Traversal získává 120 milionů dolarů v investičním kole Series B při ocenění 1 miliardy dolarů, aby rozšířila SRE pro AI

Traversal oznámila 3. listopadu 2026 investiční kolo Series B ve výši 120 milionů dolarů při ocenění společnosti na 1 miliardu dolarů. Získané prostředky mají urychlit její práci na autonomně řízených produkčních systémech a rozšířit nábor pracovníků do výzkumu, vývoje a obchodních týmů.

Investiční kolo společně vedly společnosti Kleiner Perkins, Redpoint Ventures a Khosla Ventures; zapojily se také Sequoia Capital, Battery Ventures a Amex Ventures. Dřívější investoři Kleiner Perkins a Sequoia své investice navýšili. Celkový objem financování nyní činí 173 milionů dolarů. Zahrnuje 48 milionů dolarů, které Traversal oznámila při svém vynoření z utajení v červnu 2025, a strategickou investici Amex Ventures z prosince 2025.

Budování nadřazené vrstvy pro provoz softwaru

Traversal začala analýzou hlavních příčin incidentů a vycházela přitom z akademického výzkumu kauzálního strojového učení a posilovaného učení, kterému se věnovali její tři spoluzakladatelé. Základním předpokladem je, že při incidentu vzniká mnoho signálů současně, a proto ani věrohodná korelace nedokáže prokázat, proč systém selhal. Model produkčního prostředí převádí surová telemetrická data, kód, historii nasazení a znalosti organizace do průběžně aktualizované reprezentace produkčního prostředí, kterou dokáže zpracovat AI. Systém kauzálního vyhledávání má testovat tisíce hypotéz souběžně, sledovat závislosti a časové souvislosti napříč systémy a postupně určovat příčiny podložené důkazy.

Traversal tyto dva systémy oficiálně představila v březnu 2026, po téměř dvou letech výzkumu a vývoje. Pracovní jednotky nyní fungují jako proaktivní, dlouhodobě běžící agenti, kteří při incidentech nebo výstrahách shromažďují kontext, provádějí šetření a pomáhají s nápravou. Traversal MCP zpřístupňuje tyto informace o produkčním prostředí programovacím agentům a propojuje provozní důkazy s vývojovou prací zaměřenou na prevenci incidentů.

Dlouhodobým cílem je software, který odhaluje problémy, rozumí jejich příčinám, přijímá nápravná opatření, ověřuje jejich účinnost a předchází opakování problémů. Tento plán znamená, že investiční kolo rozšiřuje jak stávající produkt pro šetření incidentů, tak sázku na autonomnější provoz.

Růst přesahující analýzu hlavních příčin

Traversal uvádí, že počet měsíčních šetření se během roku 2026 zvýšil více než stonásobně, z 513 na téměř 73 000. Přibližně dvě třetiny využití produktu nyní přesahují analýzu hlavních příčin a týkají se třídění výstrah, rizik spojených s vydáním, ověřování CMDB, zabezpečení, stavu zákaznické cesty a dotazů týkajících se podpory produkčního prostředí. Tato skladba využití poukazuje na širší uplatnění při průběžném rozhodování o provozu vedle diagnostiky po incidentech.

V doprovodném oznámení o financování Traversal uvádí, že od začátku roku vzrostly její roční opakující se výnosy devítinásobně, v posledním čtvrtletí provedla více než 150 000 šetření pro zákazníky a podporuje přes 4 000 inženýrů. Mezi podnikovými prostředími, která platformu využívají, jsou Nubank, Harvey, DigitalOcean a PepsiCo. Generální ředitel společnosti Nubank David Vélez popsal nasazení ve své firmě jako teprve pět týdnů staré a uvedl, že se rozšiřuje ve vlnách, jak se potvrzují dosažené výsledky. Jde o upřesnění, které zasazuje údaje o míře přijetí do kontextu rané fáze nasazení.

Důkazy z benchmarku a jejich omezení

Technická náročnost je samostatně popsána v práci ORCA-bench, jejíž autory jsou výzkumníci působící na Cornell Tech, v Traversal a na Columbia University. Práce obsahuje 1 079 úloh zaměřených na analýzu hlavních příčin, které vycházejí ze šesti dnů a více než 50 GB metrik, protokolů a tras ze systému s 19 mikroslužbami, instrumentovaného pomocí OpenTelemetry. Agenti používali skutečná rozhraní pro sledování systému i zdrojový kód; úlohy se přitom lišily mírou konkrétnosti zpráv, prodlevami při detekci a souběžnými poruchami.

U pěti hodnocených univerzálních agentů práce uvádí nejvyšší přesnost určení hlavní příčiny 25,3 % u úloh střední obtížnosti a 10,0 % u obtížných úloh. Vymyšlené, nepravděpodobné hlavní příčiny se objevily v 7 až 40 % hlášení o incidentech v závislosti na modelu. Odebrání přístupu ke zdrojovému kódu snížilo přesnost a zvýšilo počet halucinací u všech modelů. To potvrzuje, že schopnost plynule pracovat s kódem se přímo nepromítá do spolehlivé diagnostiky při pohotovostním řešení incidentů.

Tato skóre neměří výkon vlastních produkčních systémů Traversal. Autoři upozorňují, že důkazy pocházejí z kontrolovaného veřejného testovacího prostředí zahrnujícího šest dní, přičemž každá úloha byla řešena samostatně. Zatím nebylo ověřeno, zda se výsledky přenesou do rozsáhlejších proprietárních prostředí, která se průběžně mění. Benchmark tak vymezuje mezeru ve výzkumu autonomního řešení provozních incidentů; nepotvrzuje plán společnosti na autonomně řízené produkční systémy.

Údaje Traversal o přijetí produktu a výsledky benchmarku zachycují různé fáze téhož cíle. Současné podnikání stojí na šetřeních a širším okruhu dotazů týkajících se produkčního prostředí. Otevřenou otázkou u autonomního řízení produkce zůstává, zda její kauzální systém dokáže v komplexních prostředích zákazníků přijímat nápravná opatření, ověřovat jejich výsledky a předcházet opakování problémů.