Resolve AI hæver 40 millioner dollars i serie A-udvidelse til en vurdering på 1,5 milliarder dollars for at løse det hardeste problem i software: Produktion

Resolve AI har sikret en 40 millioner dollars serie A-udvidelse til en vurdering på 1,5 milliarder dollars, ledet af DST Global og Salesforce Ventures (CRM ). Finansieringen kommer på et tidspunkt, hvor kunstig intelligens har dramatisk accelereret, hvordan software bliver bygget – men ikke, hvordan den bliver vedligeholdt, når den er deployet.

Sammen med finansieringen introducerede virksomheden Resolve AI Labs, en dedikeret forskningsinitiativ rettet mod at lukke, hvad der bliver til en af de kritiske huller i AI-stakken: evnen til pålideligt at operere software i produktionsmiljøer.

Flaskehalsen, som ingen løste: Produktion

AI har gjort det muligt at skrive kode hurtigere end nogensinde. Værktøjer, der er drevet af store sprogmodeller, kan nu generere hele programmer på få minutter. Men når koden er deployet, bliver virkeligheden langt mere kompleks.

Produktionsmiljøer er fragmenterede systemer, der består af infrastruktur, telemetri, logfiler, afhængigheder og konstant skiftende tjenester. Ingeniører må fortolke signaler på tværs af alle disse for at diagnosticere fejl, ofte under tidspressning og med utilstrækkelig information.

Dette er, hvor Resolve AI er fokuseret. Deres platform forbinder kode, infrastruktur og telemetri for at undersøge hændelser, identificere rodårsager og tage handling – i virkeligheden fungerer det som en autonom produktionstekniker.

Udfordringen er ikke kun teknisk kompleksitet. Det er også skala. Da AI accelererer kodegenerering, producerer organisationer mere software, end deres teams realistisk kan håndtere. Resultatet er en vækst i gapet mellem udviklingshastighed og operativ pålidelighed.

Hvorfor generelle AI-modeller ikke er tilstrækkelige

En central tese bag Resolve AI’s tilgang er, at generelle formål AI-modeller ikke er designede til produktionsmiljøer.

mens grundmodellerne forbedres hurtigt, er de ikke optimeret til virkeligheden i operationelle systemer. Produktion kræver resonnering på tværs af støjende, utilstrækkelige og ofte modstridende datastrømme. Det kræver også høje niveauer af nøjagtighed, pålidelighed og kontrol, hvor fejl kan føre til afbrydelser, finansielle tab eller sikkerhedsrisici.

Resolve AI løser dette ved at bygge domænespecifikke modeller og agente systemer tilpasset produktionsworkflows. Disse systemer kan fortolke logfiler, analysere systemændringer, korrelerer begivenheder og udføre multi-trins remedieringsprocesser på tværs af værktøjer – opgaver, der traditionelt kræver erfarne ingeniører.

Indenfor Resolve AI Labs

Det nyligt lancerede Resolve AI Labs er designet til at fremme denne vision ved at bygge den grundlæggende teknologi, der kræves for, at AI kan operere produktionsystemer fra ende til anden.

Laboratoriet vil blive ledet af Dhruv Mahajan, tidligere fra Meta, hvor han arbejdede med post-træning for Llama-modeller.

I stedet for at fokusere snævert på agenter, vil laboratoriet tage en fuld-stak-tilgang til operationel AI. Dette inkluderer udvikling af:

• Domænespecifikke modeller trænet på produktionsdata
• Systemer, der resonnerer på tværs af logfiler, metrikker, spor og infrastrukturhændelser
• Evaluationsrammer til at måle pålidelighed i virkelige arbejdsgange
• Simuleringsmiljøer til test og forbedring af modeller
• Styringslag til at sikre sikker og kontrolleret automatisering

Dette afspejler en bredere skift i AI-udvikling: bevægelse fra rå modelkapacitet til systemer, der kan operere sikkert i højrisikable, virkelige miljøer.

Fra assistance til autonomi

Resolve AI er en del af en voksende kategori, der ofte omtales som “AI til produktion” eller AI-drevet site-reliability engineering (SRE). I modsætning til kodeassistenten er disse systemer designede til at operere i live-miljøer – triage-alarm, diagnosticere fejl og løse hændelser i realtid.

Virksomhedens platform kan allerede aktivere ingeniørteams til at undersøge hændelser betydeligt hurtigere, med AI-systemer, der kan analysere systemadfærd og identificere rodårsager på tværs af komplekse afhængigheder.

Over tid er ambitionen at bevæge sig fra assistance til autonomi. I stedet for, at ingeniører manuelt svarer på alarm, kunne AI-systemer håndtere det meste af det operative arbejde, med menneskelig oversigt baseret på risiko og kontekst.

Tidlig traction med enterprise-kunder

Resolve AI’s hurtige finansieringstræjektori afspejler stærk enterprise-efterfrage efter denne funktion. Virksomheden har hævet mere end 190 millioner dollars på under to år og arbejder allerede med organisationer som Coinbase, DoorDash (DASH ), Salesforce, MSCI og Zscaler.

Disse er miljøer, hvor downtime er kostbar, og pålidelighed er kritisk. Selv små forbedringer i incidentrespons-tider eller systemstabilitet kan oversætte sig til betydelig forretningsimpact.

Opkomsten af virksomheder som Resolve AI signalerer en bredere evolution i AI-økosystemet.

Den første bølge af generativ AI fokuserede på skabelse: skrivning af kode, generering af indhold og acceleration af arbejdsgange. Den næste fase handler om operation – sikring af, at det, der bliver bygget, kan køre pålideligt i skala.

Denne skift introducerer nye tekniske udfordringer. Det kræver systemer, der kan resonere over tid, håndtere usikkerhed, interagere med multiple værktøjer og operere indenfor strikte begrænsninger. Det kræver også nye evalueringmetoder, da traditionelle benchmarks ikke fanger virkelige operationelle præstationer.

Hvad dette betyder fremover

Da AI fortsætter med at accelerere softwareudvikling, vil produktion stadig mere blive den begrænsende faktor. Evnen til at operere komplekse systemer pålideligt kan definere den næste generation af enterprise AI-platforme.

Resolve AI’s seneste finansiering og lanceringen af deres forskningslaboratorie antyder, at dette problem er på vej til at blive en prioritet. Hvis virksomheden er succesfuld, er den ikke kun bygning af endnu et AI-værktøj – den hjælper med at redefinere, hvordan software-systemer køres.

Den langsigtede implikation er en skift mod miljøer, hvor AI-systemer og menneskelige ingeniører arbejder i tandem, med maskiner, der håndterer kompleksiteten af produktion, og mennesker, der fokuserer på højere niveau design, strategi og innovation.