DataAgent sort de la phase furtive avec un pré‑seed de 10 M$ pour construire une infrastructure cloud auto‑guérissante

DataAgent a émergé de la phase furtive avec 10 millions de dollars de financement pré‑seed alors qu’elle lance une plateforme native IA conçue pour faire passer la gestion de l’infrastructure cloud au-delà de la détection des problèmes, vers la résolution autonome.

Le tour a été mené par MizMaa Ventures et Alicorn Venture Partners. DataAgent prévoit d’utiliser ce capital pour commercialiser sa plateforme et étendre son adoption en Amérique du Nord. Fondée en janvier 2026, la société basée à Tel‑Aviv emploie actuellement 15 personnes et est dirigée par les co‑fondateurs Ishay Yaari, PDG, et Nati Shalom, CTO.

Au cœur de l’approche de DataAgent se trouve ce qu’elle appelle un « Digital Immune System » orienté remédiation d’abord pour les applications modernes. Plutôt que de fonctionner principalement comme une couche supplémentaire de collecte de journaux, de génération d’alertes ou d’explication d’incidents aux ingénieurs, la plateforme est conçue pour fonctionner au sein de Kubernetes et de l’infrastructure cloud connectée, et intervenir dès qu’une défaillance survient.

Renverser le flux de travail traditionnel d’observabilité

Les plateformes d’observabilité modernes sont devenues essentielles pour comprendre des applications de plus en plus complexes, mais le flux de travail de base reste largement réactif : un système détecte un problème, un ingénieur reçoit une alerte, quelqu’un enquête sur la cause, et une remédiation est finalement appliquée.

DataAgent tente d’inverser cette séquence.

Son logiciel lit l’état du système en temps réel, la topologie et les informations de configuration où l’infrastructure s’exécute. Lorsqu’il rencontre une défaillance qu’il comprend, la plateforme peut appliquer d’abord une remédiation vérifiée, puis mener une analyse plus approfondie des causes profondes. L’objectif est de rétablir le service sans attendre qu’un ingénieur humain parcoure les journaux et les tableaux de bord.

Le site public de l’entreprise résume cette philosophie par la phrase « Remediation‑First, the rest is noise ».

Le timing reflète un problème plus large auquel les équipes d’infrastructure sont confrontées. L’enquête d’observabilité 2025 de Grafana Labs a révélé que la complexité et la surcharge restent les préoccupations d’observabilité les plus souvent citées, suivies des problèmes de rapport signal/bruit et du coût. La moitié des répondants utilisent désormais l’observabilité en mode Software‑as‑a‑Service (SaaS) sous une forme ou une autre, illustrant à quel point la télémétrie opérationnelle est de plus en plus traitée via des plateformes externes.

Un SRE autonome fonctionnant au sein de l’infrastructure

DataAgent décrit sa plateforme comme un ingénieur de fiabilité de site (SRE) autonome, mais son architecture est plus contrainte que ce que cette étiquette pourrait laisser entendre au premier abord.

Le système construit un modèle de la topologie, de l’environnement, du code et des configurations du client au lieu de prendre des décisions à partir d’une entrée de journal ou d’une alerte isolée. Lors du déploiement, il identifie les catégories de pannes qu’il estime pouvoir remédier de manière fiable. Il n’intervient de façon autonome sur une catégorie de faute qu’une fois cette capacité établie, tandis que les problèmes inconnus ou incertains sont redirigés vers des opérateurs humains.

Les clients peuvent également définir des garde‑fous précisant les actions que le système est autorisé à exécuter.

Ces contrôles sont importants car la gestion autonome de l’infrastructure comporte nettement plus de risques qu’un copilote IA qui ne fait que recommander une commande. Une recommandation incorrecte peut être rejetée par un ingénieur ; un système autonome disposant de privilèges de production pourrait potentiellement redémarrer, mettre à l’échelle, revenir en arrière ou modifier des charges de travail avant qu’une personne n’intervienne.

L’approche de DataAgent repose donc sur l’élargissement progressif des classes de problèmes sur lesquelles le système est autorisé à agir, plutôt que d’accorder une large autonomie dès le départ.

Conserver davantage de données d’observabilité au sein du cluster

Il existe également un argument économique derrière cette architecture.

L’observabilité cloud traditionnelle implique souvent l’envoi de grandes quantités de journaux, métriques et traces vers un service externe où ces informations sont ingérées, indexées, stockées et analysées. Le coût peut augmenter parallèlement à l’utilisation de l’infrastructure et au volume de télémétrie.

DataAgent place plutôt ses agents plus près des charges de travail elles‑mêmes. Les pannes courantes peuvent être analysées et remédiées localement, l’inspection plus approfondie étant réservée aux incidents qui l’exigent. L’entreprise soutient que cela peut réduire la quantité de données devant transiter par des pipelines d’ingestion et d’indexation coûteux, tout en permettant à sa plateforme de coexister avec les systèmes de surveillance existants plutôt que d’exiger un remplacement immédiat.

Cela pourrait devenir une distinction importante à mesure que l’IA augmente la quantité de logiciels créés et exploités. Plus d’applications, de services, de conteneurs et d’agents IA génèrent finalement davantage d’événements d’infrastructure et de télémétrie. Simplement collecter plus de données pourrait devenir de plus en plus coûteux à moins que le logiciel ne puisse déterminer quels signaux nécessitent réellement une attention.

L’open source comme voie vers la confiance dans l’infrastructure

Un autre élément notable est la décision de DataAgent de rendre son agent sous‑jacent open source. L’agent peut être déployé de façon indépendante, tandis que l’entreprise prévoit de monétiser une couche SaaS pour gérer et orchestrer des flottes d’agents.

Ce modèle pourrait aider à surmonter l’un des obstacles les plus difficiles auxquels les logiciels d’opérations autonomes sont confrontés : les entreprises sont sollicitées pour donner à un système alimenté par l’IA l’accès à l’infrastructure de production, où des erreurs peuvent provoquer des pannes.

Pouvoir inspecter et faire fonctionner l’agent localement donne aux équipes d’infrastructure une meilleure visibilité sur ce qui s’exécute dans leurs environnements, bien que le véritable test sera de savoir si les entreprises se sentiront à l’aise de laisser ces agents prendre des actions de plus en plus conséquentes.

Les vétérans de l’orchestration cloud reviennent pour un autre pari d’infrastructure

Yaari et Shalom ont auparavant travaillé ensemble chez Cloudify, où Yaari était directeur des revenus (Chief Revenue Officer) et Shalom était fondateur et CTO. Dell a acquis la société d’orchestration cloud et d’automatisation d’infrastructure en 2023 dans une transaction que TechCrunch a estimée à hauteur de 100 millions de dollars.

Ce parcours est particulièrement pertinent pour DataAgent. Cloudify se concentrait sur l’orchestration de l’infrastructure à travers Kubernetes, les plateformes cloud et les outils DevOps existants. DataAgent monte davantage dans la chaîne d’automatisation en tentant de donner au logiciel la capacité non seulement d’orchestrer l’infrastructure, mais aussi de déterminer quand cette infrastructure doit être modifiée.

Le nouveau financement soutiendra le lancement commercial de DataAgent et son expansion, y compris des recrutements supplémentaires pour la mise sur le marché aux États-Unis et en Israël.

De l’observabilité à l’infrastructure auto‑guérissante

La plus grande opportunité pour DataAgent est liée à une transition déjà amorcée dans l’IA d’entreprise : passer de systèmes qui expliquent ce que les humains doivent faire à des systèmes capables d’accomplir le travail eux‑mêmes.

L’infrastructure est un domaine particulièrement crucial pour cette transition. Un pourcentage élevé d’incidents en production implique des problèmes récurrents que les équipes SRE expérimentées savent déjà résoudre. Si les agents IA peuvent absorber en toute sécurité davantage de ces tâches routinières, l’observabilité pourrait évoluer progressivement d’un système de compréhension de l’infrastructure vers une couche de contrôle qui la maintient en continu.

DataAgent combine cette boucle de remédiation en production avec un système pré‑production destiné à identifier et prévenir les défaillances avant le déploiement du logiciel. L’entreprise décrit le processus résultant comme un mécanisme où les leçons tirées des incidents et des échecs évités peuvent progressivement étendre la capacité du système à fonctionner de façon autonome.

Le défi sera de démontrer que l’autonomie peut s’étendre sans introduire une nouvelle catégorie de risque opérationnel. Les environnements d’infrastructure diffèrent énormément, les défaillances inattendues sont inévitables, et une remédiation automatisée qui fonctionne dans une architecture peut être dangereuse dans une autre.

Cependant, si ces garde‑fous s’avèrent fiables, la prochaine génération de plateformes d’observabilité pourrait être évaluée moins sur la rapidité avec laquelle elles expliquent aux ingénieurs pourquoi quelque chose a cassé, et davantage sur la fréquence à laquelle les ingénieurs n’ont jamais besoin d’intervenir. Le tour de pré‑seed de 10 millions de dollars de DataAgent constitue un pari précoce sur cette évolution.