Striveworks sikrer serie B-investering til at skalerer AI-operationer til forsvar og allierede regeringer

Striveworks har sikret en serie B-investering ledet af Washington Harbour Partners, hvilket markerer et betydeligt skridt i virksomhedens bestræbelser på at udvide sin operationelle AI på tværs af forsvars- og nationale sikkerhedsområder. Investeringen vil blive brugt til at accelerere produktudvikling, udvide ingeniør- og forskningshold samt støtte en bredere udrulning af teknologien på tværs af amerikanske regeringsinstitutioner og allierede nationer.

Investeringen kommer på et tidspunkt, hvor regeringer i stigende grad prioriterer en hurtig integration af kunstig intelligens i mission-kritiske systemer, særligt da geopolitisk konkurrence intensiveres og operationelle tidsrammer komprimeres.

Skiftet mod operationel AI i national sikkerhed

At implementere AI i forsvarsområder er ikke blot en sag om at bygge modeller – det kræver systemer, der kan fungere pålideligt i dynamiske, højrisikområder. Regeringer står over for en dobbelt udfordring: at flytte hurtigt nok til at fastholde en operationel fordel, samtidig med at sikre, at systemerne forbliver gennemskuelige, troværdige og i overensstemmelse med strenge sikkerhedskrav.

Striveworks har positioneret sig på dette snitflade, fokuserer på operationel AI – evnen til at implementere, overvåge og kontinuerligt tilpasse maskinelæringssystemer i virkelige forhold i stedet for kontrollerede omgivelser.

Dette krav bliver forstærket på politikniveau, hvor en hurtig AI-integration i stigende grad ses som afgørende for at fastholde en strategisk fordel i forsvars- og efterretningsoperationer.

En platform bygget til virkelige udrulninger

I centrum af Striveworks’ tilbud ligger deres Chariot-platform, et AI operations (AIOps)-system designet til at flytte modeller fra udvikling til produktion hurtigt, samtidig med at opretholde oversigt og præstation.

Platformen giver organisationer mulighed for at bygge, implementere og vedligeholde AI-modeller på få timer i stedet for måneder, og støtter arbejdsgange, der omfatter cloud-infrastruktur, edge-miljøer og frakoblet eller båndbegrænsede indstillinger. Dette er særligt relevant i forsvarsområder, hvor AI-systemer skal fungere på tværs af fragmenterede datakilder såsom sensor-data, satellitbilleder og realtids efterretninger.

Chariot lægger også vægt på styring og gennemskuelighed, hvilket giver organisationer mulighed for at forstå, hvordan modeller er trænet, hvordan data flyder gennem systemer, og hvordan outputs genereres – kapaciteter, der er afgørende i regulerede og mission-kritiske områder.

Beviser i komplekse og kontestede områder

Striveworks’ teknologi er allerede blevet implementeret på tværs af multiple forsvarsprogrammer, herunder arbejde forbundet med den amerikanske hærs Next Generation Command and Control-initiativ samt operationer, der involverer grænsekontrol og autonome maritime systemer.

Disse udrulninger afspejler en bredere skift i, hvordan AI bliver brugt. I stedet for at blive begrænset til analyse eller eksperimenter er AI i stigende grad integreret direkte i operationelle arbejdsgange, hvor det støtter realtids beslutninger.

Virksomhedens fokus på at fastholde præstation i kontestede områder – hvor dataforhold ændrer sig hurtigt, og systemer må tilpasse sig kontinuerligt – er blevet en definerende del af deres tilgang.

Indenfor teknologien: Brobygning mellem AI-modeller og virkelige operationer

Striveworks’ platform er bygget omkring et problem, der er blevet mere synligt, efterhånden som AI flytter fra eksperimenter til produktion: modeller fejler ikke under træning – de fejler under implementering.

Virksomhedens Chariot-platform fokuserer på, hvad der sker efter, at en model er bygget. I operationelle områder er data sjældent ren eller stabil. Inddata skifter, edge-betingelser nedgraderer signalkvaliteten, og missionkrav udvikler sig i realtid. Dette skaber en kløft mellem modelpræstation i kontrollerede omgivelser og, hvordan systemer opfører sig i felten.

Chariot adresse dette ved at behandle AI-systemer som kontinuerligt styrede aktiver i stedet for statiske implementeringer. Platformen giver mulighed for kontinuerlig overvågning af modelpræstation, detektering af drift i både data og outputs, og mulighed for hurtig iteration uden at kræve fulde omtræningscykler. Dette er særligt relevant i forsvarsområder, hvor latency, pålidelighed og tilpasningsevne direkte påvirker resultaterne.

En nøglekomponent i denne arkitektur er dens evne til at fungere på tværs af fragmenterede og distribuerede dataområder. I stedet for at afhænge af centraliseret infrastruktur støtter platformen implementeringer på tværs af cloud, on-premise og edge-systemer. Dette giver mulighed for, at modeller kan køre tættere på, hvor data genereres – enten fra sensorer, satellitdata eller realtids operationelle inddata – og reducerer forsinkelser og forbedrer responsen.

Chariot lægger også stor vægt på styring og gennemskuelighed. I højrisikoområder er det lige så vigtigt at forstå, hvordan en model nåede en beslutning, som beslutningen selv. Platformen giver indsigt i datahistorik, modeladfærd og systemoutputs, hvilket giver organisationer mulighed for at validere præstation og fastholde oversigt.

Dette kombination af kontinuerlig evaluering, distribueret implementering og indbygget styring afspejler en bredere skift i AI-systemdesign. Udfordringen er ikke længere blot at bygge præcise modeller, men at sikre, at de forbliver pålidelige, tilpasningsdygtige og ansvarlige, når de implementeres i virkelige forhold.