Skan AI ระดมทุนได้ 63 ล้านดอลลาร์ ในการระดมทุนรอบซีรีส์ C โดยเดิมพันว่าอุปสรรคที่ใหญ่ที่สุดต่อเวิร์กโฟลว์ AI สำหรับองค์กรที่ใช้งานได้จริงไม่ใช่การมีโมเดลที่ฉลาดกว่า แต่คือความไม่สามารถของบริษัทในการมองเห็นว่าพนักงานของตนเองทำงานให้สำเร็จได้อย่างไรจริงๆ การระดมทุนรอบนี้ซึ่งร่วมกันนำโดย Cathay Innovation และ Dell Technologies Capital เกิดขึ้นในช่วงที่องค์กรต่างๆ กำลังเผชิญกับความจริงที่ชัดเจน: เอเจนต์ AI ส่วนใหญ่ที่พวกเขาใช้งานจนถึงตอนนี้ยังไม่สามารถทำงานได้จริง
Citi Ventures, Bloomberg Beta, State Farm Ventures และ Wipro Ventures ก็เข้าร่วมการระดมทุนรอบนี้ด้วย ทำให้ยอดระดมทุนรวมของบริษัทอายุเจ็ดปีนี้อยู่ที่ประมาณ 120 ล้านดอลลาร์ ควบคู่ไปกับการระดมทุน Skan AI ได้ประกาศการเปิดให้ใช้งานทั่วไปของผลิตภัณฑ์ใหม่สองตัว คือ Skan AI Blueprint และ Skan AI Agents ซึ่งจะเข้าร่วมกับโซลูชัน Skan AI Intelligence ที่มีอยู่เดิม เพื่อก่อร่างเป็นสิ่งที่บริษัทอธิบายว่าเป็นแพลตฟอร์มแบบครบวงจรสำหรับการค้นหา การสร้างแบบจำลอง และการทำเวิร์กโฟลว์ขององค์กรให้เป็นอัตโนมัติ
Summary
ประเด็นสำคัญ
- Skan AI ระดมทุนได้ 63 ล้านดอลลาร์ผ่านการระดมทุนรอบซีรีส์ C ที่นำร่วมกันโดย Dell Technologies Capital และ Cathay Innovation ทำให้ยอดระดมทุนรวมอยู่ที่ประมาณ 120 ล้านดอลลาร์
- บริษัทเปิดตัวผลิตภัณฑ์ใหม่สองตัว คือ Skan AI Blueprint และ Skan AI Agents ควบคู่ไปกับแพลตฟอร์ม Intelligence ที่มีอยู่เดิม
- ข้อมูลจาก Gartner ที่บริษัทอ้างถึงแสดงให้เห็นว่า มีเพียง 8% ขององค์กรเท่านั้นที่มีเอเจนต์ AI อยู่ในระบบการผลิต และ 95% ของการใช้งานระยะแรกจำเป็นต้องมีการออกแบบใหม่
- Skan อ้างว่ามีมูลค่าลูกค้าที่ถูกระบุสะสมมากกว่า 500 ล้านดอลลาร์ โดยมีลูกค้ารวมถึง 7 ใน 10 ธนาคารที่ใหญ่ที่สุดในสหรัฐฯ Unum และ Mitie
- แพลตฟอร์มทำงานบน Nvidia AI Enterprise และไมโครเซอร์วิส NIM และรวบรวมข้อมูลที่ไม่ระบุตัวตนภายในไฟร์วอลล์ขององค์กรเพื่อตอบโจทย์ด้านความเป็นส่วนตัว
รอบการระดมทุนที่สร้างขึ้นบนอัตราความล้มเหลวที่อุตสาหกรรมไม่อาจมองข้ามได้
การนำ AI สำหรับองค์กรไปใช้ ได้ชนกำแพงที่เงินเพียงอย่างเดียวไม่สามารถแก้ไขได้ งานวิจัยของ Gartner ที่ Skan AI อ้างถึงพบว่า มีเพียง 8% ขององค์กรเท่านั้นที่มีเอเจนต์ AI ทำงานอยู่ในระบบการผลิตในปัจจุบัน ขณะที่ 95% ของการใช้งานระยะแรกจะต้องมีการออกแบบใหม่ทั้งหมดก่อนที่จะสามารถสร้างมูลค่าได้ ตัวเลขเหล่านี้สอดคล้องกับรายงานของ MIT จากปีก่อนหน้า ตามที่ Fortune รายงาน ซึ่งบันทึกไว้ว่าประมาณ 95% ของโครงการนำร่องด้าน AI เชิงกำเนิดในองค์กรไม่ประสบความสำเร็จในการสร้างผลตอบแทนที่วัดได้
Avinash Misra ผู้ร่วมก่อตั้งและซีอีโอของ Skan โต้แย้งว่าอุตสาหกรรมนี้วินิจฉัยปัญหาผิดจุด ในการให้สัมภาษณ์กับ VentureBeat ก่อนการประกาศ เขากล่าวว่าโมเดลเองไม่ใช่คอขวด — ชิ้นส่วนที่ขาดหายไปคือภาพที่ถูกต้องของธุรกิจที่โมเดลเหล่านั้นถูกนำไปใช้งาน “ทุกคนหมกมุ่นอยู่กับการสร้างคนขับที่ดีกว่า” Misra กล่าว “เราคิดว่าโอกาสที่ใหญ่กว่าคือการสร้างระบบนำทางที่ดีกว่า”
นี่คือเหตุผลที่เรื่องนี้มีความสำคัญเกินกว่ารอบการระดมทุนรอบเดียว: หากองค์กรยังคงยึดเอเจนต์ไว้กับ เอกสารกระบวนการอย่างเป็นทางการ ที่ไม่สะท้อนให้เห็นว่างานเกิดขึ้นจริงอย่างไร วงจรการออกแบบใหม่ที่ Gartner อธิบายไว้ก็จะยังคงเกิดซ้ำไม่รู้จบ ไม่ว่าโมเดลพื้นฐานจะมีความสามารถมากเพียงใดก็ตาม
สร้างเวิร์กโฟลว์ AI สำหรับองค์กรจากสิ่งที่พนักงานทำจริงบนหน้าจอ
การเดิมพันหลักของ Skan คือช่องว่างระหว่างกระบวนการที่ถูกบันทึกไว้กับกระบวนการจริงคือจุดที่เอเจนต์ AI ล้มเหลว Misra และผู้ร่วมก่อตั้ง Manish Garg เริ่มไล่ตามช่องว่างนี้เมื่อเจ็ดปีก่อน นานก่อนที่ AI แบบเอเจนต์จะกลายเป็นวาระในห้องประชุมคณะกรรมการ “ทำไมองค์กร โดยเฉพาะองค์กรขนาดใหญ่ จึงเข้าใจได้ยากเหลือเกินว่างานของตัวเองถูกทำให้สำเร็จได้อย่างไรจริงๆ?” Misra ถาม “ทำไมต้องบินเรียกที่ปรึกษา McKinsey มาทำเรื่องนี้ให้?”
คำตอบของบริษัทคือการสังเกตงานโดยตรงแทนที่จะอนุมานจากเอกสารหรือบันทึกฝั่งแบ็กเอนด์ Skan ติดตั้งเทคโนโลยีการสังเกตบนเดสก์ท็อปของพนักงานที่ติดตามอย่างต่อเนื่องว่างานเคลื่อนที่ข้ามแอปพลิเคชันต่างๆ อย่างไร — สเปรดชีต ระบบ CRM ไคลเอนต์อีเมล ไปจนถึงเมนเฟรมอายุหลายสิบปี — และเปลี่ยนการสังเกตเหล่านั้นให้เป็นแบบจำลองที่มีชีวิตของกระบวนการพื้นฐาน แบบจำลองนั้นจะกลายเป็นกราฟบริบทที่เอเจนต์ของมันใช้เหตุผล
Misra เปรียบเทียบสิ่งนี้กับการดูหน้าจอของเพื่อนร่วมงาน “ถ้าผมแชร์หน้าจอของผมที่นี่ แล้วคุณสังเกตหน้าจอของผมที่เลื่อนไปมาระหว่าง Excel ระบบ CRM ไคลเอนต์อีเมล ในประมาณสองรอบคุณก็จะสร้างแบบจำลองของสิ่งที่ผมทำได้” เขากล่าว “ยกเว้นว่าคุณไม่สามารถทำแบบนั้นในระดับใหญ่ได้ คุณไม่สามารถทำได้ตลอด 24/7 และสำหรับคน 1,500 คนที่เหมือนผม ตอนนี้ลองแทนที่ตัวคุณเองด้วยเทคโนโลยีของเรา”
ทำไมการดึงเจตนา ไม่ใช่การสังเกต จึงเป็นส่วนที่ยาก
Skan วางตำแหน่งแนวทางของตนเทียบกับผู้ให้บริการ process mining อย่าง Celonis ซึ่งสร้างเวิร์กโฟลว์จากร่องรอยข้อมูลฝั่งแบ็กเอนด์ Misra โต้แย้งว่าบันทึกเหล่านั้นจับได้เพียงธุรกรรมที่เสร็จสิ้นแล้ว โดยพลาดขั้นตอนที่ยุ่งเหยิงของมนุษย์ที่ทำให้ธุรกรรมเหล่านั้นเกิดขึ้น “ข้อมูลฝั่งแบ็กเอนด์ทั้งหมด ตามคำจำกัดความแล้วคือ สถานะของงานที่ถูกคอมมิตแล้ว งานจริงๆ คือสิ่งที่เกิดขึ้นระหว่างสถานะที่ถูกคอมมิตเหล่านั้น” เขากล่าว โดยประเมินว่าประมาณ 80% ของสิ่งที่สำคัญต่อ AI เกิดขึ้นในช่องว่างนั้น
เขาเน้นว่าการดูหน้าจอไม่เคยเป็นปัญหาทางวิศวกรรมที่ยาก “ปัญหาที่ยากคือการทำ abstraction จากสิ่งที่คุณเห็นบนหน้าจอ — การดึงเจตนา” Misra กล่าว การสอนโมเดลให้แยกแยะระหว่างเคสใหม่จริงๆ กับงานแก้ไขบนเคสเก่า — สิ่งที่เพื่อนร่วมงานมนุษย์เข้าใจได้ทันที — คือจุดที่เขาเชื่อว่าความได้เปรียบจากการเริ่มต้นก่อนหลายปีของ Skan อยู่จริงๆ
ชั่งน้ำหนักระหว่างการเฝ้าติดตามพนักงานกับความโปร่งใสด้านการปฏิบัติงาน
การสังเกตหน้าจออย่างต่อเนื่อง ทำให้เกิดคำถามด้านความเป็นส่วนตัวที่ชัดเจน และไม่ใช่เรื่องสมมติ ในเดือนมิถุนายน Reuters รายงานว่า Meta ลดการใช้งานเครื่องมือภายในที่ติดตามการคลิกเมาส์ของพนักงานลงหลังจากที่พนักงานคัดค้าน — เป็นหลักฐานว่าบริษัทที่เดินหน้าเรื่อง AI อย่าง Meta เองก็ยังระมัดระวังเส้นแบ่งระหว่างเทเลเมทรีกับการสอดส่อง
Misra กล่าวว่าเขาได้ยินข้อคัดค้านนี้ก่อนจะเขียนโค้ดบรรทัดแรก การนำเสนอแนวคิดนี้ในช่วงแรกให้กับ Delphine Icart ซึ่งขณะนั้นเป็นหัวหน้าฝ่ายการเปลี่ยนแปลงของ AXA Mexico ได้รับคำตอบตรงไปตรงมา “คำพูดแรกของ Delphine ที่มีต่อผมคือ ‘ฟังดูเป็นไอเดียที่ดีนะ แต่คุณตายตั้งแต่ยังไม่เริ่ม'” เขาระลึกถึง “‘คุณกำลังสังเกตสิ่งที่คุณไม่ควรสังเกต — ความเป็นส่วนตัวของเจ้าหน้าที่ของฉัน และอธิปไตยของข้อมูลของฉันบนหน้าจอเหล่านั้น'”
การสนทนานั้นได้กำหนดรูปแบบการสร้างระบบ Skan รวบรวมข้อมูลในภาพรวมแทนที่จะระบุตัวบุคคล โดยแสดงรูปแบบทางสถิติจากพนักงานหลายร้อยคนที่ทำกระบวนการเดียวกัน แทนที่จะติดตามบุคคลใดบุคคลหนึ่ง “เราไม่สนใจว่า John กำลังทำอะไรอยู่ที่ชั่วโมงที่ 10 วินาทีที่ 43” Misra กล่าว “เราสนใจว่าสิ่งที่ John หลายร้อยคนทำรวมกันคืออะไร” องค์กรสามารถควบคุมสิ่งที่ระบบมองเห็นได้ผ่านการกำหนดขอบเขตแบบ opt-in ของแอปพลิเคชันและ URL เฉพาะ และข้อมูลที่ได้ จะไม่ออกจากไฟร์วอลล์ขององค์กร โดยมีเพียงเมทาดาทาที่ไม่ระบุตัวตนเท่านั้นที่ถูกส่งไปยังคลาวด์ผ่านสถาปัตยกรรมสามชั้น Misra ชี้ไปที่การติดตั้งใช้งานที่ได้รับการอนุมัติจากสภาคนงานยุโรปเป็นหลักฐานว่ารูปแบบนี้ผ่านการตรวจสอบอย่างจริงจังได้ แม้ว่าการรวบรวมในภาพรวมจะยังไม่อาจแก้ไขความตึงเครียดพื้นฐานได้อย่างสมบูรณ์ก็ตาม และ Misra ยอมรับว่าเทคโนโลยีนี้ในบางกรณีทำให้ลูกค้าลดจำนวนพนักงานในกระบวนการเฉพาะลง
500 ล้านดอลลาร์ของมูลค่าลูกค้าที่อ้างถึงแท้จริงแล้วหมายถึงอะไร
Skan ระบุว่าเทคโนโลยีของตนได้เผยให้เห็นมูลค่าลูกค้าที่ถูกระบุสะสมมากกว่า 500 ล้านดอลลาร์ แม้ว่า Misra จะชี้แจงอย่างตรงไปตรงมาว่าตัวเลขนี้เป็นการประเมินโอกาสมากกว่าจะเป็นเงินสดที่รับรู้แล้ว “ตัวเลขนี้มาจากผลรวมสะสมของลูกค้าทั้งหมดของเรา ของการประหยัดที่วัดได้ที่เราได้นำมาให้พวกเขา — การประหยัดที่พวกเขาคาดหวังว่าจะประหยัดได้” เขากล่าว โดยระบุว่าลูกค้าดำเนินการตามการประหยัดเหล่านั้นผ่านการออกแบบกระบวนการใหม่ การเปลี่ยนแปลงเทคโนโลยี และที่เพิ่มขึ้นเรื่อยๆ คือเอเจนต์ AI
ตัวเลขที่จับต้องได้มากกว่ามาจากการติดตั้งใช้งานแต่ละแห่ง ที่ธนาคารชั้นนำแห่งหนึ่งในสหรัฐฯ Skan ระบุว่าได้สังเกตการสลับบริบท 11.2 ล้านครั้งในหมู่ผู้เชี่ยวชาญด้านการเงิน 1,500 คน และระบุแรงเสียดทานด้านการปฏิบัติงานมูลค่า 37 ล้านดอลลาร์ การเปลี่ยนบริบทนั้นให้เป็นเวิร์กโฟลว์ที่เอเจนต์สามารถดำเนินการได้ส่งผลให้เกิด การลดต้นทุนต่อธุรกรรมลง 32% การเพิ่มปริมาณงานผ่านระบบขึ้น 41% และการประหยัดต่อปี 18 ล้านดอลลาร์ ในการปฏิบัติงานด้านการต่อต้านการฟอกเงินที่ธนาคารอีกแห่งหนึ่ง Misra กล่าวว่า “ตอนนี้ 60% ของเคสถูกดำเนินการโดยเอเจนต์ AI” โดยมีความแม่นยำที่ “เหนือกว่ามนุษย์หลายเท่า” ในหมู่บริษัทประกันภัย Skan รายงานว่ามีการยกระดับประสิทธิภาพการทำงานประมาณ 25% ในกระบวนการเคลมหลัก
ลูกค้าที่สามารถอ้างอิงได้ของ Skan ตอนนี้รวมถึง Mitie บริษัทบริหารจัดการสถานที่ในสหราชอาณาจักร และ Unum ผู้ให้บริการสวัสดิการพนักงานที่มีมูลค่า 13.8 พันล้านดอลลาร์ Cijo Joseph ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีและดิจิทัลของ Mitie กล่าวว่าเทคโนโลยีนี้ “มอบการมองเห็นด้านการปฏิบัติงานในระดับที่ไม่เคยมีมาก่อนซึ่งได้เร่งการเปลี่ยนผ่าน AI ของเราอย่างมาก” บริษัทปฏิเสธที่จะเปิดเผยรายได้ แต่ระบุว่ามีการเติบโตเกิน 300% เมื่อเทียบปีต่อปีเป็นปีที่สองติดต่อกัน ควบคู่ไปกับอัตราการรักษารายได้สุทธิ (net dollar retention) ประมาณ 150% ปัจจุบันบริษัทมีลูกค้าเป็น 7 ใน 10 ธนาคารที่ใหญ่ที่สุดในสหรัฐฯ และหนึ่งในสี่ของบริษัทใน Fortune 50
Nvidia คู่แข่ง และศึกชิงการครอบครองบริบทขององค์กร
Skan ทำงานบน Nvidia AI Enterprise และไมโครเซอร์วิส NIM ซึ่งเป็นความร่วมมือที่บริษัทหยิบยกขึ้นมาเน้นควบคู่ไปกับข่าวการระดมทุน Misra อธิบายถึงความต้องการที่เพิ่มขึ้นสำหรับอุปกรณ์ส่วนตัวที่สามารถสังเกตงาน เก็บแบบจำลองบริบท และรันเอเจนต์ได้ทั้งหมดภายในโครงสร้างพื้นฐานของลูกค้าเอง — การตั้งค่าที่ดึงดูดอุตสาหกรรมที่ถูกกำกับดูแลอย่างเข้มงวด เช่น ธนาคารและประกันภัย ซึ่งอธิปไตยของข้อมูลเป็นสิ่งที่ต่อรองไม่ได้
Skan ขีดเส้นแบ่งที่ชัดเจนระหว่างตนเองกับหมวดหมู่ที่อยู่ใกล้เคียง เครื่องมือ process mining มองเห็นได้เฉพาะสิ่งที่บันทึกฝั่งแบ็กเอนด์บันทึกไว้ แพลตฟอร์ม RPA เล่นซ้ำงานโดยไม่เข้าใจงานนั้น และแพลตฟอร์มยักษ์ใหญ่อย่าง ServiceNow, Salesforce และ Microsoft ส่งมอบเอเจนต์ที่มีความสามารถซึ่งการมองเห็นหยุดอยู่แค่ในระบบของตนเอง “บริบทที่เอเจนต์เหล่านี้เข้าถึงได้ถูกจำกัดอยู่แค่ ServiceNow แค่ Salesforce ในขณะที่งานจริงๆ ครอบคลุมกระบวนการทั่วทั้งองค์กร” Misra กล่าว
ข้อโต้แย้งในภาพรวมของเขาเกี่ยวกับความแตกต่างเมื่อทุกบริษัทเข้าถึงโมเดลระดับแนวหน้าแบบเดียวกันได้ “ถ้าทุกบริษัทประกันภัย ทุกธนาคารเข้าถึงโมเดลเดียวกันได้ ผลลัพธ์ก็จะค่อยๆ ลู่เข้าไปสู่ผลลัพธ์ของตัวโมเดล” เขากล่าว “คำนั้นคำเก่า — กระบวนการ — ตอนนี้กลับมาในฐานะบริบทสำหรับ AI แต่บริบทนั้นได้รับการปกป้องโดยคุณ มันไม่ใช่ส่วนหนึ่งของโมเดล” Simon Wu พาร์ตเนอร์ของ Cathay Innovation วางเดิมพันในทำนองเดียวกัน โดยเรียก Skan ว่า “หนึ่งในบริษัทแพลตฟอร์มที่กำหนดทศวรรษหน้า”
กรอบความคิดนั้นบ่งชี้ว่าจุดที่เดิมพันเชิงการแข่งขันตั้งอยู่จริงๆ คือที่ใด เมื่อผู้ขายจำนวนมากขึ้นไล่ตามโมเดลพื้นฐานแบบเดียวกัน ตัวสร้างความแตกต่างจะเปลี่ยนจากความสามารถดิบของ AI ไปสู่คำถามว่าใครควบคุมแผนที่เชิงลิขสิทธิ์ของวิธีการดำเนินธุรกิจ — และนั่นคือเลเยอร์ที่ Skan กำลังเร่งล็อกไว้ก่อนที่คู่แข่งจะสร้างกราฟบริบทที่เทียบเคียงกันได้ของตนเอง
คำถามที่พบบ่อย
นวัตกรรมเทคโนโลยีหลักของ Skan AI คืออะไร?
Skan AI ใช้เทคโนโลยีการสังเกตในระดับหน้าจอเพื่อดูว่าพนักงานทำงานข้ามแอปพลิเคชันต่างๆ อย่างไร และสร้างกราฟบริบทของเวิร์กโฟลว์จริง แทนที่จะพึ่งพาเฉพาะเอกสารกระบวนการหรือบันทึกของระบบ
Skan AI จัดการกับข้อกังวลด้านความเป็นส่วนตัวจากการเฝ้าติดตามพนักงานอย่างไร?
Skan รวบรวมข้อมูลที่ไม่ระบุตัวตนในภาพรวม ทำงานภายในไฟร์วอลล์ขององค์กร และจำกัดการสังเกตไว้เฉพาะแอปพลิเคชันและ URL ที่กำหนดขอบเขตผ่านโมเดลแบบ opt-in โดยข้อมูลจะไม่ออกจากไฟร์วอลล์
ใครบ้างคือหนึ่งในลูกค้าที่โดดเด่นของ Skan AI?
ลูกค้าของ Skan AI รวมถึง 7 ใน 10 ธนาคารที่ใหญ่ที่สุดในสหรัฐฯ ผู้ให้บริการสวัสดิการพนักงาน Unum และบริษัทบริหารจัดการสถานที่ในสหราชอาณาจักร Mitie
Skan AI ทำได้ผลลัพธ์อะไรบ้างในการติดตั้งใช้งาน?
การติดตั้งใช้งานที่ถูกรายงานแสดงให้เห็นการลดต้นทุนลง 32% การเพิ่มปริมาณงานผ่านระบบขึ้น 41% การประหยัดต่อปี 18 ล้านดอลลาร์ที่ธนาคารแห่งหนึ่ง และการยกระดับประสิทธิภาพการทำงานประมาณ 25% หรือมากกว่านั้นในหมู่ลูกค้ากลุ่มประกันภัย
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”นวัตกรรมเทคโนโลยีหลักของ Skan AI คืออะไร?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Skan AI ใช้เทคโนโลยีการสังเกตในระดับหน้าจอเพื่อดูว่าพนักงานทำงานข้ามแอปพลิเคชันต่างๆ อย่างไร และสร้างกราฟบริบทของเวิร์กโฟลว์จริง แทนที่จะพึ่งพาเฉพาะเอกสารกระบวนการหรือบันทึกของระบบ.”}},{“@type”:”Question”,”name”:”Skan AI จัดการกับข้อกังวลด้านความเป็นส่วนตัวจากการเฝ้าติดตามพนักงานอย่างไร?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Skan รวบรวมข้อมูลที่ไม่ระบุตัวตนในภาพรวม ทำงานภายในไฟร์วอลล์ขององค์กร และจำกัดการสังเกตไว้เฉพาะแอปพลิเคชันและ URL ที่กำหนดขอบเขตผ่านโมเดลแบบ opt-in โดยข้อมูลจะไม่ออกจากไฟร์วอลล์.”}},{“@type”:”Question”,”name”:”ใครบ้างคือหนึ่งในลูกค้าที่โดดเด่นของ Skan AI?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”ลูกค้าของ Skan AI รวมถึง 7 ใน 10 ธนาคารที่ใหญ่ที่สุดในสหรัฐฯ ผู้ให้บริการสวัสดิการพนักงาน Unum และบริษัทบริหารจัดการสถานที่ในสหราชอาณาจักร Mitie.”}},{“@type”:”Question”,”name”:”Skan AI ทำได้ผลลัพธ์อะไรบ้างในการติดตั้งใช้งาน?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”การติดตั้งใช้งานที่ถูกรายงานแสดงให้เห็นการลดต้นทุนลง 32% การเพิ่มปริมาณงานผ่านระบบขึ้น 41% การประหยัดต่อปี 18 ล้านดอลลาร์ที่ธนาคารแห่งหนึ่ง และการยกระดับประสิทธิภาพการทำงานประมาณ 25% หรือมากกว่านั้นในหมู่ลูกค้ากลุ่มประกันภัย.”}}]}
บทความนี้จัดทำขึ้นด้วยความช่วยเหลือของปัญญาประดิษฐ์และผ่านการทบทวนโดยทีมบรรณาธิการ
