Dodge AI lève $2,65M pour sortir les logiciels d’entreprise du mode d’intervention d’urgence

Dodge AI a levé $2.65 million pour automatiser l’une des parties les moins attrayantes mais les plus coûteuses de la technologie d’entreprise : maintenir les logiciels critiques en fonctionnement après leur installation.

Le financement a été mené par Accel et Google AI Futures Fund, avec la participation de NewBuild Venture Capital, Antler, Schema Ventures, ainsi que d’investisseurs providentiels issus de l’écosystème SAP. Dodge AI n’a pas divulgué le stade de la levée.

L’entreprise de San Francisco développe ce qu’elle décrit comme un plan de contrôle IA pour la maintenance des applications d’entreprise. Ses agents opèrent sur des systèmes tels que SAP, Salesforce, Microsoft Dynamics, Kinaxis et Oracle JDE afin d’enquêter sur les incidents, de recommander ou d’exécuter des correctifs, et de conserver le raisonnement derrière chaque modification.

Cette dernière fonction pourrait être la plus importante. Les grandes entreprises utilisent rarement les logiciels exactement comme ils ont été livrés par le fournisseur. Des années de règles personnalisées, d’intégrations, de solutions de contournement, de tâches en arrière‑plan et d’exceptions ponctuelles s’intègrent dans les systèmes d’enregistrement. Lorsqu’un problème survient, la réponse peut être dispersée entre tickets, fichiers de configuration, consultants et souvenirs des employés présents lors de la décision.

Pourquoi la maintenance est un problème d’IA

Dodge AI indique que les entreprises dépensent plus de 600 milliards de dollars chaque année pour maintenir les applications métier. L’approche traditionnelle est très consommatrice de main‑d’œuvre : les grands intégrateurs de systèmes affectent des équipes pour résoudre les tickets, mettre en œuvre les demandes de changement, surveiller les tâches et répondre aux défaillances opérationnelles. Ce modèle peut rétablir le service, mais il ne parvient souvent pas à transformer chaque réparation en connaissance institutionnelle durable.

Le résultat est un problème de contexte cumulatif. Des correctifs sont appliqués, les personnalisations s’accumulent, et l’organisation devient de plus en plus dépendante des personnes qui se souviennent des raisons du comportement du système. La dette technique n’est pas seulement du code ancien ; c’est l’écart entre ce que fait le système et ce que l’entreprise peut expliquer de manière fiable.

C’est également la raison pour laquelle les agents IA en production ont besoin de plus que l’accès à des modèles de base performants. Comme Unite.AI l’a récemment analysé dans sa couverture du contexte dans l’automatisation d’entreprise, les agents deviennent utiles lorsqu’ils peuvent raisonner avec les politiques, les exceptions et l’historique opérationnel entourant une tâche. Dans un environnement ERP, une réponse plausible ne suffit pas. Un agent doit comprendre pourquoi un entrepôt alloue le stock différemment, pourquoi une règle de tarification en l’emporte sur une autre, ou pourquoi une tâche ne peut s’exécuter qu’à un moment précis.

Dodge AI vise à créer ce contexte tout en résolvant les tâches de maintenance quotidiennes. Sa plateforme connecte les processus métier, les personnalisations ERP, les systèmes de gestion des services informatiques et les configurations héritées, puis exploite l’« intelligence des exceptions » ainsi générée pour identifier les causes profondes et créer une source de vérité pour les agents futurs.

Des tickets à une mémoire opérationnelle

« Pendant longtemps, la seule façon de maintenir les systèmes d’entreprise était d’ajouter davantage de personnel », a déclaré Rebhav Bharadwaj, co‑fondateur et PDG de Dodge AI. Il soutient que des agents à long terme peuvent aider les entreprises à améliorer et à réparer en continu les systèmes critiques, en résolvant les incidents plus rapidement tout en capturant les connaissances habituellement perdues dans le travail de maintenance.

Cette approche revoit la maintenance, la faisant passer d’un centre de coûts à une couche de collecte de données. Chaque incident renferme des informations sur le fonctionnement réel de l’entreprise. En préservant la cause, la correction et l’exception pertinente, Dodge AI peut accélérer la prochaine investigation et fournir aux agents de production un manuel d’utilisation plus fiable.

L’entreprise affirme travailler déjà avec plus d’une douzaine d’entreprises, dont la moitié sont cotées en bourse. Sa plateforme traite des centaines de requêtes par heure dans le cadre de la gestion des incidents et des flux de travail d’optimisation des processus.

Dans un cas, un camion ne pouvait pas être chargé dans un entrepôt parce qu’un bon de réception imprimait des informations incorrectes. Dodge AI a retracé le problème à travers SAP, Kinaxis et le logiciel interne d’entrepôt et a fourni une correction en quelques minutes. Dans une autre mise en œuvre, un client faisait de la planification d’inventaire pendant la nuit parce que SAP plantait lorsque le processus s’exécutait le matin. Dodge AI affirme avoir modernisé le flux de travail, le rendre 132 fois plus rapide, libérer une équipe de 10 personnes de sa maintenance, et améliorer le temps d’allocation des commandes de huit heures.

Pourquoi les investisseurs soutiennent la couche de maintenance

L’opportunité dépasse la simple résolution de tickets. Les entreprises souhaitent déployer des agents IA dans la finance, la chaîne d’approvisionnement, les opérations client et d’autres fonctions critiques, mais ces agents ne peuvent pas agir en toute sécurité sur des systèmes qu’ils ne comprennent pas. Les règles non documentées qui rendent les applications héritées difficiles à maintenir sont les mêmes règles dont un système autonome a besoin avant de pouvoir effectuer un changement fiable.

« La maintenance des applications est l’une des plus grandes et des moins modernisées catégories de la technologie d’entreprise », a déclaré Prayank Swaroop, investisseur chez Accel. En commençant par la maintenance, a-t-il ajouté, Dodge AI construit la couche de contexte dont les entreprises ont besoin avant que les agents puissent fonctionner en toute sécurité en production.

L’équipe associe Bharadwaj au cofondateur et directeur technique (CTO) Aditya Thakur ainsi qu’au directeur des opérations (COO) Aditya Patil. Leur défi à court terme sera de démontrer qu’une couche de maintenance agentique peut se généraliser à des environnements fortement personnalisés sans introduire de nouveaux risques opérationnels. Chaque pile technologique d’entreprise comporte des autorisations, des exigences de gouvernance et des modes de défaillance différents, et le succès dépendra autant de l’auditabilité et de l’exécution contrôlée que des performances du modèle.

Le plus grand pari

La thèse de Dodge AI est que la maintenance constitue le point d’entrée de la transformation d’entreprise, et non simplement un problème à automatiser. Les DSI peinent souvent à moderniser parce que les budgets et l’attention sont absorbés par les incidents quotidiens, tandis que le risque de perturber des systèmes déjà fonctionnels rend difficile la justification de projets de remplacement à grande échelle.

Si Dodge AI parvient à résoudre ces incidents tout en documentant la logique cachée qui les sous-tend, elle pourrait offrir aux entreprises un chemin plus sûr, passant du support réactif à la modernisation continue. Le même graphe de connaissances qui explique la défaillance d’hier pourrait aider un agent à évaluer la demande de changement de demain, à identifier une dépendance à risque ou à automatiser un processus sans violer une règle enfouie des années auparavant.

La levée de $2.65 million est modeste comparée à l’ampleur du marché que vise Dodge AI. Mais l’entreprise fait un pari stratégiquement important : avant que les agents IA puissent gérer l’entreprise, il faut d’abord leur enseigner le fonctionnement réel de celle‑ci.