Autoheal získává $7.9M seed kolo pro svou samoučící se softwarovou továrnu

Autoheal získal $7.9 million v seed financování, aby rozšířil platformu navrženou k řízení práce, která následuje po AI‑asistovaném kódování: vyšetřování incidentů, odstraňování zranitelností, kontrolu nákladů na modely a udržování softwarových agentů v souladu se systémy a zásadami podniku.

Innovation Endeavors vedl kolo, s účastí Emergent Ventures, U&I Ventures, Darkmode Ventures, Batch Ventures a Param Hansa Values. Harpinder Singh z Innovation Endeavors se připojuje do představenstva Autoheal.

Financování přichází v době, kdy společnosti zjišťují, že rychlejší generování kódu automaticky nevede k rychlejší nebo bezpečnější dodávce softwaru. Více kódu může znamenat více upozornění, revizí, zranitelností a výdajů na cloudové modely. Autoheal se soustředí na tuto méně viditelnou vrstvu boomu AI kódování.

Provozní problém vzniklý rychlejším kódováním

AI asistenti pro kódování snížili úsilí potřebné k vytvoření kódu, ale mnoho následných inženýrských úkolů zůstává pracně náročných. Produkční incidenty stále vyžadují vyšetřování, bezpečnostní zjištění stále vyžadují nápravu a platformové týmy stále potřebují pochopit, proč automatizovaná akce uspěla nebo selhala.

Autoheal tvrdí, že tyto úkoly by měly být považovány za součást koordinované softwarové továrny, nikoli předány souboru nesouvislých agentů. Jeho platforma propojuje nástroje pro kódování s repozitáři, systémy CI/CD, platformami pro sledovatelnost, cloudovými prostředími a sledovači úkolů. Cílem je poskytnout specializovaným agentům sdílený pohled na inženýrské prostředí a zároveň je udržet uvnitř cloudových a bezpečnostních kontrol zákazníka.

Tato architektura je důležitá v regulovaných nebo technicky složitých organizacích, kde agent může potřebovat kontext produkce, ale nemůže mu být poskytnut neomezený přístup. Také řeší praktický problém správy: jak týmy nasazují více agentů, potřebují konzistentní způsob, jak hodnotit chování, sledovat změny a kontrolovat náklady.

Jak funguje kontinuální uzdravovací smyčka Autoheal

Uprostřed přístupu Autoheal jsou dva dozorující agenti. Evaluátor hodnotí výstup pracovních agentů pomocí signálů, jako jsou komentáře k revizím kódu, selhání kontinuální integrace a incidenty spojené se změnou. Healer pak navrhuje vylepšení pro slabě výkonné agenty změnou jejich promptů, dovedností, nástrojů nebo výběru modelů.

Společnost uvádí, že navrhované změny jsou testovány proti historickým benchmarkům před revizí. Chování agentů je verzováno v Git a inženýři si zachovávají pravomoc schvalovat. V praxi to dělá systém méně podobným autonomnímu kódovacímu botu a spíše operační vrstvou pro sledování a zlepšování skupiny úkolově specifických agentů.

Rozlišení je důležité. Vytvořit přesvědčivou ukázku agenta je poměrně jednoduché; udržet spolehlivý výkon při změnách kódových základů, infrastruktury a organizačních pravidel je obtížnější. Autoheal sází na to, že průběžné hodnocení a kontrolovaná revize se stanou standardní požadavkem pro nasazení agentů v podnicích.

Počáteční nasazení kladou důraz na reakci na incidenty

Autoheal uvádí, že již funguje v podnikovém prostředí, včetně Nomura Bank a AvidXchange. Podle údajů poskytnutých společností Nomura snížila průměrnou dobu řešení z dvou hodin na 15 minut v jednom nasazení. AvidXchange hlásí, že systém zkrátil analýzu příčiny na minuty a uvolnil inženýrskou kapacitu pro produktovou práci.

Tyto výsledky jsou tvrzení společnosti a zákazníků, nikoli nezávislé benchmarky, ale naznačují počáteční případ použití, který Autoheal považuje za nejurgentnější: reakci na incidenty. Řešení problémů často vyžaduje shromažďování důkazů napříč logy, monitorovacími systémy, ticketovacími systémy, změnami kódu a cloudovými službami. Agent s přístupem k tomuto kontextu může sestavit užitečnou diagnózu rychleji než inženýr, který se manuálně pohybuje mezi systémy.

Podle oznámení Empiric Earth také používá platformu pro řešení problémů a optimalizaci nákladů na software. Společně nasazení naznačují, že Autoheal začíná s pracovními postupy, kde je náklad na roztříštěné informace snadno viditelný a kde lze zlepšení měřit v čase vráceném inženýrům.

Na co je seed kolo určeno financovat

Autoheal byl založen Utkarsh Ohmem, Sid Choudhurym a Puneetem Saraswatem, čerpajíc z zkušeností z Harness, Microsoft Azure, ThoughtSpot a AppDynamics. Tým uvádí, že nový kapitál podpoří vývoj systémů s posilovacím učením a soukromých, podnikově specifických modelů trénovaných na inženýrských datech, která zůstávají v rámci hranic zákazníka.

Dlouhodobý plán sahá za oblast softwarového inženýrství do datových a bezpečnostních operací. Toto rozšíření bude záviset na tom, zda platforma dokáže zobecnit svůj model hodnocení a opravy napříč pracovními postupy s různými rizikovými profily a kritérii úspěšnosti.

Prozatím tato investice zdůrazňuje posun na trhu podnikového AI. Další omezení nemusí být generování více kódu, ale řízení rostoucí populace agentů a absorbování operativní práce, kterou vytvářejí. Příležitost Autoheal spočívá v přeměně tohoto omezení na infrastrukturu, kterou mohou platformové týmy měřit, auditovat a zlepšovat.