Skan AI, işletmelerde çalışan yapay zeka iş akışlarının önündeki en büyük engelin daha akıllı bir model değil, şirketlerin kendi çalışanlarının işleri gerçekte nasıl yaptığını görememesi olduğu iddiasıyla, C Serisi finansman turunda 63 milyon dolar topladı. Cathay Innovation ve Dell Technologies Capital tarafından ortaklaşa yönetilen tur, işletmelerin sert bir gerçekle yüzleştiği bir dönemde geliyor: şimdiye kadar devreye aldıkları yapay zeka ajanlarının çoğu basitçe işe yaramadı.
Citi Ventures, Bloomberg Beta, State Farm Ventures ve Wipro Ventures da tura katılarak, yedi yıllık şirketin toplam finansmanını yaklaşık 120 milyon dolara çıkardı. Yatırım turuna paralel olarak, Skan AI mevcut Skan AI Intelligence ürününe ek olarak Skan AI Blueprint ve Skan AI Agents adlı iki yeni ürünün genel kullanıma sunulduğunu duyurdu; bu üçlü, şirketin kurumsal iş akışlarını keşfetme, modelleme ve otomatikleştirme için tam bir platform olarak tanımladığı yapıyı oluşturuyor.
Summary
Öne çıkan noktalar
- Skan AI, Dell Technologies Capital ve Cathay Innovation tarafından ortaklaşa yönetilen C Serisi finansman turunda 63 milyon dolar sağladı ve toplam finansmanı yaklaşık 120 milyon dolara çıkardı.
- Şirket, mevcut Intelligence platformuna ek olarak Skan AI Blueprint ve Skan AI Agents adlı iki yeni ürün piyasaya sürdü.
- Şirketin atıfta bulunduğu Gartner verilerine göre, işletmelerin yalnızca %8’inde üretimde çalışan yapay zeka ajanları bulunuyor ve erken uygulamaların %95’inin yeniden tasarlanması gerekiyor.
- Skan, aralarında ABD’nin en büyük on bankasından yedisi, Unum ve Mitie’nin de bulunduğu müşterilerle, kümülatif olarak 500 milyon dolardan fazla tanımlanmış müşteri değeri iddia ediyor.
- Platform, Nvidia AI Enterprise ve NIM mikro servisleri üzerinde çalışıyor ve gizlilik endişelerini gidermek için anonimleştirilmiş verileri kurumsal güvenlik duvarı içinde topluyor.
Sektörün göz ardı edemeyeceği bir başarısızlık oranı etrafında şekillenen finansman turu
Kurumsal yapay zeka benimsemesi, yalnızca parayla çözülemeyen bir duvara çarptı. Skan AI’in atıfta bulunduğu Gartner araştırması, işletmelerin yalnızca %8’inin şu anda üretimde çalışan yapay zeka ajanlarına sahip olduğunu, erken uygulamaların ise %95’inin değer üretmeden önce tamamen yeniden tasarlanması gerekeceğini ortaya koydu. Bu rakamlar, Fortune’un haberleştirdiği, bir önceki yıl yayımlanan MIT raporuyla da örtüşüyor; söz konusu rapor, kurumsal üretken yapay zeka pilotlarının yaklaşık %95’inin ölçülebilir getiri üretmede başarısız olduğunu belgeliyordu.
Skan’ın kurucu ortağı ve CEO’su Avinash Misra, sektörün yanlış sorunu teşhis ettiğini savunuyor. Duyurudan önce VentureBeat’e verdiği bir röportajda, darboğazın modellerin kendisi olmadığını — eksik parçanın, bu modellerin devreye alındığı işin doğru bir resmi olduğunu söyledi. Misra, “Herkes daha iyi bir sürücü inşa etmeye takmış durumda,” dedi. “Biz daha büyük fırsatın daha iyi bir navigasyon sistemi inşa etmek olduğuna inanıyoruz.”
Bu nedenle hikâye tek bir finansman turunun ötesinde önem taşıyor: işletmeler, işi gerçekte nasıl yürütüldüğünü yansıtmayan resmi süreç dokümantasyonuna dayalı ajanlar üretmeye devam ettikçe, Gartner’ın tarif ettiği yeniden tasarım döngüsü, alttaki modeller ne kadar yetenekli olursa olsun kendini tekrar etmeyi sürdürecek.
Kurumsal yapay zeka iş akışını, çalışanların ekranda gerçekte yaptıklarından inşa etmek
Skan’ın temel iddiası, belgelenmiş süreç ile gerçek süreç arasındaki boşluğun, yapay zeka ajanlarının tam da koptuğu yer olduğu. Misra ve kurucu ortak Manish Garg, ajansal yapay zekanın yönetim kurulu önceliği haline gelmesinden çok önce, yedi yıl önce bu boşluğun peşine düştü. Misra, “Neden bir organizasyon, özellikle de büyük bir işletme, kendi işinin gerçekte nasıl yapıldığını anlamakta bu kadar zorlanıyor?” diye sordu. “Bunu anlamak için neden McKinsey danışmanlarını içeri uçurmak zorunda kalıyor?”
Şirketin yanıtı, işi dokümantasyon ya da arka uç günlüklerinden çıkarsamak yerine doğrudan gözlemlemek. Skan, çalışan masaüstlerine, işin uygulamalar arasında — hesap tabloları, CRM sistemleri, e-posta istemcileri, hatta onlarca yıllık ana bilgisayarlar — nasıl aktığını sürekli izleyen bir gözlem teknolojisi yerleştiriyor ve bu gözlemleri, alttaki sürecin yaşayan bir modeline dönüştürüyor. Bu model, ajanlarının akıl yürüttüğü bağlam grafiği haline geliyor.
Misra bunu, bir meslektaşınızın ekranını izlemeye benzetiyor. “Burada ekranımı paylaşsaydım ve siz de ekranımın Excel sayfasından CRM sistemine, e-posta istemcisine geçişini izleseydiniz, iki iterasyon içinde ne yaptığımı modelleyebilirdiniz,” dedi. “Ama bunu ölçekli yapamazdınız. Bunu 7/24 ve benim gibi 1.500 kişi için yapamazdınız. Şimdi kendinizi bizim teknolojimizle değiştirin.”
Neden zor olan kısım gözlem değil, niyet çıkarımı
Skan, yaklaşımını, iş akışlarını arka uç veri izlerinden yeniden kuran Celonis gibi süreç madenciliği satıcılarına karşı konumlandırıyor. Misra, bu günlüklerin yalnızca tamamlanmış işlemleri yakaladığını, onları üreten dağınık insan adımlarını kaçırdığını savunuyor. “Tüm arka uç veriler, tanımı gereği, taahhüt edilmiş bir iş durumudur. İş, gerçekte bu taahhüt edilmiş durumlar arasında olan şeydir,” diyen Misra, yapay zeka için önemli olanların yaklaşık %80’inin bu boşlukta gerçekleştiğini tahmin ediyor.
Ekranları izlemenin hiçbir zaman zor mühendislik problemi olmadığının altını çiziyor. Misra, “Zor olan, ekranda gördüklerinizi soyutlamak — niyet çıkarımı,” dedi. Bir modele, gerçek bir yeni vaka ile eski bir vaka üzerindeki yeniden çalışma arasındaki farkı öğretmek — ki bir insan meslektaşın anında kavradığı bir şey — Skan’ın çok yıllı farkının gerçekten yattığı yer olarak görülüyor.
Çalışan izlemeyi operasyonel şeffaflıkla tartmak
Sürekli ekran gözlemi, bariz bir gizlilik sorusunu gündeme getiriyor ve bu soru teorik değil. Haziran ayında Reuters, Meta’nın, çalışanların fare tıklamalarını izleyen dahili bir aracı, çalışanların itirazları üzerine küçülttüğünü bildirdi — bu da, yapay zekaya yatkın şirketlerin bile telemetri ile gözetim arasındaki çizgi konusunda hâlâ temkinli olduğunun bir göstergesi.
Misra, bu itirazı daha tek satır kod yazmadan önce duyduğunu söylüyor. Konsepti erken aşamada, o dönemde AXA Mexico’nun dönüşümden sorumlu başkanı olan Delphine Icart’a sunmak, net bir yanıt getirmiş. Misra, “Delphine’in bana ilk sözleri, ‘Bu kulağa harika bir fikir gibi geliyor ama daha baştan ölmüşsünüz,’ oldu,” diye hatırlıyor. “‘Gözlemlemeniz gerekmeyen şeyleri gözlemliyorsunuz — operatörlerimin mahremiyetini ve o ekranlardaki verilerimin egemenliğini.'”
Bu konuşma, sistemin nasıl inşa edildiğini şekillendirdi. Skan, tek tek kişileri izlemek yerine verileri toplulaştırıyor; herhangi bir kişiyi takip etmek yerine, aynı süreci yürüten yüzlerce çalışan arasındaki istatistiksel kalıpları ortaya çıkarıyor. Misra, “John’un 10 saat 43 saniyede ne yaptığıyla ilgilenmiyoruz,” dedi. “Biz yüzlerce John’un bir araya geldiğinde ne yaptığıyla ilgileniyoruz.” Kuruluşlar, belirli uygulamalar ve URL’lerin isteğe bağlı kapsamlandırılması yoluyla sistemin neyi görebileceğini kontrol ediyor ve ortaya çıkan veriler, yalnızca anonimleştirilmiş meta verilerin üç katmanlı bir mimari üzerinden buluta gönderilmesiyle, asla kurumsal güvenlik duvarını terk etmiyor. Misra, Avrupa iş konseyleri tarafından onaylanan uygulamaları, modelin ciddi incelemelerden sağ çıktığının kanıtı olarak gösteriyor. Toplulaştırmanın alttaki gerilimi tamamen çözüp çözmediği ise açık bir soru olmaya devam ediyor ve Misra, teknolojinin bazı durumlarda müşterilerin belirli süreçlerde personel azaltmasına yol açtığını kabul ediyor.
İddia edilen 500 milyon dolarlık müşteri değeri gerçekte neyi temsil ediyor?
Skan, teknolojisinin kümülatif olarak 500 milyon dolardan fazla tanımlanmış müşteri değeri ortaya çıkardığını söylüyor; ancak Misra, bu rakamın, halihazırda kasaya girmiş nakitten ziyade bir fırsat tahmini olduğuna açık. “Bu rakam, tüm müşterilerimiz genelinde, onlara sağladığımız ve tasarruf edeceklerini bekledikleri, nicel olarak belirlenmiş tasarrufların toplamından geliyor,” diyen Misra, müşterilerin bu tasarrufların peşine süreç yeniden tasarımı, teknoloji değişiklikleri ve giderek artan biçimde yapay zeka ajanlarıyla düştüğünü belirtiyor.
Daha somut rakamlar ise bireysel uygulamalardan geliyor. ABD’nin önde gelen bir bankasında Skan, 1.500 finans profesyoneli arasında 11,2 milyon bağlam değişimi gözlemlediğini ve 37 milyon dolarlık operasyonel sürtünme tespit ettiğini söylüyor. Bu bağlamı, ajanların çalıştırabileceği iş akışlarına dönüştürmek, işlem başına maliyette %32 azalma, iş hacminde %41 artış ve yıllıklaştırılmış 18 milyon dolar tasarruf sağladı. Başka bir bankadaki kara para aklamayı önleme operasyonunda ise Misra, “vakaların %60’ının artık yapay zeka ajanları tarafından yürütüldüğünü” ve doğruluğun “insanların doğruluğunu defalarca aştığını” söyledi. Sigortacılar arasında Skan, temel hasar süreçlerinde yaklaşık %25 verimlilik artışı bildiriyor.
Skan’ın referans verilebilir müşterileri arasında, Birleşik Krallık merkezli tesis yönetim şirketi Mitie ve 13,8 milyar dolar değerindeki çalışan yan hakları sağlayıcısı Unum gibi şirketler yer alıyor. Mitie’nin teknoloji ve dijital işlerden sorumlu yöneticisi Cijo Joseph, teknolojinin “bize, yapay zeka dönüşümümüzü dramatik biçimde hızlandıran eşi benzeri görülmemiş bir operasyonel görünürlük sağladığını” söyledi. Şirket gelir açıklamayı reddetti ancak üst üste ikinci yıl, yıldan yıla %300’ü aşan büyüme ve yaklaşık %150 net dolar tutma oranı bildirdi. Skan artık ABD’nin en büyük on bankasından yedisini ve Fortune 50’nin dörtte birini müşterileri arasında sayıyor.
Nvidia, rakipler ve kurumsal bağlamı sahiplenme mücadelesi
Skan, finansman haberiyle birlikte öne çıkardığı bir ortaklıkla, Nvidia AI Enterprise ve NIM mikro servisleri üzerinde çalışıyor. Misra, işi gözlemleyebilen, bağlam modelini tutabilen ve ajanları tamamen müşterinin kendi altyapısı içinde çalıştırabilen özel cihazlara yönelik artan talebi anlattı — bu da, veri egemenliğinin pazarlık konusu olmadığı bankacılık ve sigorta gibi düzenlemeye tabi sektörlere hitap ediyor.
Skan, kendisi ile bitişik kategoriler arasında keskin bir çizgi çekiyor. Süreç madenciliği araçları yalnızca arka uç günlüklerinin kaydettiğini görüyor. RPA platformları, görevleri anlamadan tekrar oynatıyor. ServiceNow, Salesforce ve Microsoft gibi platform devleri ise, görünürlüğü kendi sistemleriyle sınırlı olan yetenekli ajanlar sunuyor. Misra, “Bu ajanların erişebildiği bağlam ServiceNow ile, Salesforce ile sınırlı; oysa iş, tüm organizasyon genelinde süreçler boyunca uzanıyor,” dedi.
Daha geniş argümanı, her şirketin aynı sınır modellerine erişimi olduğunda farklılaşmanın neye dayanacağıyla ilgili. Misra, “Her sigorta şirketi, her banka aynı modellere erişebilseydi, sonuçlar asimptotik olarak modelin sonucuna doğru yaklaşırdı,” dedi. “O eski kelime — süreç — şimdi yapay zeka için bağlam olarak geri geliyor. Ama bu bağlam sizin tarafınızdan korunuyor. Modelin parçası değil.” Cathay Innovation ortağı Simon Wu da bahsi benzer terimlerle çerçeveleyerek, Skan’ı “önümüzdeki on yılın tanımlayıcı platform şirketlerinden biri” olarak nitelendirdi.
Bu çerçeveleme, rekabetin aslında nerede yoğunlaştığına dair ipucu veriyor. Daha fazla satıcı aynı alttaki modellerin peşine düşerken, farklılaştırıcı unsur ham yapay zeka yeteneğinden, bir işletmenin nasıl çalıştığına dair mülkiyetli haritayı kimin kontrol ettiğine kayıyor — ve Skan, rakipler kendi bağlam grafikleriyle yetişmeden önce bu katmanı kilitlemek için yarışıyor.
SSS
Skan AI’in temel teknolojik yeniliği nedir?
Skan AI, çalışanların uygulamalar arasında nasıl çalıştığını izlemek için ekran düzeyinde gözlem teknolojisi kullanır ve süreç dokümantasyonu ya da sistem günlüklerine yalnızca güvenmek yerine, gerçek iş akışlarının bir bağlam grafiğini oluşturur.
Skan AI, çalışan izleme konusundaki gizlilik endişelerini nasıl ele alıyor?
Skan, anonimleştirilmiş verileri toplulaştırır, kurumsal güvenlik duvarları içinde çalışır ve isteğe bağlı bir modelle gözlemi belirli uygulamalar ve URL’lerle sınırlar; veriler güvenlik duvarını asla terk etmez.
Skan AI’in öne çıkan bazı müşterileri kimlerdir?
Skan AI’in müşterileri arasında ABD’nin en büyük on bankasından yedisi, çalışan yan hakları sağlayıcısı Unum ve Birleşik Krallık tesis yönetim firması Mitie yer alır.
Skan AI, uygulamalarda ne tür sonuçlar elde etti?
Bildirilmiş uygulamalar, bir bankada %32 maliyet azalması, %41 iş hacmi artışı, 18 milyon dolar yıllıklaştırılmış tasarruf ve sigorta müşterileri arasında yaklaşık %25 veya daha fazla verimlilik artışı gösterdi.
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”Skan AI’in temel teknolojik yeniliği nedir?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Skan AI, çalışanların uygulamalar arasında nasıl çalıştığını izlemek için ekran düzeyinde gözlem teknolojisi kullanır ve süreç dokümantasyonu ya da sistem günlüklerine yalnızca güvenmek yerine, gerçek iş akışlarının bir bağlam grafiğini oluşturur.”}},{“@type”:”Question”,”name”:”Skan AI, çalışan izleme konusundaki gizlilik endişelerini nasıl ele alıyor?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Skan, anonimleştirilmiş verileri toplulaştırır, kurumsal güvenlik duvarları içinde çalışır ve isteğe bağlı bir modelle gözlemi belirli uygulamalar ve URL’lerle sınırlar; veriler güvenlik duvarını asla terk etmez.”}},{“@type”:”Question”,”name”:”Skan AI’in öne çıkan bazı müşterileri kimlerdir?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Skan AI’in müşterileri arasında ABD’nin en büyük on bankasından yedisi, çalışan yan hakları sağlayıcısı Unum ve Birleşik Krallık tesis yönetim firması Mitie yer alır.”}},{“@type”:”Question”,”name”:”Skan AI, uygulamalarda ne tür sonuçlar elde etti?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Bildirilmiş uygulamalar, bir bankada %32 maliyet azalması, %41 iş hacmi artışı, 18 milyon dolar yıllıklaştırılmış tasarruf ve sigorta müşterileri arasında yaklaşık %25 veya daha fazla verimlilik artışı gösterdi.”}}]}
Bu makale, yapay zekâ desteğiyle hazırlanmış ve editör ekibi tarafından gözden geçirilmiştir.
