Kosmos indsamler 5 millioner dollars for at hjælpe virksomheder med at eliminere de skjulte omkostninger ved IT-undersøgelser

Chicago-baseret startup Kosmos har indsamlet 5 millioner dollars i seed-finansiering ledet af Norwest som det lancerer en AI-nativ operativ intelligensplatform designed til at løse en af de mest vedvarende og dyre udfordringer i virksomheds-IT: den tid, der bruges på at undersøge hændelser.

Mens organisationer har investeret massivt i overvågnings-, monitorerings- og IT-serviceledelsesværktøjer, bruger support- og ingeniørteam stadig utallige timer på at manuelt spore rodårsagen til fejl og kundepåvirkede problemer på tværs af fragmenterede systemer. Kosmos sigter mod at reducere, hvad det kalder “undersøgelsesomkostninger” – den operative byrde, der opstår, når ingeniører, supportchefer og hændelsesreaktionsteam er tvunget til at manuelt tilknytte informationer, der er spredt over billetsystemer, kildekode-repositorier, kundesupportplatforme og overvågningsværktøjer.

Det voksende problem med undersøgelsesomkostninger

I løbet af det seneste årti har virksomheder adopteret en voksende samling af værktøjer til at overvåge infrastruktur og styre softwareoperationer. Platforme som Jira, ServiceNow , GitHub, Salesforce (CRM ), Datadog (DDOG ), Grafana og Splunk giver alle værdifulde indsigt i forskellige dele af teknologistaben. Men når hændelser opstår, forbliver kritisk kontekst ofte isoleret på tværs af disse systemer.

Da moderne softwarearkitekturer bliver mere og mere distribuerede, er udfordringen ved at korrelerer informationer på tværs af multiple platforme intensiveret. Team kan have alle nødvendige data til rådighed, men at finde og tilknytte dem hurtigt er stadig svært. Resultatet er længere løsningstider, gentagne hændelser og ingeniørressourcer, der bliver omdirigeret væk fra produktudvikling og innovation.

For mange organisationer bliver de mest erfarne ingeniører standardmæssigt de, der undersøger, hver gang der opstår et større kundeproblem. Disse ingeniører bliver ofte trukket væk fra strategisk arbejde for at genskabe tidsplaner, gennemgå kodeændringer, analysere supportbilletter og bestemme, hvad der faktisk forårsagede en hændelse. De skjulte omkostninger ved disse undersøgelser strækker sig langt ud over selv nedtid.

En AI-nativ tilgang til operativ intelligens

Kosmos positionerer sig selv som et lag, der sidder på tværs af eksisterende virksomhedssystemer i stedet for at erstatte dem. Platformen tilknytter data fra GitHub, Jira, Salesforce, ServiceNow, Datadog, Grafana, Splunk og andre operationelle værktøjer for at skabe en samlet visning af hændelser og kundehøjninger.

Ifølge virksomheden korrelerer dens platform automatisk kundesager, kodeændringer, servicehændelser og infrastruktursignaler for at fremhæve sandsynlige rodårsager. I stedet for at stole udelukkende på autonome AI-beslutninger anvender Kosmos en menneske-i-løkken-tilgang, hvor maskin-genererede korrelationer gennemgås og valideres af brugere, før de bliver en del af platformens videnbas.

Dette skaber en kontinuerlig feedback-løkke, der forbedrer systemets evne til at identificere mønstre over tid, samtidig med at det opretholder gennemsigtighed og tillid. I stedet for at generere flere advarsler er målet at give teamene den kontekst, der er nødvendig for at forstå, hvorfor problemer opstod i første omgang.

Bygget på førstehånds-erfaring

Grundlægger og CEO Sanjay Gidwani byggede virksomheden omkring et problem, han stødte på gentagne gange under mere end to årtiers arbejde i virksomhedsleveringsoperationer og inden for Salesforce-økosystemet.

Gennem sin karriere observerede Gidwani det samme mønster: når et større kundeproblem opstod, mobiliserede organisationerne deres mest erfarne tekniske personale for at undersøge. Dog tilbragte disse eksperter ofte dage med at indsamle informationer fra frakoblet systemer, før de nåede til rodårsagen.

Denne erfaring formede Kosmos’ kerntese: en af de største operationelle ineffektiviteter i virksomheds-IT opstår, før afhjælpning overhovedet begynder. Hvis organisationer kan identificere kilden til et problem hurtigere, kan de løse hændelser hurtigere og reducere sandsynligheden for, at lignende problemer gentager sig.

Udsigter

Lanceringen af Kosmos afspejler en bredere udvikling, der finder sted på tværs af virksomhedsteknologi. Da organisationer adopterer stadig mere komplekse cloud-miljøer, mikrotjeneste-arkitekturer og AI-drevne anvendelser, fortsætter operationelle data med at vokse, samtidig med at de forbliver spredt på tværs af dusinvis af platforme.

Den næste generation af operationelle intelligensværktøjer sigter mod at brokke disse huller ved at automatisk tilknytte signaler, identificere mønstre og bevare institutionel viden, der ellers ville blive låst inde i enkeltteam. Ud over hurtigere hændelsesløsning kunne disse systemer hjælpe organisationer med at reducere ingeniørarbejde, forhindre gentagne problemer og give teknisk talent mulighed for at fokusere mere tid på at bygge produkter i stedet for at undersøge fejl.

Da virksomheds-miljøer bliver mere komplekse, kan evnen til at omdanne fragmenterede operationelle data til handlebar intelligens blive lige så vigtig som at overvåge systemerne selv. Kosmos satser på, at reduktion af undersøgelsesomkostninger vil være en kritisk del af denne fremtid.