CADDi Series D più che raddoppia la sua valutazione, ma i dati di fabbrica sono il vero banco di prova
CADDi ha raccolto 114 milioni di dollari in un finanziamento Series D con una valutazione di 1,2 miliardi di dollari, più che raddoppiando il valore dichiarato della startup di AI per la manifattura rispetto a marzo 2025. Il CADDi Series D trasforma un’azienda di software specializzata in un caso attentamente osservato per capire se l’AI possa funzionare con i disegni, i registri di produzione e le decisioni non documentate presenti nelle fabbriche.
L’azienda, con sedi a Tokyo e Chicago, non promette un chatbot generalista migliore. Vuole costruire un livello dati condiviso tra file di progettazione assistita da computer, disegni tecnici, registri degli acquisti, software aziendali e altri sistemi manifatturieri. Il suo software utilizza poi queste informazioni connesse per supportare ricerca, revisioni di progettazione, decisioni di acquisto e agenti AI specializzati.
Questo approccio mette CADDi di fronte a un avversario più radicato di qualsiasi singola startup. I produttori si affidano già a sistemi di gestione del ciclo di vita del prodotto, pianificazione delle risorse aziendali, archiviazione documentale e strumenti di ingegneria forniti da vendor affermati. CADDi deve dimostrare che un nuovo livello di intelligence possa collegare questi sistemi senza trasformarsi nell’ennesimo archivio isolato.
Il CADDi Series D ricalibra una scommessa sull’AI per la manifattura
Il nuovo finanziamento valuta la strategia dati di CADDi, non solo la sua capacità di cercare disegni tecnici.
Il round è stato riportato il 15 settembre 2026. Otto investitori, nuovi e già presenti, hanno partecipato, secondo l’azienda e un resoconto del finanziamento pubblicato da Fortune.
Tra i nuovi investitori figurano Moore Strategic Ventures, Coreline Ventures, Salesforce Ventures, Woven Capital sostenuta da Toyota e l’HR Tech Fund di Recruit Holdings. Hanno partecipato anche gli investitori esistenti Atomico, Globis Capital Partners e fondi gestiti da una controllata di Japan Post Bank.
L’annuncio giapponese del Series D di CADDi ha descritto l’operazione come pari a 17,7 miliardi di yen e ha fissato il valore aziendale a 182 miliardi di yen. Ha dichiarato che il finanziamento azionario cumulativo aveva raggiunto 36,31 miliardi di yen.
Il finanziamento segue una significativa rivalutazione in un breve periodo. CADDi aveva riportato una valutazione di 470 milioni di dollari a marzo 2025. L’ultimo valore di 1,2 miliardi di dollari è circa 2,6 volte tale importo.
L’azienda afferma che il round porta il finanziamento totale a 234 milioni di dollari. Il capitale sosterrà quattro priorità: sviluppo proprietario dell’AI, espansione della piattaforma di dati manifatturieri, crescita internazionale incentrata sul Nord America e assunzioni.
Queste priorità mostrano quanto sia cambiata l’ambizione di CADDi. L’azienda è partita da un problema più circoscritto, relativo a componenti duplicati, disegni tecnici e decisioni di approvvigionamento. Ora vuole diventare la base informativa su cui poggiano molteplici flussi di lavoro di ingegneria e produzione.
Il prodotto originario, CADDi Drawer, acquisiva disegni tecnici e individuava componenti simili nei registri di un produttore. Questa ricerca poteva aiutare un cliente a riutilizzare le scorte, tornare a un fornitore esistente o riconsiderare una decisione di acquisto.
Da allora CADDi ha rinominato il prodotto CADDi Explorer e lo ha affiancato a un portafoglio software più ampio. CADDi Agent gestisce analisi manifatturiere definite, mentre le applicazioni di workflow sono rivolte alla revisione della progettazione, all’analisi dei costi, ai preventivi e alla preparazione della produzione.
Questa espansione conta più dell’etichetta di unicorno. La ricerca è un punto d’ingresso utile perché i dipendenti riconoscono immediatamente la frustrazione di dover cercare disegni. L’opportunità commerciale più ampia dipende dalla capacità di trasformare quell’indice di ricerca in un’infrastruttura usata lungo l’intero ciclo di vita di un prodotto.
CADDi afferma che le vendite stanno più che raddoppiando ogni anno, sebbene non abbia divulgato ricavi o numero di clienti. Riferisce di avere clienti in 22 Paesi e dichiara che oltre metà dei 100 maggiori produttori giapponesi utilizza il suo software.
Si tratta di dati forniti dall’azienda, non di metriche verificate tipiche di una società quotata. Tuttavia, aiutano a spiegare perché gli investitori stiano sostenendo un’espansione anziché un prodotto con una sola funzionalità.
Il round concede inoltre a CADDi il tempo necessario per perseguire implementazioni aziendali, che di solito comportano revisioni di sicurezza, integrazioni, preparazione dei dati e formazione dei dipendenti. Questi progetti non possono essere valutati secondo i cicli di adozione del software consumer.
Il finanziamento crea quindi un parametro di confronto impegnativo. CADDi dovrà dimostrare che la sua linea di prodotti ampliata generi un utilizzo più profondo e ripetibile tra team di ingegneria, approvvigionamento, qualità e produzione.
Perché i dati manifatturieri sono diventati il premio più ambito
I produttori non soffrono di mancanza di informazioni; manca loro un modo affidabile per collegare informazioni create da persone, formati e sistemi diversi.
Un disegno tecnico contiene molto più della geometria. Può includere materiali, tolleranze, trattamenti superficiali, dimensioni, cronologie delle revisioni e note di produzione. Le decisioni correlate possono risiedere in sistemi di acquisto, rapporti sulla qualità, fogli di calcolo, email o nella memoria di un ingegnere esperto.
I modelli linguistici generalisti funzionano al meglio con testi accessibili. Sono meno affidabili quando il compito richiede di interpretare geometrie, abbinare componenti visivamente simili o tracciare una modifica progettuale attraverso registri di produzione e qualità.
CADDi afferma di affrontare questa lacuna con modelli proprietari per dati specifici della manifattura, inclusi disegni bidimensionali e file CAD tridimensionali. Per documenti e fogli di calcolo utilizza modelli linguistici di grandi dimensioni generalisti.
Questa distinzione definisce la sua strategia. Invece di chiedere a un solo modello di comprendere ogni formato industriale, la piattaforma combina interpretazione specializzata e capacità linguistiche più ampie.
La sua piattaforma manifatturiera ha quattro livelli concettuali. Il primo acquisisce e analizza dati operativi. Il secondo aggiunge relazioni e contesto aziendale. Il terzo rende le informazioni accessibili tramite ricerca e agenti. I prodotti di workflow acquisiscono poi nuove decisioni e risultati.
Quest’ultimo passaggio è importante. Una piattaforma dati diventa più utile quando il lavoro quotidiano aggiunge continuamente contesto strutturato. Una ricerca di disegni può rivelare un difetto passato, mentre una revisione completata registra il motivo per cui un ingegnere ha approvato il nuovo progetto.
Nel tempo, questo ciclo può trasformare file disconnessi in una memoria istituzionale. Può inoltre ridurre la dipendenza dai dipendenti che ricordano dove sono archiviati i documenti o perché un team precedente abbia scelto un determinato fornitore.
L’amministratore delegato Yushiro Kato ha dichiarato a Fortune che oltre l’80% delle conoscenze sui processi di lavoro manifatturieri non viene mai registrato. CADDi non ha fornito ricerche indipendenti a sostegno di questa percentuale esatta, quindi dovrebbe essere considerata una valutazione del fondatore.
La sfida di fondo è ampiamente riconosciuta. McKinsey ha rilevato che il 46% dei chief operating officer intervistati ha citato limiti nei sistemi dati o IT e di tecnologia operativa. Infrastrutture obsolete e scarsa qualità dei dati sono state tra le barriere specifiche individuate nella sua ricerca sull’AI nella manifattura.
Questa rilevazione aiuta a spiegare il tempismo del round. I produttori stanno sperimentando l’AI, ma molti non riescono ad andare oltre progetti pilota circoscritti perché i loro dati operativi rimangono frammentati.
CADDi scommette che il problema dei dati debba essere affrontato insieme al problema delle applicazioni. La sua piattaforma non richiede ai clienti di abbandonare ogni sistema esistente. Mira ad acquisire informazioni da quei sistemi, stabilire relazioni e rendere utilizzabile il record combinato.
Questo approccio ha un’attrattiva pratica. Sostituire un ERP centrale o un sistema di gestione del ciclo di vita del prodotto può diventare un progetto pluriennale. Un livello di intelligence promette un percorso più incrementale, iniziando da un workflow in cui ricerche lente o sforzi duplicati generano costi evidenti.
Tuttavia, sovrapporre software a sistemi frammentati non ripara automaticamente i dati sottostanti. Nomi di componenti duplicati, revisioni mancanti, regole di accesso incoerenti e registri imprecisi richiedono comunque governance.
L’AI può rendere più semplice interrogare un dataset connesso. Non può garantire che il dataset rifletta la fabbrica attuale, le specifiche approvate o ogni eccezione nota ai lavoratori in prima linea.
Il finanziamento arriva quindi in un momento favorevole, ma anche difficile. Gli acquirenti aziendali desiderano AI utilizzabile ora, mentre le informazioni necessarie per sostenerla restano distribuite tra decenni di software e pratiche locali.
CADDi sfida lo stack frammentato della fabbrica
Il principale avversario di CADDi è lo stack frammentato della fabbrica, un insieme di sistemi essenziali che raramente offre un’unica visione utilizzabile della conoscenza ingegneristica.
I produttori possiedono già software per progettazione di prodotto, pianificazione aziendale, controllo qualità, gestione documentale, approvvigionamento ed esecuzione in fabbrica. Grandi vendor come Siemens, PTC, Autodesk, Dassault Systèmes, SAP e Oracle occupano parti di questo ambiente.
Questi vendor non sono intercambiabili con CADDi. Alcuni gestiscono registri di prodotto autorevoli, mentre altri supportano progettazione, pianificazione o produzione. Inoltre continuano ad aggiungere funzionalità AI alle proprie piattaforme.
La proposta di CADDi è che conoscenze preziose rimangano difficili da recuperare anche dopo che i produttori hanno installato questi sistemi. Un ingegnere potrebbe cercare in un server di disegni, controllare un record ERP, aprire documenti sulla qualità e chiedere a un collega senior prima di decidere se un progetto precedente possa essere riutilizzato.
La startup vuole che CADDi Explorer diventi il livello di scoperta lungo questo processo. Vuole poi che CADDi Agent e i suoi prodotti di workflow assumano compiti di analisi definiti.
Per esempio, CADDi Design Review esamina nuovi disegni o modelli rispetto a problemi associati a componenti simili. L’azienda afferma che questo può segnalare potenziali errori prima e preservare lezioni che altrimenti rimarrebbero nelle cronologie dei singoli progetti.
CADDi Agent supporta inoltre la standardizzazione dei componenti e le valutazioni dell’impatto sulla qualità. In questi scenari, il software deve identificare i record pertinenti e aiutare i dipendenti a valutare in che modo una modifica proposta incida su prestazioni o sicurezza.
Questa è una proposta più difendibile rispetto a offrire un assistente generico con un’interfaccia per la manifattura. Disegni tecnici e cronologie di produzione richiedono acquisizione, indicizzazione, autorizzazioni e relazioni di dominio specializzate.
È anche più difficile da realizzare. Il software deve collegare i record senza eliminare lo stato di revisione, il contesto del prodotto o i controlli di accesso che determinano se un’informazione possa essere considerata affidabile.
Il vantaggio di CADDi potrebbe derivare dall’implementazione di diverse applicazioni sulla stessa base dati. Un cliente che inizia con la ricerca di disegni può aggiungere workflow di revisione della progettazione, analisi dei costi o preventivazione senza creare un dataset separato per ogni strumento.
Il rischio è che i fornitori software affermati possano seguire un percorso analogo. Un vendor di gestione del ciclo di vita del prodotto controlla già importanti registri di ingegneria. Un fornitore ERP possiede il contesto di acquisto e pianificazione. Le piattaforme cloud possono fornire storage, modelli e strumenti per creare agenti.
CADDi deve quindi dimostrare valore tra questi sistemi. Deve collegare i record in modo più efficace del team di integrazione interno di un produttore, offrendo al contempo applicazioni che i vendor incumbent non forniscono già.
La sua espansione da un prodotto di scoperta a sei prodotti di workflow mostra come intenda difendere questa posizione. Ogni workflow può generare più dati strutturati e rendere più difficile sostituire la piattaforma centrale.
Quella strategia ricorda un sistema di conoscenza che si autoalimenta. La ricerca rende disponibili i dati storici, le applicazioni li utilizzano durante il lavoro attivo e il lavoro completato crea nuovo contesto per le decisioni successive.
Richiede inoltre una rigorosa disciplina di prodotto. Supportare progettazione, approvvigionamento, qualità e ingegneria di produzione può portare a una suite ampia prima che ogni applicazione diventi essenziale.
Gli investitori stanno puntando molto sulla capacità di CADDi di gestire questa tensione. L’azienda deve diventare abbastanza ampia da fungere da infrastruttura condivisa, senza però diventare troppo dispersiva per competere con strumenti specializzati.
Dalla ricerca nei disegni agli agenti AI
Il meccanismo alla base della valutazione di CADDi è il passaggio dal trovare file all’eseguire decisioni con il contesto produttivo.
La ricerca aziendale tradizionale risponde a una domanda di localizzazione: dove si trova il documento pertinente? CADDi vuole che la sua piattaforma risponda a una domanda relazionale: in che modo questo progetto si collega a componenti precedenti, fornitori, costi, difetti e decisioni?
Ciò richiede più del riconoscimento ottico dei caratteri. Il sistema deve interpretare testi e forme, associare record correlati e preservare i metadati provenienti dai sistemi sorgente.
Una corrispondenza visiva tra disegni può rivelare che due team hanno ordinato componenti quasi identici con codici diversi. I dati di acquisto possono mostrare quanto è costato ciascun componente e quale fornitore lo ha prodotto. I registri qualità possono rivelare se una versione ha causato difetti ricorrenti.
Quando queste relazioni sono visibili, la piattaforma può supportare una decisione aziendale anziché limitarsi a recuperare un file. Un ingegnere può valutare il riutilizzo, un buyer può confrontare lo storico degli approvvigionamenti e un team qualità può esaminare le precedenti azioni correttive.
Il livello degli agenti AI estende questo modello. Un agente è un software che utilizza modelli e strumenti per completare una sequenza di lavoro definita. Nel caso di CADDi, il lavoro rilevante include l’analisi delle opportunità di standardizzazione o la valutazione degli effetti delle modifiche ingegneristiche.
La decisione dell’azienda di sviluppare modelli proprietari per disegni e dati CAD affronta un limite reale. Kato ha dichiarato a Fortune che i modelli linguistici generalisti non comprendono abbastanza bene i disegni tecnici da svolgere autonomamente revisioni progettuali.
Ciò non significa che i modelli di CADDi possano approvare in autonomia modifiche ingegneristiche critiche per la sicurezza. L’azienda presenta i propri prodotti come strumenti di analisi e supporto alle decisioni, mentre la responsabilità del giudizio ingegneristico resta ai team umani.
Un esempio pratico arriva da Unytite, produttore statunitense di fissaggi strutturali. L’azienda ha centralizzato oltre 60.000 disegni e documenti di produzione utilizzando CADDi Drawer.
CADDi afferma che i team di ricerca e sviluppo di Unytite hanno ridotto di oltre il 90% il tempo dedicato alla ricerca di informazioni ingegneristiche e produttive. Il caso cliente pubblicato descrive anche dipendenti della qualità che incrociano disegni, avvisi e azioni correttive.
Poiché CADDi ha pubblicato il caso, il miglioramento dichiarato va interpretato soprattutto come evidenza fornita dal vendor sulla propria clientela. Ciononostante, illustra perché la ricerca rappresenti un efficace punto di partenza.
Il compito iniziale è facile da comprendere e un cliente può misurare il tempo impiegato per individuare i record prima e dopo l’implementazione. La ricerca può inoltre generare valore senza delegare subito decisioni complesse a un agente.
La fase più difficile inizia quando i clienti usano i dati connessi per modificare progetti, scelte di acquisto o processi produttivi. A quel punto, gli errori comportano conseguenze operative maggiori.
Un risultato di ricerca errato fa perdere tempo. Una valutazione incompleta dell’impatto sulla qualità può trascurare un rischio significativo. Questa differenza rende essenziale la tracciabilità.
Gli utenti devono sapere quali record hanno informato una risposta dell’AI, se tali record rappresentano revisioni aggiornate e dove permane l’incertezza. L’AI per il manifatturiero non può basarsi soltanto su un linguaggio plausibile.
I prodotti di workflow di CADDi possono aiutare limitando gli agenti a contesti e attività definiti. I workflow circoscritti sono più facili da valutare rispetto a un assistente aperto che tenta di rispondere a ogni domanda sulla produzione.
La transizione del prodotto richiederà comunque prove. CADDi deve dimostrare che i suoi agenti riducono i tempi di progettazione o i costi dei materiali senza aumentare altrove il carico di revisione.
Se ci riuscirà, la piattaforma dati diventerà più di un archivio ricercabile. Diventerà un livello attraverso il quale i produttori riutilizzano la conoscenza istituzionale e coordinano le decisioni tra i reparti.
Ciò che la valutazione non dimostra
Una valutazione di 1,2 miliardi di dollari segnala la fiducia degli investitori, ma non dimostra che la piattaforma ampliata di CADDi abbia raggiunto un’adozione duratura.
L’azienda non ha divulgato ricavi, numero di clienti, tasso di fidelizzazione, dimensione dei contratti o quota di clienti che utilizzano più prodotti. Queste metriche sono cruciali per valutare se CADDi stia diventando un’infrastruttura oppure resti una raccolta di implementazioni promettenti.
Secondo quanto riportato, le vendite sono più che raddoppiate nell’ultimo anno. Senza una base o una cifra sui ricavi divulgata, questa crescita non può essere confrontata direttamente con quella di altre aziende di software industriale.
L’organico offre un altro segnale incompleto. CADDi è passata a circa 900 dipendenti, dai circa 600 di inizio 2025. Questa espansione sostiene lo sviluppo dei prodotti e le vendite internazionali, ma aumenta anche il costo necessario per mantenere la crescita.
Il Nord America sarà un mercato particolarmente impegnativo. I produttori differiscono notevolmente per maturità dei dati, obblighi normativi, terminologia interna e architettura software. Le integrazioni che funzionano per un cliente possono richiedere adattamenti sostanziali per un altro.
Anche la gestione del cambiamento rappresenta un ostacolo. Kato l’ha indicata come la principale barriera all’adozione, secondo Fortune. I dipendenti devono fidarsi dei risultati, rivedere processi consolidati e registrare le decisioni in modo abbastanza coerente da migliorare il livello dati condiviso.
Questo crea un ciclo difficile. CADDi ha bisogno della partecipazione degli utenti per acquisire conoscenza tacita, ma i dipendenti sono meno inclini a partecipare finché la piattaforma non li aiuta in modo affidabile.
L’azienda deve inoltre affrontare questioni di governance. I file ingegneristici possono contenere informazioni soggette a controlli sulle esportazioni, segreti commerciali, dati personali, condizioni dei fornitori o specifiche sensibili per la sicurezza.
Collegare i record ne aumenta l’utilità, ma amplia anche le conseguenze di autorizzazioni deboli. Un’interfaccia di ricerca o agente deve rispettare le restrizioni ereditate da diversi sistemi sorgente.
L’accuratezza deve essere valutata a livello di workflow. Un modello può apparire efficace in una dimostrazione pur non rilevando tolleranze insolite, revisioni obsolete o vincoli produttivi non documentati.
I team di produzione vorranno risultati tracciabili anziché raccomandazioni prive di supporto. Avranno inoltre bisogno di procedure per correggere i dati e reimmettere tali correzioni nel sistema.
La concorrenza aggiunge ulteriore incertezza. Le aziende storiche del software ingegneristico e aziendale possono integrare l’AI nei prodotti di cui i clienti già si fidano. I provider cloud possono offrire strumenti per costruire sistemi e agenti di recupero personalizzati.
Alcuni produttori preferiranno queste opzioni perché preservano le relazioni con i fornitori esistenti. Altri potrebbero sviluppare sistemi interni quando i loro dati o workflow sono troppo specializzati per un prodotto condiviso.
La risposta di CADDi è l’integrazione verticale. Combina in un’unica piattaforma acquisizione dei dati, interpretazione specifica del dominio, individuazione, agenti e applicazioni di workflow.
Questa ampiezza crea differenziazione soltanto se i componenti si rafforzano a vicenda. Se le implementazioni richiedono servizi estesi o preparazione manuale, la crescita potrebbe diventare più difficile da standardizzare.
L’evidenza più forte non arriverà da un altro annuncio di finanziamento. Arriverà da clienti che si espandono tra i reparti e rinnovano dopo il primo caso d’uso misurabile.
Finché CADDi non comunicherà più metriche operative, la sua valutazione dovrebbe essere considerata un’affermazione sulla futura portata della piattaforma. Non è la prova che l’azienda abbia già sostituito i sistemi frammentati che vuole collegare.
Tre segnali metteranno alla prova la strategia di AI per il manifatturiero di CADDi
La prossima fase sarà misurata attraverso la profondità del prodotto, l’adozione in Nord America e la prova che i clienti passano dalla ricerca a workflow AI ripetibili.
Il primo segnale è l’adozione di più prodotti. CADDi si è espansa oltre Explorer introducendo Agent e sei applicazioni di workflow. La domanda chiave è se gli attuali clienti della ricerca aggiungeranno applicazioni per revisione progettuale, analisi dei costi, preventivazione o produzione.
Questa espansione rafforzerebbe la tesi della piattaforma. Dimostrerebbe che un unico dataset produttivo connesso può supportare diversi workflow, anziché un solo prodotto di ricerca documentale.
Un’espansione limitata indicherebbe il contrario. Potrebbe significare che la ricerca nei disegni risolve un problema prezioso, mentre le applicazioni più ampie restano difficili da implementare o si sovrappongono al software esistente.
Il secondo segnale è la crescita dei clienti in Nord America. CADDi opera negli Stati Uniti dal 2023 e ora prevede di rendere la regione centrale nella propria espansione globale.
Implementazioni nominate, rinnovi e referenze dei clienti conteranno più della crescita degli uffici o delle assunzioni. I produttori nordamericani rappresentano un test impegnativo perché utilizzano sistemi legacy diversi e spesso impongono rigorosi requisiti di sicurezza.
Le evidenze provenienti da diversi settori sarebbero particolarmente significative. Automotive, attrezzature industriali, elettronica e produzione conto terzi condividono problemi di dati, ma i loro workflow e le pressioni normative differiscono.
Il terzo segnale è un impatto operativo verificabile derivante da decisioni assistite dall’AI. Le riduzioni del tempo di ricerca sono utili, ma la valutazione più elevata di CADDi dipende da risultati quali cicli ingegneristici più brevi, meno progetti ripetuti, minori costi dei materiali o indagini sulla qualità più rapide.
Questi risultati dovrebbero includere basi di confronto chiare e periodi di misurazione definiti. Dovrebbero inoltre distinguere i risultati del software da cambiamenti più ampi nei processi introdotti durante l’implementazione.
CADDi mette già in evidenza i risultati ottenuti dai clienti sulla propria piattaforma, incluse ore risparmiate e riduzioni dei tempi di indagine. Un maggior numero di casi documentati in modo indipendente renderebbe più facile valutare le prestazioni dell’azienda.
I lettori dovrebbero inoltre osservare come CADDi descrive la supervisione umana. Il passaggio dal recupero delle informazioni alle decisioni di progettazione o qualità alza lo standard per spiegabilità, autorizzazioni e validazione.
L’espansione più credibile preserverà i collegamenti ai record sorgente e manterrà dipendenti responsabili all’interno dei workflow con conseguenze rilevanti. Un sistema che nasconde l’incertezza dietro risposte fluide indebolirebbe la tesi di un’adozione più ampia.
Il finanziamento di CADDi dimostra che gli investitori considerano i dati di produzione una base preziosa per l’AI aziendale. La scommessa è comprensibile: le fabbriche possiedono decenni di conoscenza che restano difficili da recuperare, collegare o riutilizzare.
La questione irrisolta è se un’unica piattaforma possa organizzare questa conoscenza tra sistemi diversi senza riprodurre la frammentazione che è stata creata per risolvere.
Per i team di ingegneria e operations, la risposta pratica è esaminare prima un workflow misurabile. Identificate dove i dipendenti cercano ripetutamente disegni, ricostruiscono decisioni passate o confrontano componenti simili. Quindi valutate se la piattaforma migliora quel lavoro preservando al contempo la tracciabilità.
I team che stanno costruendo un proprio archivio tecnico ricercabile possono anche esaminare come una base di conoscenza ingegneristica dovrebbe gestire documenti sparsi e recupero delle informazioni.
Il Series D di CADDi apparirà giustificato se questi workflow iniziali si espanderanno in un livello dati affidabile utilizzato tra i reparti. Se l’adozione si fermerà alla ricerca documentale, il finanziamento avrà rivalutato un prodotto utile come una piattaforma molto più ampia.
Le prossime implementazioni presso i clienti dovrebbero rivelare quale dei due esiti stia prendendo forma.
