Traversal obtiene 120 millones de dólares en una ronda de Serie B con una valoración de 1.000 millones para ampliar su SRE con IA

Traversal anunció una ronda de financiación de Serie B de 120 millones de dólares, con una valoración de 1.000 millones de dólares, el 3 de noviembre de 2026, para acelerar su trabajo hacia sistemas de producción autónomos y ampliar la contratación en investigación, ingeniería y funciones comerciales.

Kleiner Perkins, Redpoint Ventures y Khosla Ventures codirigieron la ronda, en la que también participaron Sequoia Capital, Battery Ventures y Amex Ventures. Kleiner Perkins y Sequoia, inversores anteriores, aumentaron sus inversiones. La financiación total asciende ahora a 173 millones de dólares, tras los 48 millones de dólares que Traversal anunció al salir del modo sigiloso en junio de 2025 y una inversión estratégica de Amex Ventures en diciembre de 2025.

Desarrollar el ciclo externo de las operaciones de software

Traversal comenzó con el análisis de las causas raíz de los incidentes, basándose en la investigación académica de sus tres cofundadores sobre aprendizaje automático causal y aprendizaje por refuerzo. La premisa central es que un incidente genera muchas señales simultáneas, por lo que una correlación plausible no basta para determinar por qué falló un sistema. Production World Model convierte la telemetría sin procesar, el código, el historial de implementaciones y el conocimiento organizativo en una representación del entorno de producción que se actualiza continuamente y es legible para la IA. Causal Search Engine está diseñado para probar miles de hipótesis en paralelo, seguir dependencias y secuencias temporales entre sistemas, y determinar las causas respaldadas por la evidencia.

Traversal presentó oficialmente esos dos sistemas en marzo de 2026, tras casi dos años de investigación e ingeniería. Los agentes de trabajo ahora actúan como agentes proactivos y de larga duración que recopilan contexto, investigan y ayudan a corregir problemas cuando se producen incidentes o alertas. Traversal MCP pone esa inteligencia de producción a disposición de los agentes de programación y conecta la evidencia operativa con el trabajo de desarrollo destinado a prevenir incidentes.

El objetivo a largo plazo es crear software que detecte problemas, comprenda sus causas, tome medidas correctivas, verifique que hayan funcionado y evite que vuelvan a ocurrir. Esta hoja de ruta convierte la ronda tanto en una ampliación de un producto de investigación ya existente como en una apuesta por operaciones más autónomas.

Crecimiento declarado más allá del análisis de causas raíz

Traversal informa que las investigaciones mensuales crecieron más de 100 veces durante 2026, de 513 a casi 73.000. Aproximadamente dos tercios del uso del producto abarcan ahora áreas que van más allá del análisis de causas raíz, como la clasificación de alertas, el riesgo de las versiones, la validación de CMDB, la seguridad, el estado de los recorridos de los clientes y las consultas sobre soporte de producción. Esta combinación apunta a un uso más amplio en las decisiones operativas cotidianas, además del diagnóstico posterior a los incidentes.

En un comunicado de financiación adjunto, Traversal informa que sus ingresos recurrentes anuales se multiplicaron por nueve en lo que va del año, que realizó más de 150.000 investigaciones de clientes en el trimestre más reciente y que presta servicio a más de 4.000 ingenieros. Nubank, Harvey, DigitalOcean y PepsiCo figuran entre las empresas que utilizan la plataforma. El director ejecutivo de Nubank, David Vélez, describió la implementación de su empresa como iniciada hace apenas cinco semanas y en expansión por etapas a medida que los resultados se mantienen, una precisión que indica que las cifras de adopción corresponden a una fase inicial.

La evidencia de las pruebas comparativas y sus límites

La dificultad técnica se documenta por separado en ORCA-bench, un artículo de investigadores afiliados a Cornell Tech, Traversal y Columbia University. Incluye 1.079 tareas de análisis de causas raíz basadas en seis días y más de 50 GB de métricas, registros y trazas de un sistema instrumentado con OpenTelemetry y compuesto por 19 microservicios. Los agentes utilizaron interfaces reales de observabilidad y código fuente, mientras que las tareas variaban en el nivel de detalle de los informes, los retrasos en la detección y la presencia de fallos simultáneos.

En cinco agentes de propósito general evaluados, el artículo informa una precisión máxima en el análisis de causas raíz del 25,3 % en tareas de dificultad media y del 10,0 % en tareas difíciles. Según el modelo, entre el 7 % y el 40 % de los informes de incidentes incluían causas raíz inverosímiles inventadas. La eliminación del acceso al código fuente redujo la precisión y aumentó las alucinaciones en todos los modelos, lo que refuerza la conclusión de que la capacidad de generar código fluido no se traduce directamente en diagnósticos fiables durante la atención de incidentes.

Esas puntuaciones no miden el rendimiento de Traversal en entornos de producción. Los autores advierten que la evidencia procede de un entorno de pruebas público y controlado que abarca seis días, en el que cada tarea se abordó por separado. Aún no se ha comprobado si los resultados se trasladan a entornos propietarios más grandes y cambiantes. Por lo tanto, la prueba comparativa delimita la brecha de investigación que afronta la atención autónoma de incidentes; no valida la hoja de ruta de la empresa para lograr una producción autónoma.

La adopción declarada por Traversal y los resultados de las pruebas comparativas corresponden a distintas etapas de una misma ambición. El negocio actual se basa en investigaciones y consultas más amplias sobre producción; la cuestión aún por resolver para lograr una producción autónoma es si su sistema causal puede tomar medidas correctivas, verificar el resultado y evitar que los problemas vuelvan a ocurrir en entornos complejos de clientes.