Modiqo samler 3 millioner dollars for at gøre Enterprise AI-workflows mere pålidelige

AI-agenter er blevet bemærkelsesværdigt gode til demonstrationer. Den sværere udfordring begynder efter installation, når arbejdsgange bryder sammen, fordi en model ændrer adfærd, en API skifter, eller en orkestreringslag fejler stille. Den operationelle ustabilitet er problemet, som Modiqo retter sig imod med sin nyligt annoncerede 3 millioner dollars pre-seed-runde.

Funding-runden blev co-ledet af Heavybit og Seligman Ventures, med deltagelse fra Irregular Expressions og angel-investorer. Selskabet siger, at fundingen vil støtte udrollningen af Rote, dens execution-lag, der er designet til at gøre AI-arbejdsgange deterministiske og gentagelige i produktionsmiljøer.

Ifølge Modiqo’s grundlægger og CEO Chetan Conikee, bruger virksomheder for meget tid på at genopbygge AI-arbejdsgange, der tidligere fungerede, men senere mislykkedes på grund af ændringer i underliggende systemer. I stedet for at gentage models til at genopdage den samme adfærd, forsøger Rote at bevare succesfulde execution-veje og afspille dem konsekvent.

Det voksende pålidelighedsproblem i Enterprise AI

I løbet af det sidste år har virksomheder accelereret eksperimenter med AI-agenter til intern automatisering, data-processing, software-operationer og kunde-orienterede opgaver. Dog opdager mange organisationer, at pålidelighed, snarere end rå model-kapacitet, er blevet den definerende operationelle flaskehals.

Traditionelle AI-arbejdsgange afhænger ofte tungt af probabilistisk inferens på hvert stadium. Denne fleksibilitet kan være nyttig under eksperimenter, men den introducerer også usikkerhed, når systemer forventes at operere kontinuerligt i stor skala.

Modiqo’s tilgang handler om at konvertere succesfulde AI-executions til genbrugelige deterministiske arbejdsgange. I stedet for at sende store prompts og kontekst-vinduer gennem inferens-rørledninger, sigter selskabet mod at bevare valideret execution-logik og genbruge den, når det er muligt.

Strategien er i overensstemmelse med en bredere bevægelse, der opstår på tværs af enterprise AI-infrastruktur. Større og større selskaber søger efter hybrid-systemer, der kombinerer LLM-fleksibilitet med deterministiske orkestreringslag, der giver revision, reproducerbarhed og lavere operationelle omkostninger.

Hvad Rote faktisk gør

Rote fungerer som et lokalt execution-lag, der observerer succesfuld agent-adfærd og konverterer disse handlinger til gentagelige processer. Platformen er designet til at integrere med eksisterende enterprise-værktøj, mens behovet for dyrt tilpasset ingeniørarbejde minimiseres.

Ifølge Modiqo, fokuserer systemet på fire kerneområder:

• Reproducerbarhed på tværs af ændrede AI-modeller og API’er
• Arbejdsgangen-genbrug for at reducere token-forbrug
• Synlighed i execution-historik og operationelle omkostninger
• Lettere integration i eksisterende enterprise-systemer

En af selskabets centrale argumenter er, at virksomheder overspender på inferens, fordi AI-systemer gentager løsninger, de allerede har fundet tidligere. Ved at fange succesfulde execution-mønstre, mener Modiqo, at organisationer kan reducere token-forbrug betydeligt, samtidig med at de forbedrer konsekvens.

Investorer ser infrastruktur som den næste AI-slagmark

Investorerne, der støtter Modiqo, positionerer selskabet mere som grundlæggende infrastruktur for produktionsklar agent-systemer end som endnu et AI-programlag.

Joseph Ruscio beskrev den nuværende generation af AI-agenter som imponerende i demonstrationer, men upålidelige i produktionsmiljøer. Han argumenterede for, at en af industrielens dybere problemer er, at de fleste agent-executions forbliver efemære snarere end at blive genbrugelige operationelle artefakter.

Ligeledes pegede Umesh Padval på operationel pålidelighed som den store uløste udfordring i enterprise AI-adopteringsprocessen, især når organisationer forsøger at skala AI-systemer ud over eksperimenter.

Betoningen af execution-lag i stedet for prompt-engineering afspejler også en skift i AI-infrastruktur-landskabet. Tidligere enterprise AI-værktøj fokuserede ofte tungt på prompts og orkestrerings-værktøj. Større og større opmærksomhed rettes nu mod arbejdsgang-durabilitet, synlighed, governance og omkostningskontrol.

Enterprise AI indtræder i sin operationelle fase

Lanceringen af Rote sker under en bredere overgang i enterprise AI-adopteringsprocessen. Tidlige adopteringscykler blev domineret af eksperimenter og proof-of-concept-installationer. Mange organisationer indtræder nu i en fase, hvor operationel pålidelighed betyder mere end nytænkning.

Denne skift skaber efterspørgsel efter infrastruktur, der kan støtte langvarige, revisionssikre AI-systemer snarere end enkeltstående chatbot-interaktioner.

På sin hjemmeside positionerer Modiqo Rote som infrastruktur for “pålidelige AI-agent-arbejdsgange”, med fokus på execution-konsekvens og operationel ejerskab snarere end autonom adfærd alene. Selskabet argumenterer for, at virksomheder ultimativt behøver systemer, der opfører sig mere som stabil software-infrastruktur end probabilistiske eksperimenter.

Om deterministiske execution-lag bliver en standarddel af enterprise AI-stacks, er endnu ikke klart. Men da token-omkostninger stiger, og organisationer forsøger at operationalisere AI-agenter i stor skala, bliver infrastruktur, der fokuserer på reproducerbarhed og pålidelighed, stadig mere et centralt investeringsområde i industrien.