Qodo získává 70 milionů dolarů v rámci série B, aby přinesl řízení do kódu generovaného umělou inteligencí

Qodo získal 70 milionů dolarů v rámci série B, čímž zvýšil celkovou výši získaných prostředků na 120 milionů dolarů, a to v době, kdy se společnost snaží řešit rostoucí problém ve vývoji softwaru: jak důvěřovat kódu, který je stále více vytvářen umělou inteligencí.

Investiční kolo vedla společnost Qumra Capital, se zapojením směsi venture firem a prominentních individuálních investorů spojených se společnostmi jako OpenAI a Meta. Financování odráží širší posun v tom, jak podniky přemýšlejí o umělých inteligencích – ne pouze jako o nástroji pro generování kódu, ale jako o něčem, co vyžaduje dohled, ověření a řízení ve velkém měřítku.

Problém: Umělá inteligence píše kód rychleji, než lidé mohou ověřit

Růst generativní umělé inteligence dramaticky urychlil, jak je software produkován. Nástroje mohou nyní generovat velké objemy kódu autonomně, ale tato rychlost má své náklady: ověření.

Qodo je postaveno na jednoduchém předpokladu – generování kódu již není úzkým místem. Důvěra ano.

Tradiční procesy kontrol kódu, které se silně spoléhají na lidské inženýry, se potýkají s tím, aby držely krok s objemem a složitostí vývoje asistovaného umělou inteligencí. I sami vývojáři mění své chování. Podle společnosti většina inženýrů nyní považuje kód generovaný umělou inteligencí za odlišný, často vyžadující přísnější validační kroky před nasazením.

To vytváří se rozšiřující mezeru mezi tím, jak rychle je kód vytvářen, a jak sebevědomě může být odeslán.

Co Qodo vlastně dělá

Qodo není další asistent pro kódování. Místo toho funguje jako specializovaná vrstva pro kontrolu a řízení napříč celým životním cyklem vývoje softwaru.

Jeho platforma se integruje do vývojových prostředí, žádostí o stažení a CI/CD pipeline, aplikuje automatizovanou, kontextově-aware analýzu na každou změnu kódu. Na rozdíl od tradičních nástrojů, které se zaměřují na izolované rozdíly, Qodo vyhodnocuje, jak se změny šíří napříč celými kódy, zohledňující architektonické závislosti a historická rozhodnutí.

V jádru jeho systému je multi-agentní architektura zavedená v nedávných verzích platformy. Specializovaní agenti zpracovávají různé aspekty kontroly kódu – jako je detekce chyb, kontrola compliance a validace architektury – předtím, než koordinační vrstva filtrová a priorizuje výsledky.

Tento přístup odráží širší evoluci v systémech umělé inteligence, kde orchestrace napříč několika agenty se stává účinnější než spoléhání se na jeden model, aby zvládl vše.

Z generování kódu k řízení kódu

Načasování zvýšení Qodo je pozoruhodné. Během posledních dvou let se většina investic do nástrojů pro vývojáře zaměřila na generování kódu – kopiloty, systémy automatického dokončování a programátory asistované umělou inteligencí.

Qodo sází na to, že další fáze je řízení kódu.

Jeho pozice se shoduje s rostoucím uvědoměním uvnitř velkých podniků: umělá inteligence může urychlit vývoj, ale bez silných zábran může také zavést skrytá rizika – zranitelnosti zabezpečení, logické chyby a nekonzistence napříč systémy.

Pracováním jako “systém záznamu” pro kvalitu kódu Qodo cílí na standardizaci, jak organizace definují a vynucují inženýrské standardy napříč týmy a repozitáři.

Přijetí v podnikovém prostředí již probíhá

Společnost má velké podnikové zákazníky napříč odvětvími, včetně společností v maloobchodě, financích a automobilovém průmyslu. Tyto organizace stále více nasazují vývojové pracovní postupy asistované umělou inteligencí, ale potřebují jistotu, že kód splňuje vnitřní standardy pro zabezpečení, compliance a výkon.

Platforma Qodo řeší tuto otázku tím, že řízení vkládá přímo do pracovních postupů místo spoléhání se na samostatné fáze kontrol. Tím se snižuje tření, zatímco se stále vynucuje konzistence – klíčový požadavek pro velké, distribuované inženýrské týmy.

Větší posun: Z generování kódu k verifikaci na úrovni systému

Pokud systémy umělé inteligence přebírají větší roli při psaní softwaru, povaha kontrol kódu se technicky mění. Tradiční procesy jsou postaveny kolem lokalizovaných rozdílů, vyhodnocujících, co se změnilo v žádosti o stažení. Kód generovaný umělou inteligencí zpochybňuje tento model, protože změny mohou zahrnovat několik souborů, zavést skryté závislosti nebo být v rozporu s širšími architektonickými vzory, a to navzdory tomu, že vypadají správně v izolaci.

Qodo ukazuje směr k verifikaci na úrovni systému. Místo toho, aby se zaměřoval pouze na jednotlivé změny, vyhodnocuje, jak tyto změny interagují s plným kódem, včetně historických rozhodnutí a strukturálních omezení. To vyžaduje zacházet se softwarem jako s kontinuálním systémem spíše než sbírkou nezávislých aktualizací.

Klíčovou součástí tohoto posunu je použití multi-agentních architektur pro kontrolu. Specializovaní agenti zpracovávají různé aspekty analýzy, jako je validace logiky nebo konzistence architektury, pracují nad sdíleným kontextem, jako je historie repozitáře a předchozí rozhodnutí. To klade rostoucí důraz na inženýrství kontextu, zajišťující, aby byla k dispozici správná informace bez zahlcení systému.

Širší implikace je posun k nepřetržitému řízení vkládanému přímo do vývojových pracovních postupů. Pokud umělá inteligence urychluje produkci kódu, ověření již není jednorázovým krokem, ale nepřetržitým procesem, který udržuje konzistenci, spolehlivost a zarovnání napříč vyvíjejícími se systémy.