Autoheal rejser $7.9M i seedrunde for sin selvforbedrende softwarefabrik

Autoheal har rejst $7.9 million i seedfinansiering for at udvide en platform, der er designet til at håndtere arbejdet, der følger AI‑assisteret kodning: undersøge hændelser, afhjælpe sårbarheder, kontrollere modelomkostninger og holde softwareagenter i overensstemmelse med en virksomheds systemer og politikker.

Innovation Endeavors ledte runden med deltagelse fra Emergent Ventures, U&I Ventures, Darkmode Ventures, Batch Ventures og Param Hansa Values. Harpinder Singh fra Innovation Endeavors tilslutter sig Autoheals bestyrelse.

Finansieringen kommer på et tidspunkt, hvor virksomheder indser, at hurtigere kodegenerering ikke automatisk fører til hurtigere eller sikrere softwareleverance. Mere kode kan betyde flere advarsler, anmeldelser, sårbarheder og udgifter til cloud‑modeller. Autoheal fokuserer på dette mindre synlige lag af AI‑kodningsboomet.

Et operationelt problem skabt af hurtigere kodning

AI coding assistants har sænket den indsats, der kræves for at producere kode, men mange efterfølgende ingeniøropgaver forbliver arbejdsintensive. Produktionshændelser kræver stadig efterforskning, sikkerhedsfund kræver stadig afhjælpning, og platformsteams skal stadig forstå, hvorfor en automatiseret handling lykkedes eller fejlede.

Autoheal argumenterer for, at disse opgaver bør behandles som en del af en koordineret softwarefabrik i stedet for at blive overdraget til en samling af uafhængige agenter. Platformen forbinder kodningsværktøjer med repositories, CI/CD‑systemer, observabilitetsplatforme, cloud‑miljøer og issue‑trackere. Målet er at give specialiserede agenter et fælles overblik over ingeniørmiljøet, samtidig med at de holdes inden for kundens cloud‑ og sikkerhedskontroller.

Den arkitektur er vigtig i regulerede eller teknisk komplekse organisationer, hvor en agent kan have brug for produktionskontekst, men ikke kan få ubegrænset adgang. Den tackler også et praktisk styringsproblem: efterhånden som teams implementerer flere agenter, har de brug for en ensartet måde at evaluere adfærd, spore ændringer og kontrollere omkostninger på.

Sådan fungerer Autoheals kontinuerlige helingssløjfe

I centrum af Autoheals tilgang er to tilsynsagenter. En Evaluator vurderer output fra arbejderagenter ved hjælp af signaler såsom kodegennemgangskommentarer, CI‑fejl og hændelser knyttet til en ændring. En Healer foreslår derefter forbedringer af dårligt præsterende agenter ved at ændre deres prompts, færdigheder, værktøjer eller modelvalg.

Virksomheden siger, at de foreslåede ændringer testes mod historiske benchmarks inden gennemgang. Agentadfærd er versionsstyret i Git, og ingeniører bevarer godkendelsesmyndighed. I praksis gør det systemet mindre som en autonom kodebot og mere som et driftslag til overvågning og forbedring af en gruppe opgavespecifikke agenter.

Skelnen er vigtig. At bygge en overbevisende agentdemo er relativt enkelt; at opretholde pålidelig ydeevne, efterhånden som kodebaser, infrastruktur og organisatoriske regler ændrer sig, er sværere. Autoheal satser på, at løbende evaluering og kontrolleret revision vil blive et standardkrav for implementering af enterprise‑agenter.

Tidlige implementeringer fokuserer på hændelsesrespons

Autoheal siger, at det allerede kører i enterprise‑miljøer, herunder Nomura Bank og AvidXchange. Ifølge tal leveret af virksomheden reducerede Nomura den gennemsnitlige tid til løsning fra to timer til 15 minutter i en implementering. AvidXchange rapporterer, at systemet har forkortet root‑cause‑analyse til minutter og frigjort ingeniørkapacitet til produktarbejde.

Disse resultater er virksomhedens og kundernes påstande snarere end uafhængige benchmarks, men de peger på det indledende brugstilfælde, som Autoheal mener er mest presserende: hændelsesrespons. Fejlfinding kræver ofte indsamling af beviser fra logs, overvågningssystemer, tickets, kodeændringer og cloud‑tjenester. En agent med adgang til denne kontekst kan muligvis sammensætte en brugbar diagnose hurtigere end en ingeniør, der manuelt bevæger sig mellem systemerne.

Ifølge meddelelsen bruger Empiric Earth også platformen til fejlfinding og optimering af softwareomkostninger. Sammen tyder implementeringerne på, at Autoheal starter med arbejdsprocesser, hvor omkostningerne ved fragmenteret information er lette at se, og hvor forbedring kan måles i tid, der returneres til ingeniører.

Hvad seedrunden er beregnet til at finansiere

Autoheal blev grundlagt af Utkarsh Ohm, Sid Choudhury og Puneet Saraswat med erfaring fra Harness, Microsoft Azure, ThoughtSpot og AppDynamics. Teamet siger, at den nye kapital vil støtte udviklingen af forstærknings‑læringssystemer og private, enterprise‑specifikke modeller trænet på ingeniørdata, der forbliver inden for kundens grænser.

Den langsigtede plan strækker sig ud over softwareudvikling til data‑ og sikkerhedsoperationer. Denne udvidelse vil afhænge af, om platformen kan generalisere sin evaluerings‑og‑reparationsmodel på tværs af arbejdsprocesser med forskellige risikoprofiler og succeskriterier.

Indtil videre fremhæver kapitalrejsen et skift i enterprise‑AI‑markedet. Den næste begrænsning er måske ikke at generere mere kode, men at styre den voksende population af agenter og absorbere det operationelle arbejde, de skaber. Autoheals mulighed hviler på at omdanne den begrænsning til infrastruktur, som platformsteams kan måle, revidere og forbedre.