Startup que grava como você trabalha e ensina a IA a substituir você levantou US$ 63 milhões

Existe um problema silencioso nas empresas que investiram pesado em inteligência artificial: quase nada funciona. Segundo o Gartner, apenas 8% das companhias conseguiram colocar agentes de IA de fato em operação, e 95% das primeiras tentativas terão de ser refeitas do zero. Um estudo do MIT chegou a número parecido: 95% dos projetos de IA generativa nas empresas não entregaram retorno mensurável.

A Skan AI, startup americana de sete anos, diz saber o motivo. E acaba de levantar US$ 63 milhões para provar sua tese, numa rodada liderada pela Cathay Innovation e pela Dell Technologies Capital, com participação de Citi Ventures, Bloomberg Beta, State Farm Ventures e Wipro Ventures. O total captado pela empresa chega a cerca de US$ 120 milhões.

A explicação da empresa é simples. Os modelos de IA são muito bons, mas chegam às companhias sabendo tudo sobre o mundo e nada sobre aquele lugar específico. Não conhecem as exceções, os atalhos, as decisões informais e os hábitos que definem como um departamento de sinistros ou um time de compliance realmente funciona. Não por acaso, o próprio estudo do MIT aponta que o excesso de soluções genéricas, pouco adaptadas à realidade de cada setor, está entre as principais causas do fracasso.

Para Avinash Misra, cofundador e CEO da Skan, a indústria inteira errou o diagnóstico. Todo mundo quer construir um motorista melhor, argumentou ele em entrevista ao site VentureBeat, quando a oportunidade real está em construir um sistema de navegação melhor.

A saída padrão do mercado é alimentar a IA com manuais de processo, procedimentos oficiais e registros dos sistemas. Esses documentos, porém, descrevem como o trabalho deveria ser feito, não como ele é. E é justamente nessa diferença que os projetos naufragam. A pergunta que levou Misra e o sócio Manish Garg a montar a empresa, sete anos atrás, era outra face do mesmo problema: por que é tão difícil para uma grande companhia entender como o próprio trabalho acontece, a ponto de precisar contratar consultoria para descobrir?

A solução: assistir à tela de todo mundo

A proposta da empresa é ir à fonte. A Skan instala um software nos computadores dos funcionários que observa continuamente como o trabalho circula entre os programas: a planilha, o sistema de vendas, o e-mail, o sistema antigo de mainframe que ninguém teve coragem de aposentar. A partir dessa observação, monta um modelo vivo de como o processo acontece de verdade.

A analogia que o executivo usa é a de alguém compartilhando a tela numa reunião. Em poucos minutos, qualquer pessoa entende o que a outra faz. O que ninguém consegue é fazer isso 24 horas por dia, simultaneamente, para 1.500 funcionários. É esse papel que a tecnologia assume.

A aposta da empresa é que os registros dos sistemas contam só o fim da história, porque guardam apenas transações concluídas. Segundo Misra, cerca de 80% do que interessa para a IA está no intervalo entre uma etapa registrada e outra, e esse intervalo só aparece na tela.

Ele também faz questão de dizer que observar não é o desafio técnico, e sim interpretar: entender, por exemplo, se um funcionário voltando à primeira etapa está começando um caso novo ou refazendo um antigo. Um humano percebe a diferença de imediato; ensinar isso a um modelo, em escala corporativa, é onde a empresa diz estar sua vantagem de sete anos.

Um sistema que observa a tela dos funcionários levanta um problema óbvio, e não é hipotético: em junho, a Meta recuou de uma ferramenta interna que rastreava cliques de mouse depois de reclamações dos empregados.

Misra conta ter ouvido essa objeção antes de escrever a primeira linha de código. Ao apresentar a ideia a uma executiva de transformação de uma seguradora, ouviu que o projeto era bom, mas estava morto na chegada, porque violava a privacidade dos operadores e a soberania dos dados exibidos naquelas telas. A conversa, segundo ele, definiu a arquitetura do produto.

O sistema passou a agregar em vez de individualizar: mostra padrões estatísticos de centenas de pessoas fazendo o mesmo processo, não o comportamento de uma. "Não estamos interessados no que o João está fazendo às 10 horas e 43 segundos", disse Misra ao VentureBeat. "Estamos interessados no que centenas de Joãos, juntos, decidem naquele processo."

Além disso, a empresa cliente escolhe exatamente quais aplicativos e endereços podem ser observados, e os dados não saem da rede dela: apenas metadados anonimizados vão para a nuvem. A Skan aponta como prova de solidez o fato de ter sido aprovada por conselhos de trabalhadores europeus, entre os mais rigorosos do mundo em proteção laboral.

Ainda assim, a tensão permanece. A mesma medição que revela um processo quebrado pode revelar uma equipe improdutiva. O próprio Misra reconhece que a tecnologia já levou clientes a reduzir o quadro de pessoal em determinados processos.

Os números que a empresa apresenta

A Skan afirma ter gerado mais de US$ 500 milhões em valor para clientes, mas o próprio CEO qualificou o dado quando questionado: trata-se de economia identificada, não necessariamente realizada. É o tamanho da oportunidade mapeada, da qual uma parte já virou dinheiro no caixa.

Os casos individuais são mais concretos. Num grande banco americano, a empresa diz ter observado 11,2 milhões de trocas de contexto entre 1.500 profissionais de finanças e identificado US$ 37 milhões em atrito operacional. A correção reduziu o custo por transação em 32%, elevou a produção em 41% e gerou US$ 18 milhões de economia anual.

Em outro banco, numa operação de prevenção à lavagem de dinheiro, 60% dos casos já são executados por agentes de IA. Segundo Misra, o resultado surpreendeu até ele: a precisão dos agentes superou várias vezes a dos humanos, o que transformou o debate de eficiência em debate de qualidade. Entre seguradoras, a empresa diz entregar cerca de 25% de ganho de produtividade em processos de sinistro; um cliente dobrou o volume de casos em um ano sem contratar um único especialista.

A Skan não revela faturamento, mas afirma ter crescido mais de 300% ao ano pelo segundo ano seguido, e diz atender sete dos dez maiores bancos americanos e um quarto das empresas da Fortune 50.

Há uma falha aparente na tese: funcionários erram, tomam atalhos e perpetuam ineficiências. O que acontece se o sistema registrar fielmente um processo ruim?

A resposta de Misra recorre à própria origem dos modelos de linguagem. A OpenAI, argumenta, alimentou seu sistema com a totalidade dos textos do mundo, bons e ruins, e ainda assim emergiu compreensão de sentido. A Skan diz fazer o equivalente com o trabalho, tratando processos como se fossem uma língua, em que etapas e transferências fazem o papel de palavras e frases. O modelo aprende todos os caminhos possíveis, sem supor que algum é o melhor, e a empresa depois define o critério que importa. Às vezes, observa o executivo, o caminho mais longo é o melhor justamente por ser o mais aderente às regras.

Ele cita um exemplo do que isso permite: num grande banco, o sistema compara em tempo real cada caso em andamento com um manual de controles de 600 páginas, disparando alertas quando alguma etapa obrigatória é pulada. Um documento que nenhum humano consegue guardar na cabeça vira uma camada de fiscalização automática.

A disputa pelo "contexto"

A tese comercial da empresa explica por que grandes bancos e seguradoras compraram a ideia. Se todas as empresas do mundo têm acesso aos mesmos modelos de IA, nenhuma se diferencia por eles. O que sobra como vantagem competitiva é aquilo que cada companhia tem de único: a maneira como organiza o próprio trabalho. Segundo Misra, a velha palavra processo volta agora com outro nome, contexto, e esse contexto pertence à empresa, não ao modelo.

É por isso que a Skan diz não competir com OpenAI, Google ou Anthropic, e sim torcer por elas. A aposta embutida nos US$ 63 milhões é que a disputa está deixando de ser sobre quem tem o modelo mais inteligente para ser sobre quem sabe como a própria empresa realmente funciona. Ou, como resume o fundador, não há como recuperar um contexto que nunca foi capturado.