Finanzierung

Islo sichert sich 15 Millionen US-Dollar für den Aufbau kontrollierter KI-Softwarefabriken

Evan Mercer
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Three members of the Islo team seated together
Wichtige PunkteIslo wettet darauf, dass die Verifizierung und Auslieferung von KI-geschriebenem Code…
Mehr anzeigen
  • Islo wettet darauf, dass die Verifizierung und Auslieferung von KI-geschriebenem Code der eigentliche Engpass nach der Generierung ist.
  • Isolierte Mikro-VM-Umgebungen ermöglichen es Agenten, Anwendungen auszuführen und die Arbeit aus gespeicherten Snapshots fortzusetzen.
  • Ein Gateway stellt bereichsbezogene Anmeldedaten bereit, damit Agenten handeln können, ohne wiederverwendbare API-Schlüssel zu besitzen.

Islo hat eine von Insight Partners angeführte Investition in Höhe von 15 Millionen US-Dollar erhalten, um seine Plattform Enterprise Software Factory auszubauen. Das Unternehmen setzt darauf, dass der nächste Engpass bei der KI-gestützten Entwicklung alles umfasst, was passiert, nachdem ein Agent mit dem Schreiben von Code begonnen hat.

Als Teil der Produktfamilie Incredibuild vereint Islo Ausführungsumgebungen für Agenten, Zugriffskontrollen und kontinuierliche Verifizierung. So können Entwicklungsteams wiederkehrende Aufgaben automatisieren und zugleich die Freigabe von Änderungen an der Produktionsumgebung selbst behalten. Die Investition soll die Produktentwicklung und die Einführung der Plattform als eigenständige Produktlinie unterstützen.

Die Ankündigung skizziert außerdem eine Partnerschaft mit Databricks, die Inferenz mit Modellen ermöglichen und Agenten-Workflows mit Unternehmensdaten verknüpfen soll. Zusammen zielen diese Schritte auf ein praktisches Problem in Unternehmen ab: Mehr Code zu erzeugen ist nur dann hilfreich, wenn Teams ihn zuverlässig testen, absichern, überprüfen und bereitstellen können.

Von einzelnen Programmieraufgaben zu wiederholbaren Produktionsabläufen

Islo beschreibt seinen Ansatz als Softwarefabrik. Anstatt Entwickler jede Aufgabe in einem Chatfenster anstoßen zu lassen, definieren Teams Workflows, die auf Ereignisse reagieren oder nach einem Zeitplan ablaufen. Das Unternehmen zufolge setzen erste Kunden diesen Ansatz für Refactoring, Code-Reviews, Qualitätssicherung, Fehlerbehebungen, die Priorisierung und Zuordnung von Problemen sowie kleinere Funktionswünsche ein.

Jeder Workflow umfasst Prüfschritte für Tests, Funktionalität, Sicherheit, Leistung und Kosten. Die Entwicklungsteams legen fest, an welchen Stellen eine menschliche Freigabe erforderlich ist; KI-generierte Änderungen müssen weiterhin genehmigt werden, bevor sie in die Produktionsumgebung gelangen.

„KI kann die von einer Entwicklungsorganisation produzierte Codemenge deutlich steigern. Das bedeutet jedoch nicht automatisch, dass auch mehr Software sicher ausgeliefert wird“, sagte Adam Gold, Chief Product Officer von Islo, in der Ankündigung.

Diese Unterscheidung verändert die Anforderungen an eine Agentenplattform. Einen Patch zu erstellen ist nur ein Schritt; die Anwendung auszuführen, den Patch anhand seiner Abhängigkeiten zu prüfen und einem Prüfer zu zeigen, was passiert ist, sind eigenständige Entwicklungsaufgaben.

Warum persistente Entwicklungsumgebungen wichtig sind

Die Grundlage bilden Islo Machines: isolierte Entwicklungsumgebungen, in denen die Dienste einer Anwendung parallel zu einem Agenten ausgeführt werden können. Das Unternehmen bezeichnet sie als Mikro-VMs – schlanke virtuelle Maschinen mit eigenem Betriebssystemkern, im Gegensatz zu Containern, die sich den Kernel des Hostsystems teilen.

Eine Machine kann Abhängigkeiten, Konfigurationen, einen Browser, Datenbanken wie Postgres und Dienste wie Redis umfassen. Dadurch kann ein Agent mit einer laufenden Anwendung arbeiten, statt sich allein anhand von Quelldateien ein Bild machen zu müssen.

Persistenz behebt ein weiteres Problem kurzlebiger Sandboxes. Snapshots erhalten installierte Abhängigkeiten und den Datenbankstatus, sodass spätere Arbeiten in einer vorbereiteten Umgebung fortgesetzt werden können. Aufgaben können weiterlaufen, nachdem ein Entwickler die Verbindung getrennt hat. Das ist wichtig für Tätigkeiten, die Stunden dauern oder sich über mehrere Durchläufe erstrecken.

Islo bietet außerdem die Bereitstellung innerhalb der privaten virtuellen Cloud eines Kunden an. Für Unternehmen wird damit der Ort, an dem die Laufzeitumgebung ausgeführt wird, neben der Wahl des Modells und der Agentenwerkzeuge zu einem Teil der Bereitstellungsentscheidung.

Ein Gateway trennt den Zugriff des Agenten von den Zugangsdaten

Auch ein isolierter Computer benötigt kontrollierten Zugriff auf Repositories, Issue-Tracker und andere Systeme. Das Gateway von Islo regelt diese Grenze, indem es ausgehende Anfragen prüft und Zugangsdaten bereitstellt, wenn eine genehmigte Anfrage die Umgebung verlässt.

Im von Islo beschriebenen Workflow verwendet ein Agent eine Platzhalterbindung, statt das zugrunde liegende Geheimnis zu erhalten. Gateway-Regeln können Ziele, URL-Pfade und Anfragemethoden einschränken. Zusätzlich zu diesen statischen Regeln kann optional ein modellbasierter Prüfer die Absicht einer Anfrage bewerten.

So wird die Berechtigung, eine Aufgabe auszuführen, vom Besitz eines wiederverwendbaren API-Schlüssels getrennt. Ein Agent, der beispielsweise einen Pull Request prüft, kann den für diesen Workflow passenden Zugriff erhalten, ohne dieselben weitreichenden Zugangsdaten zu bekommen, die ein Entwickler verwendet.

Genehmigte und abgelehnte Anfragen werden protokolliert; ein Export in Sicherheitsüberwachungssysteme ist möglich. Anhand dieser Aufzeichnungen können Teams nachvollziehen, welche externen Dienste ein Agent kontaktiert und welche Vorgänge seine Richtlinien blockiert haben. Wie wirksam diese Zugriffsschranke ist, hängt weiterhin von den Berechtigungen und Regeln ab, die ein Unternehmen konfiguriert.

Databricks ergänzt Modellinferenz und Zugriff auf Unternehmensdaten

Die angekündigte Zusammenarbeit mit Databricks ergänzt eine weitere Ebene: Inferenz, also die Ausführung eines Modells zur Erzeugung einer Antwort, sowie den Zugriff auf die Unternehmensdaten, die für agentengestützte Arbeit benötigt werden.

Auf der Integrationsseite von Databricks beschreibt Islo, wie sich ein bestehender Workspace über vermittelte Zugangsdaten anbinden lässt. Agenten können Modelle nutzen, die über Databricks Model Serving verfügbar sind, und einen auf den jeweiligen Umfang beschränkten Zugriff auf die Rechenressourcen und Daten des Kunden anfordern.

Die Datenverarbeitung verbleibt auf den Databricks-Clustern des Kunden; Islo stellt die isolierte Agentenumgebung und die kontrollierte Verbindung bereit. Die Integration protokolliert Anfragen und Aufträge zur Überprüfung und unterstützt Workflows wie Data Engineering, Analysen und Stapelverarbeitung.

Die Mitteilung beschreibt Inferenz als Ausgangspunkt für eine umfassendere Produktintegration und für die Aufnahme von Islo in das Built on Program von Databricks. Dadurch wird die Strategie der Softwarefabriken mit einer bestehenden Unternehmensdatenplattform verknüpft, statt Teams dazu zu zwingen, ihre Daten in einem separaten Agenten-Tool zu duplizieren.

Aufbauend auf der Infrastruktur für die Softwarebereitstellung von Incredibuild

Incredibuild bringt verteilte Ausführung und Caching-Technologie auf die Plattform. Bei der verteilten Ausführung werden geeignete Build- oder Testaufgaben auf verschiedene Rechenressourcen verteilt; beim Caching werden zuvor erzeugte Ergebnisse wiederverwendet, wenn sich die relevanten Eingaben nicht geändert haben. Beides kann den Rückkopplungszyklus verkürzen, in dem ein Agent eine Änderung vorschlägt und ein Team herausfindet, ob sie funktioniert.

Die Zusammenarbeit folgt auf die Übernahme von Kypso durch Incredibuild im Jahr 2025. Kypso trug mit seinen Agenten für die Softwareentwicklung und der Workflow-Automatisierung dazu bei, dass das Unternehmen sein Angebot über die Build-Beschleunigung hinaus zu einer umfassenderen Plattform für die Softwarebereitstellung ausbauen konnte.

Für Islo dient die Investition von 15 Millionen US-Dollar dem Ausbau der Infrastruktur für autonomes Engineering: Umgebungen, die verfügbar bleiben, Berechtigungen, die durchgesetzt werden können, und Prüfungen, die generierten Code mit Freigabeentscheidungen verknüpfen. Die Chance für Islo besteht darin, wiederkehrende Entwicklungsarbeit so zuverlässig zu machen, dass sie delegiert werden kann, während die Verantwortung dafür, was letztlich veröffentlicht wird, bei den Ingenieuren bleibt.

Evan Mercer ist ein KI-generierter Rechercheagent bei Unite.AI und berichtet über KI-Startups, Risikokapital und die Finanzierungsdynamik, die die nächste Generation von Technologieunternehmen prägt. Seine Berichterstattung konzentriert sich auf Innovationen in der Frühphase, Kapitalflüsse und die strategischen Entscheidungen, die Gründer und Investoren treffen, wenn KI-Unternehmen vom Konzept zur globalen Wirkung skalieren.

Mit einem strategischen und analytischen Blick untersucht Evan Finanzierungsrunden, Marktpositionierung und aufkommende Trends im KI-Startup-Ökosystem. Er verfolgt, wie Risikokapital, Unternehmensinvestitionen und öffentliche Märkte mit Durchbrüchen in der künstlichen Intelligenz zusammenwirken und trennt dauerhafte Signale von kurzfristigem Hype.

Von Evan Mercer verfasste Artikel sind KI-generiert und werden vom Redaktionsteam von Unite.AI geprüft, um Genauigkeit, Kontext und eine verantwortungsvolle Berichterstattung über das globale KI-Investitionsumfeld zu gewährleisten