Autoheal lève $7,9 M lors d’un tour d’amorçage pour sa fabrique logicielle auto‑améliorante

Autoheal a levé $7,9 M de financement d’amorçage pour étendre une plateforme conçue pour gérer le travail qui suit le codage assisté par IA : enquêter sur les incidents, remédier aux vulnérabilités, contrôler les coûts des modèles et maintenir les agents logiciels alignés sur les systèmes et les politiques d’une entreprise.

Innovation Endeavors a mené le tour, avec la participation de Emergent Ventures, U&I Ventures, Darkmode Ventures, Batch Ventures et Param Hansa Values. Harpinder Singh d’Innovation Endeavors rejoint le conseil d’administration d’Autoheal.

Le financement arrive alors que les entreprises apprennent que la génération de code plus rapide ne produit pas automatiquement une livraison de logiciel plus rapide ou plus sûre. Plus de code peut signifier davantage d’alertes, de revues, de vulnérabilités et de dépenses liées aux modèles cloud. Autoheal se concentre sur cette couche moins visible du boom du codage assisté par IA.

Un problème opérationnel créé par le codage accéléré

AI coding assistants ont réduit l’effort nécessaire à la production de code, mais de nombreuses tâches d’ingénierie en aval restent très laborieuses. Les incidents de production nécessitent encore une enquête, les problèmes de sécurité doivent encore être corrigés, et les équipes de plateforme doivent encore comprendre pourquoi une action automatisée a réussi ou échoué.

Autoheal soutient que ces tâches devraient être traitées comme faisant partie d’une usine logicielle coordonnée plutôt que d’être confiées à une collection d’agents déconnectés. Sa plateforme connecte les outils de codage aux dépôts, aux systèmes CI/CD, aux plateformes d’observabilité, aux environnements cloud et aux systèmes de suivi des tickets. L’objectif est d’offrir aux agents spécialisés une vue partagée de l’environnement d’ingénierie tout en les maintenant à l’intérieur du cloud du client et sous ses contrôles de sécurité.

Cette architecture compte dans les organisations réglementées ou techniquement complexes, où un agent peut avoir besoin du contexte de production sans pouvoir recevoir un accès illimité. Elle répond également à un problème de gouvernance pratique : à mesure que les équipes déploient davantage d’agents, elles ont besoin d’une méthode cohérente pour évaluer le comportement, suivre les changements et contrôler les coûts.

Comment fonctionne la boucle de guérison continue d’Autoheal

Au cœur de l’approche d’Autoheal se trouvent deux agents de supervision. Un Évaluateur note la sortie des agents travailleurs en s’appuyant sur des signaux tels que les commentaires de revue de code, les échecs d’intégration continue et les incidents liés à une modification. Un Guérisseur propose ensuite des améliorations aux agents peu performants en modifiant leurs invites, compétences, outils ou sélections de modèle.

L’entreprise affirme que ces changements proposés sont testés par rapport à des références historiques avant révision. Le comportement des agents est versionné dans Git, et les ingénieurs conservent le pouvoir d’approbation. En pratique, cela rend le système moins semblable à un robot de codage autonome et davantage comparable à une couche opérationnelle de surveillance et d’amélioration d’un groupe d’agents spécialisés dans des tâches spécifiques.

Cette distinction est importante. Construire une démonstration d’agent convaincante est relativement simple ; maintenir des performances fiables à mesure que les bases de code, l’infrastructure et les règles organisationnelles évoluent est plus difficile. Autoheal mise sur le fait que l’évaluation continue et la révision contrôlée deviendront une exigence standard pour les déploiements d’agents en entreprise.

Les premiers déploiements mettent l’accent sur la réponse aux incidents

Autoheal indique qu’il fonctionne déjà dans des environnements d’entreprise, notamment chez Nomura Bank et AvidXchange. Selon les chiffres fournis par l’entreprise, Nomura a réduit le temps moyen de résolution de deux heures à 15 minutes dans un déploiement. AvidXchange rapporte que le système a raccourci l’analyse des causes profondes à quelques minutes et a libéré de la capacité d’ingénierie pour le travail produit.

Ces résultats sont des affirmations de l’entreprise et des clients plutôt que des références indépendantes, mais ils indiquent le cas d’usage initial qu’Autoheal juge le plus urgent : la réponse aux incidents. Le dépannage nécessite souvent de rassembler des preuves à travers les journaux, les systèmes de surveillance, les tickets, les modifications de code et les services cloud. Un agent disposant de ce contexte pourrait élaborer un diagnostic utile plus rapidement qu’un ingénieur naviguant manuellement entre les systèmes.

Empiric Earth utilise également la plateforme pour le dépannage et l’optimisation des coûts logiciels, selon l’annonce. Ensemble, ces déploiements suggèrent qu’Autoheal débute avec des flux de travail où le coût de l’information fragmentée est facile à percevoir et où l’amélioration peut être mesurée en temps restitué aux ingénieurs.

À quoi le tour d’amorçage est destiné

Autoheal a été fondée par Utkarsh Ohm, Sid Choudhury et Puneet Saraswat, s’appuyant sur une expérience acquise chez Harness, Microsoft Azure, ThoughtSpot et AppDynamics. L’équipe indique que le nouveau capital soutiendra le développement de systèmes d’apprentissage par renforcement et de modèles privés, spécifiques à l’entreprise, entraînés sur des données d’ingénierie qui restent à l’intérieur des limites du client.

Le plan à plus long terme s’étend au-delà de l’ingénierie logicielle vers les opérations de données et de sécurité. Cette expansion dépendra de la capacité de la plateforme à généraliser son modèle d’évaluation et de réparation à travers des flux de travail aux profils de risque et aux critères de succès différents.

Pour l’instant, la levée de fonds met en évidence un changement sur le marché de l’IA d’entreprise. La prochaine contrainte ne sera peut‑être pas de générer plus de code, mais de gouverner la population croissante d’agents et d’absorber le travail opérationnel qu’ils créent. L’opportunité d’Autoheal repose sur la transformation de cette contrainte en une infrastructure que les équipes de plateforme peuvent mesurer, auditer et améliorer.