جمعت شركة Skan AI مبلغًا قدره 63 مليون دولار في جولة تمويل من الفئة C، معتمدة على أن أكبر عائق أمام سير عمل فعّال للذكاء الاصطناعي على مستوى المؤسسات ليس نموذجًا أكثر ذكاءً، بل عدم قدرة الشركة على رؤية الكيفية الفعلية التي ينجز بها موظفوها الأعمال. وقد جاءت الجولة، التي شاركت في قيادتها شركتا Cathay Innovation وDell Technologies Capital، في وقت تكافح فيه المؤسسات مع حقيقة صارخة: معظم وكلاء الذكاء الاصطناعي الذين نشرتها حتى الآن لم يعملوا ببساطة.
كما شاركت في الجولة كل من Citi Ventures وBloomberg Beta وState Farm Ventures وWipro Ventures، مما رفع إجمالي تمويل الشركة ذات الأعوام السبعة إلى نحو 120 مليون دولار. إلى جانب جولة التمويل، أعلنت Skan AI الإتاحة العامة لمنتجين جديدين، هما Skan AI Blueprint وSkan AI Agents، اللذان ينضمان إلى عرضها القائم Skan AI Intelligence لتشكيل ما تصفه الشركة بأنه منصة كاملة لاكتشاف نماذج سير العمل المؤسسية ونمذجتها وأتمتتها.
Summary
أهم النقاط
- حصلت Skan AI على 63 مليون دولار من خلال جولة تمويل من الفئة C بقيادة مشتركة من Dell Technologies Capital وCathay Innovation، مما رفع إجمالي التمويل إلى نحو 120 مليون دولار.
- أطلقت الشركة منتجين جديدين، Skan AI Blueprint وSkan AI Agents، إلى جانب منصتها الحالية Intelligence.
- تُظهر بيانات Gartner التي استشهدت بها الشركة أن 8% فقط من المؤسسات لديها وكلاء ذكاء اصطناعي في بيئة الإنتاج، وأن 95% من عمليات النشر المبكرة تتطلب إعادة تصميم.
- تدّعي Skan أكثر من 500 مليون دولار من القيمة التراكمية المحددة للعملاء، مع عملاء من بينهم سبعة من أكبر عشرة بنوك في الولايات المتحدة، وشركتا Unum وMitie.
- تعمل المنصة على Nvidia AI Enterprise وميكروخدمات NIM وتجمع البيانات المجهولة داخل جدار الحماية المؤسسي لمعالجة مخاوف الخصوصية.
جولة تمويل مبنية على معدل فشل لا يمكن للصناعة تجاهله
تبنّي الذكاء الاصطناعي على مستوى المؤسسات اصطدم بجدار لم تستطع الأموال وحدها إصلاحه. فقد وجدت أبحاث Gartner التي استشهدت بها Skan AI أن 8% فقط من المؤسسات لديها حاليًا وكلاء ذكاء اصطناعي يعملون في بيئة الإنتاج، بينما 95% من عمليات النشر المبكرة ستحتاج إلى إعادة تصميم كاملة قبل أن تحقق قيمة. تتماشى هذه الأرقام مع تقرير لمعهد MIT من العام السابق، كما نقلت مجلة Fortune، والذي وثّق أن نحو 95% من تجارب الذكاء الاصطناعي التوليدي على مستوى المؤسسات لم تنجح في تحقيق عوائد قابلة للقياس.
يقول أفيناش ميسرا، الشريك المؤسس والرئيس التنفيذي لشركة Skan، إن الصناعة كانت تشخّص المشكلة الخطأ. ففي مقابلة مع VentureBeat قبل الإعلان، قال إن النماذج نفسها ليست عنق الزجاجة — الجزء المفقود هو صورة دقيقة عن العمل الذي تُنشر فيه هذه النماذج. وقال: “الجميع مهووس ببناء سائق أفضل. نحن نعتقد أن الفرصة الأكبر هي بناء نظام ملاحة أفضل”.
لهذا السبب تتجاوز أهمية القصة مجرد جولة تمويل واحدة: إذا استمرت المؤسسات في ربط الوكلاء بـوثائق العمليات الرسمية التي لا تعكس كيفية حدوث العمل فعليًا، فإن دورة إعادة التصميم التي تصفها Gartner ستستمر في التكرار بغض النظر عن مدى تطور النماذج الأساسية.
بناء سير عمل للذكاء الاصطناعي المؤسسي انطلاقًا مما يفعله الموظفون فعليًا على الشاشة
رهان Skan الأساسي هو أن الفجوة بين العملية الموثقة والعملية الفعلية هي بالضبط المكان الذي تنهار فيه وكلاء الذكاء الاصطناعي. بدأ ميسرا والشريك المؤسس مانِش غارغ في ملاحقة هذه الفجوة قبل سبع سنوات، قبل وقت طويل من أن يصبح الذكاء الاصطناعي القائم على الوكلاء أولوية في غرف مجالس الإدارة. سأل ميسرا: “لماذا يصعب على مؤسسة، وخاصة مؤسسة كبيرة، أن تفهم كيف يُنجز عملها فعليًا؟ لماذا تحتاج إلى استقدام مستشاري ماكينزي من أجل ذلك؟”
إجابة الشركة هي مراقبة العمل مباشرة بدلًا من استنتاجه من الوثائق أو سجلات الأنظمة الخلفية. تنشر Skan تقنية مراقبة على أجهزة سطح المكتب الخاصة بالموظفين تتعقب باستمرار كيفية انتقال العمل عبر التطبيقات — جداول البيانات، وأنظمة إدارة علاقات العملاء، وبرامج البريد الإلكتروني، وحتى الأنظمة الرئيسية القديمة منذ عقود — وتحول هذه الملاحظات إلى نموذج حي للعملية الأساسية. يصبح هذا النموذج هو رسم السياق الذي يستدل به وكلاؤها.
يقارن ميسرا ذلك بمشاهدة شاشة زميل في العمل. يقول: “لو شاركت شاشتي هنا، وبدأت تراقب انتقالي بين ورقة Excel ونظام إدارة علاقات العملاء وعميل البريد الإلكتروني، فبعد تكرارين تقريبًا ستبني نموذجًا لما أفعله”، مضيفًا: “باستثناء أنك لا تستطيع فعل ذلك على نطاق واسع. لا يمكنك القيام به على مدار الساعة، ولـ 1500 شخص مثلي. الآن استبدل نفسك بتقنيتنا”.
لماذا يُعدّ استخلاص النية، وليس المراقبة، هو الجزء الصعب
تضع Skan نهجها في مواجهة بائعي تنقيب العمليات مثل Celonis، الذين يعيدون بناء سير العمل من آثار البيانات الخلفية. يجادل ميسرا بأن هذه السجلات لا تلتقط سوى المعاملات المنتهية، وتفوت الخطوات البشرية الفوضوية التي أنتجتها. يقول: “كل البيانات الخلفية، بحكم التعريف، هي حالة عمل مُلتزم بها. العمل الحقيقي هو ما يحدث بين تلك الحالات الملتزم بها”، مقدّرًا أن نحو 80% مما يهم الذكاء الاصطناعي يحدث في تلك الفجوة.
وهو حريص على الإشارة إلى أن مشاهدة الشاشات لم تكن يومًا المشكلة الهندسية الصعبة. يقول ميسرا: “المشكلة الصعبة هي تجريد ما تراه على الشاشة — استخلاص النية”. وتعليم نموذج على التمييز بين حالة جديدة حقيقية وإعادة عمل على حالة قديمة — وهو أمر يدركه زميل بشري على الفور — هو المكان الذي يعتقد أن تقدّم Skan لعدة سنوات يكمن فيه حقًا.
الموازنة بين مراقبة الموظفين والشفافية التشغيلية
المراقبة المستمرة للشاشة تثير سؤالًا واضحًا حول الخصوصية، وليس افتراضيًا. ففي يونيو، أفادت رويترز أن شركة Meta قلّصت أداة داخلية كانت تتعقب نقرات الفأرة للموظفين بعد اعتراض العاملين — وهو دليل على أن حتى الشركات المتقدمة في الذكاء الاصطناعي لا تزال حذرة من الخط الفاصل بين القياس والمراقبة.
يقول ميسرا إنه سمع هذا الاعتراض قبل أن يكتب سطرًا واحدًا من الشيفرة. فقد قوبل طرحه للمفهوم في وقت مبكر على دلفين إيكار، التي كانت آنذاك رئيسة التحول في AXA المكسيك، برد صريح. يتذكر قائلًا: “كانت أول كلمات لدلفين لي: ‘تبدو هذه فكرة رائعة، لكنك ميت عند الوصول'”. وأضافت: “‘أنت تراقب أشياء لا ينبغي لك مراقبتها — خصوصية مشغّليّ، وسيادة بياناتي على تلك الشاشات'”.
تلك المحادثة شكّلت طريقة بناء النظام. تقوم Skan بالتجميع بدلًا من التفريد، حيث تُظهر أنماطًا إحصائية عبر مئات العاملين الذين ينفذون العملية نفسها بدلًا من تتبع أي شخص بعينه. يقول ميسرا: “نحن غير مهتمين بما يفعله جون عند 10 ساعات و43 ثانية. نحن مهتمون بما يفعله مئات الأشخاص مثل جون مجتمعين”. تتحكم المؤسسات في ما يمكن للنظام رؤيته من خلال تحديد التطبيقات وعناوين URL المحددة بنموذج قائم على الموافقة، ولا تغادر البيانات جدار الحماية المؤسسي، مع إرسال بيانات وصفية مجهولة فقط إلى السحابة عبر بنية من ثلاث طبقات. يشير ميسرا إلى عمليات نشر وافقت عليها مجالس العمال الأوروبية كدليل على أن النموذج يصمد أمام التدقيق الجاد. وما إذا كان التجميع يحل بالكامل التوتر الأساسي يبقى سؤالًا مفتوحًا، وقد أقر ميسرا بأن التكنولوجيا أدت، في بعض الحالات، إلى قيام العملاء بتقليص عدد الموظفين في عمليات محددة.
ما الذي تمثله فعليًا قيمة 500 مليون دولار المزعومة للعملاء
تقول Skan إن تقنيتها كشفت عن أكثر من 500 مليون دولار من القيمة التراكمية المحددة للعملاء، رغم أن ميسرا كان صريحًا بأن هذا الرقم تقدير لفرصة وليس أموالًا تم تحصيلها بالفعل. قال: “يأتي هذا الرقم من مجموع، عبر جميع عملائنا، التوفير الكمي الذي جلبناه لهم — التوفير الذي توقعوا أنهم سيوفرونه”، مشيرًا إلى أن العملاء يسعون لتحقيق هذه الوفورات من خلال إعادة تصميم العمليات، وتغييرات التكنولوجيا، وبشكل متزايد، وكلاء الذكاء الاصطناعي.
الأرقام الأكثر وضوحًا تأتي من عمليات نشر فردية. ففي أحد أكبر البنوك الأميركية، تقول Skan إنها رصدت 11.2 مليون تبديل سياق عبر 1500 متخصص في المالية وحددت 37 مليون دولار من الاحتكاك التشغيلي. وتحويل هذا السياق إلى سير عمل قابلة للتنفيذ من قبل الوكلاء أدى إلى خفض بنسبة 32% في التكلفة لكل معاملة، وزيادة بنسبة 41% في الإنتاجية، و18 مليون دولار من الوفورات السنوية. وفي عملية مكافحة غسل الأموال في بنك آخر، قال ميسرا إن “60% من الحالات تُدار الآن بواسطة وكلاء ذكاء اصطناعي”، بدقة “تفوق مرات عديدة دقة البشر”. وبين شركات التأمين، تبلغ تقارير Skan عن زيادة في الإنتاجية بنحو 25% في معالجة المطالبات الأساسية.
تشمل قائمة عملاء Skan المرجعيين الآن شركات مثل Mitie، وهي شركة بريطانية لإدارة المرافق، وUnum، مزود مزايا الموظفين الذي تبلغ قيمته 13.8 مليار دولار. قال مدير التكنولوجيا والرقمنة في Mitie، سيجو جوزيف، إن التكنولوجيا “تمنحنا رؤية تشغيلية غير مسبوقة سرّعت بشكل كبير تحولنا في مجال الذكاء الاصطناعي”. وامتنعت الشركة عن الكشف عن الإيرادات لكنها قالت إنها حققت نموًا يتجاوز 300% على أساس سنوي للسنة الثانية على التوالي، إلى جانب احتفاظ صافٍ بالدولار يبلغ نحو 150%. وهي تعد الآن سبعة من أكبر عشرة بنوك في الولايات المتحدة وربع شركات Fortune 50 من بين عملائها.
إنفيديا، المنافسون، والمعركة على امتلاك سياق المؤسسة
تعمل Skan على Nvidia AI Enterprise وميكروخدمات NIM، وهي شراكة تبرزها الشركة بشكل بارز إلى جانب أخبار التمويل. وصف ميسرا الطلب المتزايد على الأجهزة الخاصة التي يمكنها مراقبة العمل، والاحتفاظ بنموذج السياق، وتشغيل الوكلاء بالكامل داخل بنية العميل التحتية — وهو إعداد يجذب الصناعات المنظمة مثل البنوك والتأمين حيث سيادة البيانات غير قابلة للتفاوض.
ترسم Skan خطًا واضحًا بينها وبين الفئات المجاورة. أدوات تنقيب العمليات لا ترى إلا ما تسجله سجلات الأنظمة الخلفية. منصات أتمتة العمليات الروبوتية (RPA) تعيد تشغيل المهام دون فهمها. وعمالقة المنصات مثل ServiceNow وSalesforce وMicrosoft يقدّمون وكلاء قادرين لكن رؤيتهم تتوقف عند أنظمتهم الخاصة. يقول ميسرا: “السياق الذي يمكن لهذه الوكلاء الوصول إليه محدود بـ ServiceNow ومحدود بـ Salesforce، في حين أن العمل يمتد عبر العمليات على نطاق واسع”.
حجته الأوسع تدور حول التمايز بمجرد أن تحصل كل شركة على إمكانية الوصول إلى النماذج المتقدمة نفسها. يقول: “إذا كان لدى كل شركة تأمين، وكل بنك، إمكانية الوصول إلى النماذج نفسها، فإن النتائج ستتلاشى تدريجيًا إلى نتيجة النموذج”. “تلك الكلمة القديمة — العملية — تعود الآن كسياق للذكاء الاصطناعي. لكن هذا السياق محمي من قبلك. إنه ليس جزءًا من النموذج”. وقد صاغ شريك Cathay Innovation، سايمون وو، الرهان بمصطلحات مماثلة، واصفًا Skan بأنها “واحدة من شركات المنصات المحدِّدة للعقد المقبل”.
هذا الإطار يلمّح إلى مكان جلوس الرهانات التنافسية فعليًا. فمع سعي المزيد من البائعين وراء النماذج الأساسية نفسها، يتحول عامل التمايز من القدرة الخام للذكاء الاصطناعي إلى من يسيطر على الخريطة المملوكة لكيفية عمل الأعمال — وهذا هو المستوى الذي تسابق Skan لإحكام قبضتها عليه قبل أن يبني المنافسون رسوم سياق مماثلة خاصة بهم.
الأسئلة الشائعة
ما هي الابتكار التقني الرئيسي لدى Skan AI؟
تستخدم Skan AI تقنية مراقبة على مستوى الشاشة لمشاهدة كيفية عمل الموظفين عبر التطبيقات وبناء رسم سياق لسير العمل الفعلي، بدلًا من الاعتماد فقط على وثائق العمليات أو سجلات الأنظمة.
كيف تعالج Skan AI مخاوف الخصوصية المتعلقة بمراقبة الموظفين؟
تقوم Skan بتجميع البيانات المجهولة، وتعمل داخل جدران الحماية المؤسسية، وتحد من المراقبة على التطبيقات وعناوين URL المحددة من خلال نموذج قائم على الموافقة، مع عدم مغادرة البيانات لجدار الحماية.
من هم بعض عملاء Skan AI البارزين؟
تشمل قائمة عملاء Skan AI سبعة من أكبر عشرة بنوك في الولايات المتحدة، ومزود مزايا الموظفين Unum، وشركة إدارة المرافق البريطانية Mitie.
ما النتائج التي حققتها Skan AI في عمليات النشر؟
أظهرت عمليات النشر المبلغ عنها خفضًا في التكاليف بنسبة 32%، وزيادة في الإنتاجية بنسبة 41%، و18 مليون دولار من الوفورات السنوية في أحد البنوك، وزيادات في الإنتاجية بنحو 25% أو أكثر بين عملاء التأمين.
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”ما هي الابتكار التقني الرئيسي لدى Skan AI؟”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”تستخدم Skan AI تقنية مراقبة على مستوى الشاشة لمشاهدة كيفية عمل الموظفين عبر التطبيقات وبناء رسم سياق لسير العمل الفعلي، بدلًا من الاعتماد فقط على وثائق العمليات أو سجلات الأنظمة.”}},{“@type”:”Question”,”name”:”كيف تعالج Skan AI مخاوف الخصوصية المتعلقة بمراقبة الموظفين؟”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”تقوم Skan بتجميع البيانات المجهولة، وتعمل داخل جدران الحماية المؤسسية، وتحد من المراقبة على التطبيقات وعناوين URL المحددة من خلال نموذج قائم على الموافقة، مع عدم مغادرة البيانات لجدار الحماية.”}},{“@type”:”Question”,”name”:”من هم بعض عملاء Skan AI البارزين؟”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”تشمل قائمة عملاء Skan AI سبعة من أكبر عشرة بنوك في الولايات المتحدة، ومزود مزايا الموظفين Unum، وشركة إدارة المرافق البريطانية Mitie.”}},{“@type”:”Question”,”name”:”ما النتائج التي حققتها Skan AI في عمليات النشر؟”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”أظهرت عمليات النشر المبلغ عنها خفضًا في التكاليف بنسبة 32%، وزيادة في الإنتاجية بنسبة 41%، و18 مليون دولار من الوفورات السنوية في أحد البنوك، وزيادات في الإنتاجية بنحو 25% أو أكثر بين عملاء التأمين.”}}]}
تم إعداد هذه المقالة بمساعدة الذكاء الاصطناعي ومراجعتها من قبل الفريق التحريري.
