Хоча революція ШІ обіцяє безпрецедентну продуктивність, великі підприємства стикаються з величезною перешкодою: вони не можуть інтегрувати складні моделі в заплутані застарілі середовища. Новий стартап June намагається вирішити цю кризу розгортання, використовуючи ШІ для автоматизації процесів, які зараз потребують цілих армій дорогих консультантів.

Парадокс впровадження ШІ

У міру того, як моделі ШІ стають дедалі потужнішими, попит на ручні професійні послуги насправді зростає. Компанії наймають «Forward-Deployed Engineers» (FDE) — команди, які впроваджуються всередину організації, щоб вручну поєднати сирі моделі ШІ з існуючою корпоративною інфраструктурою.

Ефрат Рапопорт, колишня керівниця Salesforce, каже, що найм більшої кількості людей для управління складністю є нежиттєздатним. Такий ручний підхід створює «вузьке місце», яке заважає навіть найпотужнішим LLM приносити реальну цінність компаніям зі списку Fortune 500.

Вирішення хаосу в застарілих даних

Найбільшою перешкодою є не інтелект моделі, а «хаос під нею». Великі корпорації працюють на суміші платформ — Salesforce, ServiceNow, Databricks, Workday — перевантажених технічним боргом, дубльованими полями та непослідовними робочими процесами.

Платформа June сканує системи компанії, вивчає її унікальні процеси та автоматично створює покрокову дорожню карту розгортання. Замість того, щоб архітектори вручну прокладали шляхи інтеграції, June виявляє вузькі місця, пропонує користувачам очистити дубльовані дані або підключити джерела, а потім автоматично будує інтеграцію.

Вихід за межі «чорної скриньки» консалтингу

June замінює модель з високим рівнем тертя та високою вартістю на інструмент самообслуговування. Для CMG, великого американського іпотечного кредитора, різниця стала трансформаційною. Після боротьби з Claude Code та Salesforce за допомогою традиційного консалтингу, June дозволила їхній команді визначити точки розгортання та рухатися далі без тижнів перешкод.

Автоматизуючи «сантехніку» — очищення даних, мапування, оптимізацію робочих процесів — June дозволяє компаніям перейти від експериментального «vibe-coding» до масштабованих операцій на базі агентів без роздування штату спеціалізованих інженерів.

Чому це важливо для ландшафту ШІ

Наступна хвиля ШІ оцінюватиметься не за кількістю параметрів, а за тим, хто зможе вплести моделі в існуючий економічний механізм. Якщо June досягне успіху, галузь може перейти від моделі, орієнтованої на послуги, до моделі, керованої програмним забезпеченням, що знизить бар'єр для автоматизації підприємств і прискорить епоху «Agentic Workflow».

Основні висновки

  • Автоматизація інтеграції: June сканує та мапує складні застарілі системи, а потім надає автоматизовану дорожню карту для усунення фрагментації даних і технічного боргу.
  • Зменшення витрат на персонал: Платформа замінює дорогих Forward-Deployed Engineers моделлю розгортання самообслуговування «build-on-click».
  • Підтримка важковаговиків: Створена командою, що стоїть за Bonobo AI, June залучила 20 мільйонів доларів у межах раунду pre-seed під керівництвом Time Ventures Марка Беніоффа.

June представила платформу на базі ШІ, яка автоматично інтегрує великі мовні моделі (LLM) у застарілі корпоративні системи, стверджуючи, що це усуне потребу в дорогих командах інженерів розгортання.

Вузьке місце інтеграції

Протягом останнього року підприємства купували дедалі потужніші LLM, проте більшість все ще спотикається на першому ж етапі: підключенні цих моделей до суміші локальних (on-prem) та хмарних додатків. Типовим рішенням є найм команди FDE — консультантів, які впроваджуються в компанію, вручну мапують потоки даних і пишуть допоміжний код (glue code).

Ефрат Рапопорт називає такий підхід «нежиттєздатним». Збільшення штату не усуває дубльовані поля, застарілі таблиці та ізольовані робочі процеси; воно лише відкладає неминуче «вузьке місце». Парадокс очевидний: у міру того, як моделі ШІ стають дедалі потужнішими, попит на послуги з ручного впровадження зростає, а не падає.

Як працює платформа June

June змінює правила гри. Замість того, щоб надсилати інженерів для аудиту середовища клієнта, платформа використовує власний ШІ для сканування існуючого технологічного стека — Salesforce, ServiceNow, Databricks, Workday або кастомної ERP. Сканування створює детальну карту схем даних, API-ендпоінтів та тригерів робочих процесів. На основі цієї карти June автоматично визначає:

  • Надлишкові або «сирітські» поля даних, що перешкоджають навчанню моделі
  • Невідповідні API-контракти, які призведуть до помилок під час виконання
  • Прогалини в робочих процесах, де агент на базі LLM міг би принести користь

The platform then generates a remediation plan, prompting the user to approve clean-up actions such as de-duplicating tables or establishing secure data pipelines. Once approved, the same AI engine executes the changes, builds the connectors, and deploys the LLM as a managed service.

In practice, the workflow replaces a multi-week consulting engagement with a "build-on-click" experience. Internal teams can iterate on integrations without waiting for external engineers.

A real-world test case

CMG, a major U.S. mortgage lender, struggled to connect Claude Code—a conversational AI tool—to its Salesforce instance. Traditional architectural consulting forced the firm into a series of back-and-forth meetings, each adding weeks of delay. After switching to June’s platform, CMG’s staff pinpointed exact integration points, ran the automated cleanup, and launched the LLM in days rather than weeks. The result: a functional agent that answers underwriting queries without an external FDE crew.

What’s at stake

The approach assumes an AI can reliably understand a company’s data-governance policies, security constraints, and regulatory requirements. A mis-configured connector could expose sensitive customer information or trigger downstream failures. Critics warn that fully automated integration may still need a human safety net, especially in heavily regulated sectors like finance or healthcare.

Industry ripple effects

June emerged from the team that built Bonobo AI and has already secured $20 million in pre-seed funding led by Marc Benioff’s Time Ventures. The backing signals investor confidence that the next wave of AI value will come from software that lowers deployment friction, not from ever larger model sizes.

Counter-point: the human factor

Automation does not erase all complexity. Legacy systems often carry undocumented customizations, and some integration points involve legacy code that cannot be rewritten without risking stability. June’s platform may accelerate the "plumbing" phase, but enterprises will still need domain experts to validate that automated fixes align with business rules and compliance mandates.

What to watch next

  • Adoption metrics: Early churn and the speed at which new firms move from pilot to production will reveal whether automation truly replaces human engineers.
  • Regulatory response: As AI embeds in core business functions, regulators may issue guidelines on automated integration, especially regarding data privacy.
  • Competitive landscape: Other startups and established vendors are racing to bundle AI deployment tools with their cloud platforms. How June differentiates its scanning and remediation engine will be critical.
  • Pricing transparency: Comparing platform costs with traditional consulting fees will determine its appeal to cost-conscious CFOs.

June’s claim to automate the messy, legacy-laden world of enterprise AI deployment is bold, and the initial results at CMG suggest the technology can cut weeks of work down to days. Whether the model can consistently handle the edge cases that keep consulting firms in business will decide if the AI integration market truly pivots from people-heavy to software-heavy. The next few quarters will tell if "build-on-click" becomes the new standard for turning LLMs into revenue-generating agents.