Introdução
A promessa da inteligência artificial empresarial está enfrentando uma dura realidade: 95% dos projetos piloto de IA generativa nas empresas estão falhando em entregar resultados mensuráveis. Enquanto o mercado busca culpados nos modelos ou na tecnologia, uma startup de sete anos acredita ter identificado o verdadeiro problema: as empresas não sabem como seus próprios funcionários realmente trabalham. A Skan AI acaba de levantar US$ 63 milhões apostando que observar as telas dos funcionários é a peça que falta para fazer a IA empresarial funcionar de verdade.
O problema oculto da IA empresarial
A frustração com implementações de IA nas empresas atingiu níveis críticos. Segundo pesquisa do Gartner citada pela empresa, apenas 8% das organizações conseguiram colocar agentes de IA em produção, e 95% das implementações iniciais precisarão ser completamente redesenhadas. Esses números alarmantes ecoam um relatório do MIT que mostrou resultados igualmente desanimadores sobre o retorno dos investimentos em IA generativa.
Avinash Misra, cofundador e CEO da Skan, oferece uma perspectiva provocativa sobre o problema. “Todo mundo está obcecado em construir um motorista melhor”, disse ele em entrevista exclusiva. “Achamos que a maior oportunidade está em construir um sistema de navegação melhor.” Em outras palavras, os modelos de IA podem ser brilhantes, mas chegam às empresas completamente cegos sobre como o trabalho realmente acontece dentro delas.
A rodada Series C de US$ 63 milhões foi co-liderada pela Cathay Innovation e Dell Technologies Capital, com participação de Citi Ventures, Bloomberg Beta, State Farm Ventures e Wipro Ventures. O investimento eleva o total captado pela empresa para aproximadamente US$ 120 milhões e chega junto com o lançamento de dois novos produtos: Skan AI Blueprint e Skan AI Agents.
A ficção da documentação de processos
O playbook padrão para implementar agentes de IA nas empresas segue uma receita aparentemente lógica: alimentar os modelos com documentação de processos, procedimentos operacionais padrão e logs de sistemas. O problema, argumenta Misra, é que essa abordagem se baseia em uma ficção fundamental. A forma como o trabalho é documentado e a maneira como ele realmente acontece dentro de uma grande empresa são duas coisas completamente diferentes.
Essa lacuna entre teoria e prática foi o que motivou Misra e o cofundador Manish Garg a criar a Skan há sete anos, muito antes dos agentes de IA se tornarem obsessão nas salas de reunião corporativas. “Por que é tão difícil para uma organização, especialmente uma grande empresa, entender como seu próprio trabalho é realmente feito?”, questionou Misra. “Por que elas precisam contratar consultores da McKinsey para isso?”
A questão se tornou ainda mais crítica com a corrida para operacionalizar IA. Os modelos de fronteira chegam às empresas com capacidades impressionantes mas sem nenhum conhecimento sobre as exceções, decisões, transferências e hábitos institucionais que definem como um departamento de sinistros ou uma equipe de compliance realmente opera. Cada empresa que tenta alimentar agentes com documentação e logs está descobrindo a mesma verdade desconfortável: os dados de origem nunca contaram a história completa.
Observando o trabalho onde ele realmente acontece
A solução da Skan é radical em sua simplicidade: ir direto à fonte. A empresa implementa tecnologia de observação nos desktops dos funcionários que monitora continuamente como o trabalho se move entre aplicações – a planilha Excel, o sistema CRM, o cliente de email, o mainframe de 40 anos – e abstrai essas observações em um modelo vivo do processo de negócio subjacente.
“Pense assim: se eu compartilhasse minha tela aqui e você observasse minha tela indo de planilha Excel para sistema CRM, cliente de email, em cerca de duas iterações você construiria um modelo do que eu faço”, explicou Misra. “Exceto que você não poderia fazer isso em escala. Você não poderia fazer isso 24/7, e para 1.500 pessoas como eu. Agora substitua você pela nossa tecnologia.”
Essa abordagem também explica como a Skan se posiciona contra fornecedores de mineração de processos como a Celonis, que reconstroem fluxos de trabalho a partir dos rastros de dados deixados nos sistemas backend. Os logs de sistema, argumenta Misra, capturam apenas transações concluídas – não o trabalho humano bagunçado que as produziu. “Todos os dados de backend, por definição, são um estado comprometido de trabalho. O trabalho é realmente o que acontece entre esses estados comprometidos”, disse ele. “Oitenta por cento do que você está interessado, do ponto de vista da IA, na execução do trabalho, na verdade está entre esses sistemas.”
O desafio da privacidade e vigilância no local de trabalho
Uma abordagem baseada em observar continuamente as telas dos funcionários levanta objeções óbvias sobre privacidade e vigilância. Não é uma preocupação hipotética: em junho, a Reuters reportou que a Meta reduziu o uso de uma ferramenta interna que rastreava cliques do mouse dos funcionários após preocupações dos trabalhadores – um sinal de que mesmo empresas focadas em IA estão cautelosas sobre a linha entre telemetria operacional e vigilância.
Misra diz que ouviu essa objeção antes mesmo de escrever uma linha de código. Quando apresentou o conceito pela primeira vez para Delphine Icart, então diretora de transformação da AXA México, a reação dela foi direta. “As primeiras palavras de Delphine para mim foram: ‘Isso parece uma ótima ideia, mas você está morto na chegada'”, lembrou Misra. “‘Você está observando coisas que não deveria observar – a privacidade dos meus operadores e a soberania dos meus dados nessas telas.'”
Essa conversa moldou a arquitetura do sistema. A Skan agrega em vez de individualizar: o sistema revela padrões estatísticos entre centenas de trabalhadores executando o mesmo processo, não o comportamento de qualquer um deles individualmente. “Não estamos interessados no que João está fazendo às 10 horas e 43 segundos”, disse Misra. “Estamos interessados no que centenas de Joãos juntos – quais são as decisões estatísticas e semânticas que eles estão tomando nesse processo de negócio?”
As organizações controlam o que a tecnologia pode ver através de um modelo de escopo opt-in – aplicações e URLs específicos, nada mais – e os dados que a Skan produz nunca saem do firewall da empresa. Uma arquitetura de três camadas envia apenas metadados anonimizados para a nuvem. Misra aponta para implementações aprovadas por conselhos de trabalhadores europeus, entre os órgãos trabalhistas mais protetivos de privacidade do mundo, como evidência de que o modelo resiste ao escrutínio.
Resultados concretos em bancos e seguradoras
A Skan afirma ter gerado mais de US$ 500 milhões em valor acumulado para clientes até o momento. Pressionado sobre se isso representa economias realizadas ou projeções, Misra foi direto que é um envelope, não um saldo bancário. “O número vem do acumulado, entre todos os nossos clientes, das economias quantificadas que trouxemos para eles – as economias que eles esperavam economizar”, disse ele.
As evidências mais concretas vêm de implementações individuais. Em um dos principais bancos dos EUA, segundo a empresa, a Skan observou 11,2 milhões de mudanças de contexto entre 1.500 profissionais de finanças e descobriu US$ 37 milhões em atrito operacional. Transformar essas observações em contexto executável por agentes reduziu o custo por transação em 32%, aumentou o throughput em 41% e entregou US$ 18 milhões em economias anualizadas.
Misra apontou para uma operação antilavagem de dinheiro em um banco onde “60% dos casos agora estão sendo executados por agentes de IA”, acrescentando que os resultados surpreenderam até ele: “A precisão desses agentes supera muitas vezes a precisão dos humanos. Não é apenas um argumento de eficiência; também se tornou um argumento de qualidade.” Entre as seguradoras, ele disse, a Skan normalmente entrega cerca de 25% de aumento de produtividade em processos principais de sinistros; um cliente dobrou seu volume de casos no ano passado sem adicionar um único especialista em sinistros.
Como a IA aprende bom trabalho de funcionários imperfeitos
A tese da Skan se baseia em observar como o trabalho realmente é feito – o que levanta uma questão desconfortável. Funcionários reais cometem erros, tomam atalhos e perpetuam ineficiências. O que acontece quando o grafo de contexto codifica fielmente processos ruins?
A resposta de Misra busca o precedente mais famoso da IA moderna. “Pense por um momento no que a OpenAI fez”, disse ele. “A OpenAI pegou a totalidade do texto mundial e alimentou em uma arquitetura transformer, e a compreensão semântica emergiu. O modelo da OpenAI viu linguagem ruim e viu linguagem boa, e ainda assim é capaz de ter compreensão semântica.”
A Skan, ele argumenta, faz algo análogo com o trabalho: trata a execução de processos de negócios como uma linguagem, onde etapas do processo, recursos de tela e transferências substituem palavras e frases. Alimentado com execuções de ponta a ponta suficientes, o modelo aprende a distribuição completa de caminhos – eficientes, lentos, compatíveis – sem assumir que qualquer caminho único é o melhor. “O caminho mais longo pode ser o melhor caminho, porque é mais compatível”, disse Misra. Uma organização então restringe o modelo ao longo dos eixos que importam, e o modelo retorna o caminho que os satisfaz.
A corrida para possuir a camada de contexto da IA empresarial
A Skan está na interseção de várias categorias lotadas, e sua resposta para cada concorrente é uma variação do mesmo tema: escopo. Fornecedores de mineração de processos veem apenas o que os logs registram. Os incumbentes de RPA reproduzem tarefas sem entendê-las. E os gigantes de plataforma – ServiceNow, Salesforce, Microsoft – estão enviando agentes capazes cuja visão termina em suas próprias paredes.
“O contexto ao qual esses agentes têm acesso é limitado ao ServiceNow, limitado ao Salesforce, enquanto o trabalho abrange processos em toda a empresa”, disse Misra. “Criar uma entrada de cliente é uma tarefa. Receber um email e decidir se uma entrada de cliente deve ser criada, ou outra coisa – esse é o processo, e é isso que estamos buscando.”
O argumento estratégico mais profundo, e aquele que parece ressoar com a base de clientes regulamentados da Skan, é sobre diferenciação em um mundo onde toda empresa tem acesso aos mesmos modelos de fronteira. “Se toda companhia de seguros, todo banco tivesse acesso aos mesmos modelos, então os resultados decairão assintoticamente para o resultado do modelo”, disse Misra. “Historicamente, você competiu e se diferenciou na maneira como organizou o trabalho. Essa palavra antiga – processo – agora volta como contexto para IA. Mas esse contexto é protegido por você. Não faz parte do modelo.”
O que isso significa para o mercado brasileiro
Para empresas brasileiras, a abordagem da Skan oferece lições importantes sobre implementação de IA. Primeiro, sugere que o problema com projetos de IA que falham pode não estar na tecnologia em si, mas na falta de compreensão sobre como o trabalho realmente acontece dentro das organizações. Isso é especialmente relevante em um mercado onde processos informais e “jeitinho brasileiro” muitas vezes diferem significativamente da documentação oficial.
Segundo, a ênfase em privacidade e conformidade da Skan pode ressoar com empresas brasileiras navegando pela LGPD. A capacidade de manter dados sensíveis dentro do firewall corporativo enquanto ainda extrai insights valiosos sobre processos pode ser um diferencial importante.
Terceiro, o foco em setores regulamentados como bancos e seguradoras – fortemente presentes no Brasil – sugere que a tecnologia pode ter aplicação imediata em grandes instituições financeiras brasileiras que buscam modernizar operações mantendo conformidade regulatória.
Conclusão
O investimento de US$ 63 milhões na Skan AI representa uma aposta de que o problema com a IA empresarial não está nos modelos, mas no contexto. Enquanto a corrida tecnológica se concentra em criar modelos cada vez mais poderosos, a Skan está construindo o mapa que esses modelos precisam para navegar nas complexidades reais das empresas. Como disse Misra: “Você não pode recuperar contexto que não captura.” Em um mundo onde todos terão acesso aos mesmos modelos de IA de ponta, entender como sua empresa realmente funciona pode ser a única vantagem competitiva sustentável. Para o mercado brasileiro, onde a distância entre processos documentados e práticas reais é frequentemente significativa, essa abordagem pode ser particularmente valiosa.
Fonte original: Este artigo foi adaptado e traduzido a partir da matéria “Skan AI raises $63 million betting that watching how employees actually work is the missing layer of enterprise AI” publicada em VentureBeat, disponível em https://venturebeat.com/data/skan-ai-raises-63-million-betting-that-watching-how-employees-actually-work-is-the-missing-layer-of-enterprise-ai.
