Molte aziende vogliono usare l’intelligenza artificiale per ridurre il lavoro manuale, ma incontrano lo stesso ostacolo prima ancora di scegliere un modello o una piattaforma: non sanno descrivere con precisione come si svolgono le attività che vorrebbero automatizzare. Procedure stratificate nel tempo, eccezioni gestite via email, fogli di calcolo aggiornati da persone diverse e conoscenze affidate all’esperienza dei singoli rendono difficile trasformare il lavoro quotidiano in istruzioni eseguibili da un software.
Su questo problema punta Marble Cognition, startup con sede a Monaco di Baviera che ha raccolto 3,75 milioni di dollari, equivalenti a circa 3,35 milioni di euro, in un round pre-seed. L’operazione è stata co-guidata da Heartcore e Seedcamp; al finanziamento hanno partecipato anche angel investor, fra cui un membro del board di Datadog, un fondatore di Personio e manager provenienti da McKinsey, Mistral AI e Lovable.
La società, che usa il nome Marble, intende impiegare le risorse per aumentare la capacità di inference, ampliare il team ingegneristico a Monaco e preparare il lancio negli Stati Uniti. È una fase iniziale per un’azienda nata alla fine del 2025, ma il finanziamento indica quale segmento del mercato degli agenti AI stia attirando attenzione: non soltanto la costruzione di assistenti capaci di rispondere o generare contenuti, bensì la raccolta del contesto operativo necessario affinché possano svolgere compiti concreti.
Prima capire il lavoro, poi affidarlo a un agente
Marble è stata fondata da Felix Rösner e Christophe Schmit, incontratisi nel programma CDTM di Monaco. La proposta della startup parte dall’osservazione delle attività eseguite nei software aziendali: la sua applicazione desktop registra segnali come ciò che appare sullo schermo, clic e sequenze di digitazione nelle applicazioni di lavoro. Da questi elementi, Marble dichiara di ricostruire mappe strutturate dei processi, leggibili dai sistemi AI.
Su quella mappatura vengono poi creati i cosiddetti Marble Coworkers, agenti pensati per eseguire processi dall’inizio alla fine utilizzando gli strumenti che l’azienda già possiede. Il disegno non elimina necessariamente la supervisione umana: per le fasi che richiedono valutazione, autorizzazioni o decisioni sensibili, il modello previsto è quello con una persona coinvolta nel flusso.
La distinzione è rilevante. Gran parte dei progetti di automazione aziendale parte da regole formalizzate, integrazioni fra applicazioni e workflow che qualcuno deve progettare. Marble prova invece a trasformare in prodotto la fase precedente: individuare il modo effettivo in cui il lavoro viene svolto, comprese le abitudini e i passaggi che raramente trovano posto in un manuale operativo. Rösner sintetizza l’approccio sostenendo che gli agenti debbano prima osservare il lavoro e solo dopo assumersene una parte.
Secondo Marble, nelle organizzazioni con cui collabora circa il 90% dei processi chiave non è documentato formalmente. Il dato è una stima della società e non una misura generale del mercato, ma descrive bene la difficoltà pratica che accompagna l’adozione dell’AI nelle funzioni amministrative, commerciali e operative. McKinsey ha stimato che la tecnologia disponibile potrebbe teoricamente automatizzare circa il 57% delle ore lavorate negli Stati Uniti; la distanza fra potenziale teorico e implementazione concreta dipende spesso dalla qualità delle procedure, dei dati e dei controlli disponibili.
La raccolta del contesto è anche una questione di fiducia
Un software che osserva schermate, clic e digitazione apre inevitabilmente un capitolo delicato su privacy, sicurezza e rapporto con i dipendenti. Marble afferma che le informazioni raccolte vengono anonimizzate prima che siano visibili a persone o modelli AI, anche quando l’elaborazione avviene nel cloud del cliente. La startup sostiene inoltre che l’app si limiti alle applicazioni aziendali, escludendo app e schede private e ogni attività esterna all’orario di lavoro.
La piattaforma dovrebbe poter essere messa in pausa in qualsiasi momento dagli utenti, mentre l’analisi sarebbe eseguita su dati aggregati e non con l’obiettivo di valutare i singoli lavoratori. Sono garanzie importanti, ma la loro efficacia pratica dipenderà dalla configurazione presso ciascun cliente, dalle policy aziendali e dai vincoli normativi applicabili. Nelle realtà europee, in particolare, l’impiego di strumenti capaci di monitorare attività digitali richiede attenzione ai principi di minimizzazione dei dati, trasparenza, proporzionalità e, dove previsto, al confronto con le rappresentanze dei lavoratori.
Per Marble non basta quindi dimostrare che un agente sa replicare una procedura. Dovrà convincere le imprese che l’osservazione necessaria a impararla può avvenire senza diventare sorveglianza invasiva e senza esporre informazioni riservate contenute nei flussi di lavoro. È un equilibrio che riguarda password, dati di clienti, documenti finanziari, conversazioni interne e tutti quei contenuti che possono comparire su uno schermo anche durante una mansione apparentemente semplice.
Un mercato affollato, con un punto di ingresso diverso
Il settore degli agenti AI per l’impresa è sempre più popolato da fornitori di modelli, piattaforme di orchestrazione, software di robotic process automation e prodotti verticali rivolti a funzioni specifiche. In questo scenario, Marble cerca di differenziarsi non proponendo un’automazione standard da adattare ai processi del cliente, ma ricavando il processo dall’osservazione del cliente stesso.
La tesi ha un vantaggio evidente: se la ricostruzione è accurata, l’agente può aderire meglio agli strumenti, alle eccezioni e alle pratiche già in uso. C’è però anche un limite strutturale. I processi aziendali cambiano, le persone adottano scorciatoie diverse e una procedura replicata perché frequente non è automaticamente quella corretta, efficiente o conforme. La mappa prodotta dal software deve perciò essere validata da chi conosce il dominio, mentre il passaggio dall’osservazione all’esecuzione richiede controlli adeguati sulle azioni che l’agente è autorizzato a compiere.
Marble cita tra i propri clienti EGYM, Mutares ed Enam, oltre ad altre aziende tecnologiche, organizzazioni partecipate da private equity e AI roll-up sostenuti da fondi. Per una giovane startup, questi primi impieghi sono soprattutto un banco di prova: dovranno mostrare se l’osservazione dei flussi riduce davvero i tempi di analisi dei processi e se gli agenti riescono a produrre risultati affidabili una volta inseriti nelle operazioni quotidiane.
L’arrivo di Heartcore e Seedcamp aggiunge al progetto due investitori europei con esperienza nelle società software in fase iniziale. Seedcamp ha richiamato, commentando l’operazione, precedenti investimenti in aziende che hanno inciso sugli strumenti del lavoro, fra cui UiPath e Synthesia. Il parallelismo va preso per quello che è, ossia la lettura di un investitore su una scommessa pre-seed, non come una previsione sul percorso di Marble. Ma chiarisce l’ambizione: presidiare il tratto che separa l’AI dimostrativa da un’automazione capace di entrare nei processi aziendali.
La prossima verifica sarà l’esecuzione
Con il nuovo capitale Marble dovrà costruire infrastruttura, assumere ingegneri e affrontare l’espansione negli Stati Uniti. Sul piano tecnico, scalare l’inference è necessario se l’azienda vuole analizzare e far operare agenti su workflow complessi per più clienti. Sul piano commerciale, il nodo sarà dimostrare che il costo e il tempo necessari per osservare, mappare e governare una procedura siano inferiori al valore dell’automazione ottenuta.
La raccolta racconta anche un cambiamento nel modo in cui il mercato sta guardando agli agenti AI. La capacità di generare testo o chiamare un’applicazione non è sufficiente per entrare nei sistemi operativi di un’impresa. Servono contesto, memoria delle procedure, integrazioni, autorizzazioni e meccanismi che gestiscano gli errori. Marble sceglie di partire proprio da quel contesto, spesso disperso nelle routine delle persone. Se riuscirà a trasformarlo in automazioni verificabili senza compromettere riservatezza e controllo umano, avrà individuato un accesso concreto a una delle parti più difficili della trasformazione AI nelle aziende.
