Dodge AI recauda $2.65M para sacar el software empresarial del modo de extinción de incendios

Dodge AI ha recaudado $2.65 millones para automatizar una de las partes menos glamorosas pero más costosas de la tecnología empresarial: mantener el software crítico en funcionamiento después de haber sido instalado.

El financiamiento fue liderado por Accel y Google AI Futures Fund, con la participación de NewBuild Venture Capital, Antler, Schema Ventures y inversores ángeles del ecosistema SAP. Dodge AI no divulgó la fase de la ronda.

La empresa de San Francisco está construyendo lo que describe como un plano de control de IA para el mantenimiento de aplicaciones empresariales. Sus agentes operan en sistemas como SAP, Salesforce, Microsoft Dynamics, Kinaxis y Oracle JDE para investigar incidentes, recomendar o ejecutar correcciones y preservar el razonamiento detrás de cada cambio.

Esa última función podría ser la más importante. Las grandes empresas rara vez operan el software exactamente como lo recibió del proveedor. Años de reglas personalizadas, integraciones, soluciones alternativas, trabajos en segundo plano y excepciones puntuales se incrustan en los sistemas de registro. Cuando algo falla, la respuesta puede estar dispersa entre tickets, archivos de configuración, consultores y los recuerdos de los empleados que estaban presentes cuando se tomó la decisión.

Por qué el mantenimiento es un problema de IA

Dodge AI afirma que las empresas gastan más de $600 mil millones al año en el mantenimiento de aplicaciones empresariales. El enfoque tradicional ha sido intensivo en mano de obra: los grandes integradores de sistemas asignan equipos para resolver tickets, implementar solicitudes de cambio, monitorear trabajos y responder a fallas operativas. Ese modelo puede restaurar el servicio, pero a menudo no logra convertir cada reparación en un conocimiento institucional duradero.

El resultado es un problema de contexto acumulativo. Se realizan correcciones, las personalizaciones se acumulan y la organización se vuelve más dependiente de las personas que recuerdan por qué el sistema se comporta de esa manera. La deuda técnica no es solo código antiguo; es la brecha entre lo que hace un sistema y lo que la empresa puede explicar de manera fiable.

Esto también explica por qué los agentes de IA en producción necesitan más que acceso a modelos base capaces. Como Unite.AI examinó recientemente en su cobertura de contexto en la automatización empresarial, los agentes se vuelven útiles cuando pueden razonar con las políticas, excepciones y el historial operativo que rodea una tarea. En un entorno ERP, una respuesta plausible no es suficiente. Un agente debe comprender por qué un almacén asigna el stock de manera diferente, por qué una regla de precios anula a otra, o por qué un trabajo solo puede ejecutarse en un momento determinado.

Dodge AI pretende construir ese contexto mientras resuelve el trabajo de mantenimiento cotidiano. Su plataforma conecta procesos de negocio, personalizaciones ERP, sistemas de gestión de servicios de TI y configuraciones heredadas, y luego utiliza la “inteligencia de excepciones” resultante para identificar causas raíz y crear una fuente de verdad para los agentes futuros.

De los tickets a una memoria operativa

«Durante mucho tiempo, la única forma de mantener los sistemas empresariales era añadir más personas», dijo Rebhav Bharadwaj, cofundador y director ejecutivo de Dodge AI. Él sostiene que los agentes de largo horizonte pueden ayudar a las empresas a mejorar y sanar continuamente los sistemas críticos, resolviendo incidentes más rápido mientras capturan el conocimiento que normalmente se pierde en el trabajo de mantenimiento.

Ese enfoque replantea el mantenimiento de un centro de costos a una capa de recopilación de datos. Cada incidente contiene información sobre cómo opera realmente el negocio. Al preservar la causa, la corrección y la excepción relevante, Dodge AI puede acelerar la siguiente investigación y proporcionar a los agentes de producción un manual operativo más fiable.

La empresa afirma que ya colabora con más de una docena de compañías, la mitad de ellas cotizadas en bolsa. Su plataforma gestiona cientos de consultas por hora en flujos de trabajo de gestión de incidentes y optimización de procesos.

En un caso, un camión no pudo cargar en un almacén porque una Nota de Recepción de Mercancías imprimía información incorrecta. Dodge AI rastreó el problema a través de SAP, Kinaxis y el software interno del almacén y entregó una solución en minutos. En otra implementación, un cliente había estado ejecutando la planificación de inventario durante la noche porque SAP se bloqueaba cuando el proceso se ejecutaba por la mañana. Dodge AI afirma que modernizó el flujo de trabajo, lo hizo 132 veces más rápido, liberó a un equipo de 10 personas de su mantenimiento y mejoró el tiempo de asignación de pedidos en ocho horas.

Por qué los inversores respaldan la capa de mantenimiento

La oportunidad es más amplia que la resolución de tickets. Las empresas desean desplegar agentes de IA en finanzas, cadena de suministro, operaciones de cliente y otras funciones críticas, pero esos agentes no pueden actuar de forma segura en sistemas que no comprenden. Las reglas no documentadas que dificultan el mantenimiento de aplicaciones heredadas son las mismas reglas que un sistema autónomo necesita antes de poder efectuar un cambio fiable.

«El mantenimiento de aplicaciones es una de las categorías más grandes y menos modernizadas en la tecnología empresarial», dijo Prayank Swaroop, inversor de Accel. Según él, al comenzar con el mantenimiento, Dodge AI está construyendo la capa de contexto que las empresas necesitan antes de que los agentes puedan operar de forma segura en producción.

El equipo combina a Bharadwaj con el cofundador y CTO Aditya Thakur y el COO Aditya Patil. Su desafío a corto plazo será demostrar que una capa de mantenimiento agente puede generalizarse en entornos altamente personalizados sin introducir nuevos riesgos operativos. Cada pila empresarial tiene diferentes permisos, requisitos de gobernanza y modos de falla, y el éxito dependerá tanto de la auditabilidad y la ejecución controlada como del rendimiento del modelo.

La gran apuesta

La tesis de Dodge AI es que el mantenimiento es el punto de partida para la transformación empresarial, no simplemente un problema que se pueda automatizar. Los CIO a menudo tienen dificultades para modernizar porque los presupuestos y la atención se consumen en incidentes diarios, mientras que el riesgo de interrumpir sistemas que ya funcionan hace que los proyectos de reemplazo masivo sean difíciles de justificar.

Si Dodge AI puede resolver esos incidentes mientras documenta la lógica oculta detrás de ellos, podría ofrecer a las empresas una ruta más segura del soporte reactivo a la modernización continua. El mismo grafo de conocimiento que explica la falla de ayer podría ayudar a un agente a evaluar la solicitud de cambio de mañana, identificar una dependencia riesgosa o automatizar un proceso sin violar una regla enterrada años atrás.

La ronda de 2,65 millones de dólares es modesta en comparación con la escala del mercado al que apunta Dodge AI. Pero la empresa está haciendo una apuesta estratégicamente importante: antes de que los agentes de IA puedan gestionar la empresa, alguien tiene que enseñarles cómo funciona realmente la empresa.