Traversal sammelt in einer Series-B-Finanzierungsrunde 120 Mio. US-Dollar bei einer Bewertung von 1 Mrd. US-Dollar ein, um KI-SRE auszubauen

Traversal gab am 3. November 2026 eine Series-B-Finanzierungsrunde über 120 Mio. US-Dollar bei einer Bewertung von 1 Mrd. US-Dollar bekannt. Damit will das Unternehmen seine Arbeit an selbststeuernden Produktionssystemen beschleunigen und die Einstellungen in den Bereichen Forschung, Engineering und Markteinführung ausweiten.

Kleiner Perkins, Redpoint Ventures und Khosla Ventures führten die Finanzierungsrunde gemeinsam an. Sequoia Capital, Battery Ventures und Amex Ventures beteiligten sich ebenfalls. Die bisherigen Geldgeber Kleiner Perkins und Sequoia erhöhten ihre Investitionen. Damit beläuft sich die Gesamtfinanzierung nun auf 173 Mio. US-Dollar. Darin enthalten sind die 48 Mio. US-Dollar, die Traversal bei seinem Ausstieg aus dem Stealth-Modus im Juni 2025 bekannt gab, sowie eine strategische Investition von Amex Ventures im Dezember 2025.

Den äußeren Regelkreis des Softwarebetriebs aufbauen

Traversal begann mit der Ursachenanalyse von Vorfällen und griff dabei auf die akademische Forschung seiner drei Mitgründer zu kausalem maschinellem Lernen und bestärkendem Lernen zurück. Die zentrale Prämisse lautet, dass ein Vorfall viele gleichzeitig auftretende Signale erzeugt und eine plausible Korrelation daher nicht belegen kann, warum ein System ausgefallen ist. Das Production World Model wandelt rohe Telemetriedaten, Code, den Verlauf von Deployments und Organisationswissen in eine kontinuierlich aktualisierte, für KI lesbare Darstellung einer Produktionsumgebung um. Die Causal Search Engine soll Tausende Hypothesen parallel prüfen, Abhängigkeiten und zeitliche Abläufe systemübergreifend nachverfolgen und sich auf Ursachen konzentrieren, die durch Belege gestützt werden.

Traversal stellte diese beiden Systeme im März 2026 nach fast zwei Jahren Forschung und Entwicklung offiziell vor. Worker agieren inzwischen als proaktive, langfristig laufende Agenten, die Kontext sammeln, Untersuchungen durchführen und bei der Behebung von Vorfällen oder beim Auftreten von Warnmeldungen unterstützen. Traversal MCP stellt diese Produktionsinformationen Coding-Agenten zur Verfügung und verknüpft operative Belege mit Entwicklungsarbeit, die Vorfälle verhindern soll.

Langfristig soll Software Probleme erkennen, ihre Ursachen verstehen, Korrekturmaßnahmen ergreifen, deren Wirksamkeit überprüfen und ein erneutes Auftreten verhindern. Die Roadmap macht die Finanzierungsrunde sowohl zu einem Ausbau eines bestehenden Untersuchungsprodukts als auch zu einer Wette auf autonomere Betriebsabläufe.

Berichtetes Wachstum über die Ursachenanalyse hinaus

Traversal zufolge stieg die Zahl der monatlichen Untersuchungen im Jahr 2026 um mehr als das Hundertfache – von 513 auf fast 73.000. Rund zwei Drittel der Produktnutzung gehen inzwischen über die Ursachenanalyse hinaus und umfassen die Priorisierung von Warnmeldungen, Release-Risiken, die Validierung von CMDB-Daten, Sicherheit, den Zustand der Customer Journey und Fragen zum Produktionssupport. Diese Verteilung deutet darauf hin, dass das Produkt neben der Diagnose nach Vorfällen zunehmend auch für laufende operative Entscheidungen eingesetzt wird.

In einer begleitenden Mitteilung zur Finanzierung berichtet Traversal von einem neunfachen Wachstum des jährlich wiederkehrenden Umsatzes seit Jahresbeginn, mehr als 150.000 Kundenuntersuchungen im jüngsten Quartal und der Unterstützung von über 4.000 Ingenieurinnen und Ingenieuren. Nubank, Harvey, DigitalOcean und PepsiCo zählen zu den Unternehmen, deren Umgebungen die Plattform nutzen. Nubank-CEO David Vélez erklärte, dass der Einsatz bei seinem Unternehmen erst seit fünf Wochen laufe und schrittweise ausgeweitet werde, solange die Ergebnisse Bestand hätten – eine Einschränkung, die den frühen Stand der genannten Nutzungszahlen verdeutlicht.

Belege aus Benchmarks und ihre Grenzen

Die technische Herausforderung wird gesondert in ORCA-bench dokumentiert, einer Studie von Forschenden mit Verbindungen zu Cornell Tech, Traversal und Columbia University. Sie umfasst 1.079 Aufgaben zur Ursachenanalyse, die auf Daten aus sechs Tagen und mehr als 50 GB an Metriken, Logs und Traces eines mit OpenTelemetry instrumentierten Systems mit 19 Microservices basieren. Die Agenten nutzten echte Observability-Schnittstellen und Quellcode, während sich die Aufgaben hinsichtlich der Genauigkeit der Fehlerberichte, der Erkennungsverzögerungen und gleichzeitig auftretender Fehler unterschieden.

Für fünf untersuchte universell einsetzbare Agenten weist die Studie bei Aufgaben mittlerer Schwierigkeit eine maximale Genauigkeit der Ursachenanalyse von 25,3 % und bei schwierigen Aufgaben von 10,0 % aus. Je nach Modell enthielten 7 % bis 40 % der Vorfallberichte halluzinierte, unplausible Ursachen. Der Entzug des Zugriffs auf den Quellcode verringerte bei jedem Modell die Genauigkeit und erhöhte die Zahl der Halluzinationen. Dies bekräftigt die Erkenntnis, dass die Fähigkeit, flüssig Code zu schreiben, nicht unmittelbar zu zuverlässigen Diagnosen im Bereitschaftsdienst führt.

Diese Ergebnisse messen nicht die Leistung von Traversal in Produktionsumgebungen. Die Autorinnen und Autoren weisen darauf hin, dass die Belege aus einer kontrollierten, öffentlichen Testumgebung über sechs Tage stammen und jede Aufgabe einzeln bearbeitet wurde. Ob sich die Ergebnisse auf größere, sich verändernde proprietäre Umgebungen übertragen lassen, wurde nicht getestet. Der Benchmark steckt somit die Forschungslücke bei autonomen Bereitschaftsdiensten ab; er bestätigt nicht Traversals Roadmap für selbststeuernde Produktionssysteme.

Die von Traversal berichtete Nutzung und die Benchmark-Ergebnisse beleuchten unterschiedliche Etappen desselben Vorhabens. Das aktuelle Geschäft basiert auf Untersuchungen und einem breiteren Spektrum an Fragen zum Produktionsbetrieb. Offen bleibt, ob das kausale System bei komplexen Kundenumgebungen Korrekturmaßnahmen ergreifen, deren Wirkung überprüfen und ein erneutes Auftreten verhindern kann – der entscheidende Test für selbststeuernde Produktionssysteme.