplacez-vous maintenant par notre technologie. »
Pourquoi l’extraction d’intention, et non l’observation, est la partie difficile
Skan positionne son approche face aux fournisseurs de process mining comme Celonis, qui reconstruisent les flux de travail à partir des traces de données back-end. Misra soutient que ces journaux ne capturent que les transactions terminées, en manquant les étapes humaines désordonnées qui les ont produites. « Toutes les données back-end, par définition, sont un état de travail validé. Le travail, c’est vraiment ce qui se passe entre ces états validés », a-t-il déclaré, estimant qu’environ 80 % de ce qui compte pour l’IA se situe dans cet intervalle.
Il tient à préciser que regarder les écrans n’a jamais été le problème d’ingénierie le plus difficile. « Le problème difficile est l’abstraction de ce que vous voyez à l’écran — l’extraction de l’intention », a déclaré Misra. Apprendre à un modèle à faire la différence entre un véritable nouveau dossier et une reprise de travail sur un ancien — quelque chose qu’un collègue humain comprend instantanément — est, selon lui, là où se trouve réellement l’avance de plusieurs années de Skan.
Mettre en balance la surveillance des employés et la transparence opérationnelle
L’observation continue des écrans soulève une question évidente de confidentialité, et ce n’est pas hypothétique. En juin, Reuters a rapporté que Meta avait réduit l’utilisation d’un outil interne suivant les clics de souris des employés après la contestation de ces derniers — preuve que même les entreprises à la pointe de l’IA restent prudentes quant à la frontière entre télémétrie et surveillance.
Misra affirme avoir entendu cette objection avant d’écrire la moindre ligne de code. Présenter le concept à Delphine Icart, alors directrice de la transformation chez AXA Mexique, a suscité une réponse brutale. « Les premiers mots de Delphine à mon égard ont été : “Cela semble être une excellente idée, mais vous êtes mort-né” », se souvient-il. « “Vous observez des choses que vous ne devriez pas observer — la vie privée de mes opérateurs et la souveraineté de mes données sur ces écrans.” »
Cette conversation a façonné la manière dont le système a été construit. Skan agrège plutôt qu’il n’individualise, faisant remonter des schémas statistiques à travers des centaines de travailleurs exécutant le même processus au lieu de suivre une personne en particulier. « Nous ne sommes pas intéressés par ce que John fait à 10 heures et 43 secondes », a déclaré Misra. « Nous nous intéressons à ce que des centaines de John, mis ensemble, font. » Les organisations contrôlent ce que le système peut voir grâce à un périmètre d’applications et d’URL défini sur la base du volontariat, et les données résultantes ne quittent jamais le pare-feu de l’entreprise, seuls des métadonnées anonymisées étant envoyées dans le cloud via une architecture à trois niveaux. Misra cite des déploiements approuvés par des comités d’entreprise européens comme preuve que le modèle résiste à un examen sérieux. Reste à savoir si l’agrégation résout pleinement la tension sous-jacente, et Misra a reconnu que la technologie a, dans certains cas, conduit des clients à réduire les effectifs sur des processus spécifiques.
Ce que représentent réellement les 500 millions de dollars de valeur client revendiquée
Skan affirme que sa technologie a mis en évidence plus de 500 millions de dollars de valeur client cumulée identifiée, même si Misra a précisé que ce chiffre est une estimation d’opportunité plutôt que de l’argent déjà encaissé. « Ce chiffre provient, pour l’ensemble de nos clients, de l’addition des économies quantifiées que nous leur avons apportées — les économies qu’ils s’attendaient à réaliser », a-t-il expliqué, en notant que les clients poursuivent ces économies via la refonte des processus, des changements technologiques et, de plus en plus, des agents d’IA.
Les chiffres les plus concrets proviennent de déploiements individuels. Dans une grande banque américaine, Skan affirme avoir observé 11,2 millions de changements de contexte chez 1 500 professionnels de la finance et identifié 37 millions de dollars de frictions opérationnelles. Transformer ce contexte en flux de travail exécutables par des agents a permis une réduction de 32 % du coût par transaction, une augmentation de 41 % du débit et 18 millions de dollars d’économies annualisées. Dans une opération de lutte contre le blanchiment d’argent dans une autre banque, Misra a indiqué que « 60 % des dossiers sont désormais traités par des agents d’IA », avec une précision qui « dépasse de nombreuses fois celle des humains ». Parmi les assureurs, Skan rapporte une amélioration de productivité d’environ 25 % dans le traitement des sinistres de base.
Les clients de référence de Skan incluent désormais des entreprises comme Mitie, une société britannique de gestion d’installations, et Unum, un fournisseur de prestations pour les employés valorisé à 13,8 milliards de dollars. Le directeur de la technologie et du numérique de Mitie, Cijo Joseph, a déclaré que la technologie « nous offre une visibilité opérationnelle sans précédent qui a considérablement accéléré notre transformation en matière d’IA ». L’entreprise a refusé de divulguer son chiffre d’affaires mais a indiqué avoir enregistré une croissance annuelle supérieure à 300 % pour la deuxième année consécutive, avec une rétention nette en dollars d’environ 150 %. Elle compte désormais parmi ses clients sept des dix plus grandes banques américaines et un quart des entreprises du Fortune 50.
Nvidia, concurrents et la bataille pour la maîtrise du contexte d’entreprise
Skan fonctionne sur Nvidia AI Enterprise et les microservices NIM, un partenariat que l’entreprise met fortement en avant aux côtés de l’annonce de financement. Misra a décrit une demande croissante pour des appliances privées capables d’observer le travail, de conserver le modèle de contexte et d’exécuter des agents entièrement au sein de l’infrastructure propre au client — une configuration qui séduit les secteurs réglementés comme la banque et l’assurance, où la souveraineté des données est non négociable.
Skan trace une ligne nette entre elle et les catégories adjacentes. Les outils de process mining ne voient que ce que les journaux back-end enregistrent. Les plateformes de RPA rejouent des tâches sans les comprendre. Et les géants des plateformes comme ServiceNow, Salesforce et Microsoft livrent des agents performants dont la visibilité s’arrête à leurs propres systèmes. « Le contexte auquel ces agents ont accès est limité à ServiceNow, limité à Salesforce, alors que le travail s’étend à des processus sur l’ensemble du périmètre », a déclaré Misra.
Son argument plus large porte sur la différenciation une fois que chaque entreprise a accès aux mêmes modèles de pointe. « Si chaque compagnie d’assurance, chaque banque avait accès aux mêmes modèles, alors les résultats convergeraient asymptotiquement vers le résultat du modèle », a-t-il déclaré. « Ce vieux mot — processus — revient maintenant comme contexte pour l’IA. Mais ce contexte est protégé par vous. Il ne fait pas partie du modèle. » Simon Wu, partenaire chez Cathay Innovation, a formulé le pari en des termes similaires, qualifiant Skan de « l’une des entreprises de plateforme les plus déterminantes de la prochaine décennie ».
Ce cadrage laisse entrevoir où se situent réellement les enjeux concurrentiels. À mesure que davantage de fournisseurs s’appuient sur les mêmes modèles sous-jacents, le facteur de différenciation se déplace de la capacité brute de l’IA vers la maîtrise de la cartographie propriétaire du fonctionnement d’une entreprise — et c’est cette couche que Skan s’efforce de verrouiller avant que des rivaux ne construisent leurs propres graphes de contexte comparables.
FAQ
Quelle est l’innovation technologique principale de Skan AI ?
Skan AI utilise une technologie d’observation au niveau de l’écran pour voir comment les employés travaillent à travers les applications et construit un graphe de contexte des flux de travail réels, plutôt que de s’appuyer uniquement sur la documentation des processus ou les journaux système.
Comment Skan AI répond-elle aux préoccupations de confidentialité liées à la surveillance des employés ?
Skan agrège des données anonymisées, fonctionne à l’intérieur des pare-feu d’entreprise et limite l’observation aux applications et URL définies dans un modèle d’adhésion volontaire, les données ne quittant jamais le pare-feu.
Qui sont certains des clients notables de Skan AI ?
Les clients de Skan AI incluent sept des dix plus grandes banques américaines, le fournisseur de prestations pour les employés Unum et l’entreprise britannique de gestion d’installations Mitie.
Quels résultats Skan AI a-t-elle obtenus lors de déploiements ?
Les déploiements rapportés ont montré une réduction des coûts de 32 %, une augmentation du débit de 41 %, 18 millions de dollars d’économies annualisées dans une banque, et des gains de productivité d’environ 25 % ou plus chez les clients du secteur de l’assurance.
{« @context »: »https://schema.org », »@type »: »FAQPage », »mainEntity »:[{« @type »: »Question », »name »: »Quelle est l’innovation technologique principale de Skan AIu00a0? », »acceptedAnswer »:{« @type »: »Answer », »text »: »Skan AI utilise une technologie d’observation au niveau de l’écran pour voir comment les employés travaillent à travers les applications et construit un graphe de contexte des flux de travail réels, plutôt que de s’appuyer uniquement sur la documentation des processus ou les journaux système. »}},{« @type »: »Question », »name »: »Comment Skan AI répond-elle aux préoccupations de confidentialité liées à la surveillance des employésu00a0? », »acceptedAnswer »:{« @type »: »Answer », »text »: »Skan agrège des données anonymisées, fonctionne à l’intérieur des pare-feu d’entreprise et limite l’observation aux applications et URL définies dans un modèle d’adhésion volontaire, les données ne quittant jamais le pare-feu. »}},{« @type »: »Question », »name »: »Qui sont certains des clients notables de Skan AIu00a0? », »acceptedAnswer »:{« @type »: »Answer », »text »: »Les clients de Skan AI incluent sept des dix plus grandes banques américaines, le fournisseur de prestations pour les employés Unum et l’entreprise britannique de gestion d’installations Mitie. »}},{« @type »: »Question », »name »: »Quels résultats Skan AI a-t-elle obtenus lors de déploiementsu00a0? », »acceptedAnswer »:{« @type »: »Answer », »text »: »Les déploiements rapportés ont montré une réduction des coûts de 32u00a0%, une augmentation du débit de 41u00a0%, 18u00a0millions de dollars d’économies annualisées dans une banque, et des gains de productivité d’environ 25u00a0% ou plus chez les clients du secteur de l’assurance. »}}]}
Article produit avec l’aide de l’intelligence artificielle et relu par l’équipe éditoriale.
