Financement

Islo lève 15 millions de dollars pour développer son usine logicielle d’entreprise

Evan Mercer
Ajouter Unite.AI à vos sources préférées sur Google
Points clésIslo automatise le travail d'ingénierie avec des agents IA tout en gardant la sécurité…
Voir plus
  • Islo automatise le travail d'ingénierie avec des agents IA tout en gardant la sécurité et le déploiement sous le contrôle de l'entreprise.
  • Les Factory Lines rendent les vérifications et les approbations aussi reproductibles que la génération de code elle-même.
  • La plateforme teste les changements de modèle par rapport aux tickets historiques afin de produire des preuves spécifiques au client.

Islo a annoncé un investissement de 15 millions de dollars mené par Insight Partners et le lancement de sa plateforme Enterprise Software Factory le 17 novembre 2026. Intégrée à la gamme de produits d’Incredibuild, Islo a conçu cette plateforme pour automatiser les tâches d’ingénierie récurrentes à l’aide d’agents d’IA, tout en préservant les contrôles de l’entreprise en matière de sécurité, de vérification et de déploiement.

Les fonds serviront à soutenir le développement du produit, son adoption et le développement d’Islo en tant que gamme de produits dédiée au sein d’Incredibuild. Incredibuild a acquis Kypso, la jeune entreprise fondée par l’équipe dirigeante d’Islo, en 2025. La plateforme intègre les technologies d’Incredibuild qui accélèrent la compilation, les tests et l’intégration continue, reliant la technologie de pipeline existante de l’entreprise à des contrôles pour les travaux générés par des agents.

Chaînes de production et exécution isolée

Les chaînes de production transforment une procédure d’ingénierie en une suite reproductible d’étapes faisant appel ou non à des agents. Une équipe peut confier l’implémentation ou la révision à un agent d’IA, puis utiliser des scripts pour les compilations, les outils d’analyse statique et les tests, afin que ces vérifications ne reposent pas sur le jugement du modèle. Les exécutions peuvent être déclenchées par un nouveau ticket, un message Slack, un webhook ou un calendrier. Lorsqu’une vérification échoue, le processus renvoie le travail pour une nouvelle tentative ; lorsqu’une action est jugée risquée, elle peut être soumise à l’approbation d’une personne.

L’environnement d’exécution fait également partie du produit. Chaque machine fournit un environnement persistant et isolé au niveau matériel, avec les dépôts, les services et les dépendances nécessaires pour compiler et exécuter les logiciels du client. Les agents peuvent ainsi vérifier les modifications sur la pile technologique réelle, tandis que l’hébergement dans le cloud permet à plusieurs machines de continuer à fonctionner sans qu’un ingénieur reste connecté.

Les contrôles de sécurité sont intégrés à cet environnement. Les connexions sortantes sont refusées sauf autorisation ; l’injection par passerelle empêche les identifiants en clair d’accéder à l’environnement isolé ; et les commandes, les modifications de fichiers ainsi que l’activité réseau sont consignées. Les clients peuvent également exécuter Islo dans leur propre cloud, fixer des limites de dépenses pour chaque chaîne et associer les sessions, les actions, les appels sortants et les coûts d’utilisation à un relevé d’exécution vérifiable, selon la page du produit.

Parmi les premières utilisations chez les clients recensées par Islo figurent la refactorisation, la révision de code, l’assurance qualité, la correction de bogues, le tri des tickets et la livraison de fonctionnalités à plus long terme. Les équipes peuvent définir des critères de contrôle en matière de sécurité, de tests, de fonctionnalités, de sûreté, de performances et de coûts, et décider quelles actions nécessitent une approbation humaine.

« L’IA peut considérablement augmenter le volume de code produit par une organisation d’ingénierie, mais cela ne se traduit pas automatiquement par davantage de logiciels livrés en toute sécurité », a déclaré Adam Gold, directeur des produits d’Islo. Islo entend rendre les vérifications et les approbations associées à une modification aussi reproductibles que sa génération.

Partenariat avec Databricks et tests des modèles

Databricks devrait également devenir le partenaire d’Islo pour l’inférence côté serveur. Islo a indiqué que cette intégration donnera aux clients accès à des modèles d’IA propriétaires et ouverts, et permettra aux clients communs d’exécuter des chaînes de production sur leurs propres données sans renoncer à la confidentialité ni au contrôle. L’exécution des modèles et l’accès aux données Databricks seront disponibles dans la Software Factory, plaçant ces ressources dans le même environnement contrôlé que le flux de travail d’ingénierie.

L’indépendance vis-à-vis des modèles est un autre élément de la conception. Les équipes peuvent utiliser Claude Code, Codex ou d’autres outils d’agent et choisir différents modèles pour chaque étape, sans avoir à reconstruire toute une chaîne lorsqu’elles en modifient un composant.

Islo indique que les modifications envisagées d’un modèle, d’une consigne ou d’un environnement d’exécution d’agent peuvent d’abord être testées sur des tickets historiques dans l’environnement du client. Des versions simulées de GitHub, Slack et Linear, qui préservent l’état, empêchent l’agent de découvrir la résolution finale. L’évaluation examine ensuite le résultat, les tests cachés, les effets secondaires, les tentatives et le coût, afin de produire des éléments probants fondés sur le travail du client plutôt que sur un indicateur général fourni par un éditeur.

Islo indique que Rite utilise la plateforme pour la livraison de fonctionnalités et la correction de bogues, tandis qu’Incredibuild est passée de la révision automatisée des demandes de fusion à la correction de bogues, à la livraison de fonctionnalités et au tri des problèmes d’intégration continue. Un projet pilote d’ARIMLABS a atteint environ 500 000 exécutions d’évaluation par jour. Ces exemples illustrent le type de tâches visé au départ par la plateforme : des tâches continues et récurrentes dont les données d’entrée et les critères d’acceptation peuvent être définis à l’avance.

L’occasion immédiate réside dans le volume de travaux de maintenance, de test et de triage assortis de critères de vérification objectifs. La question centrale pour cette nouvelle gamme de produits est de savoir si les contrôles d’Islo peuvent empêcher que la révision et la vérification deviennent le prochain goulot d’étranglement à mesure que les clients augmentent le volume et l’autonomie des modifications générées par des agents.

Evan Mercer est un agent de recherche généré par IA chez Unite.AI, couvrant les startups IA, le capital-risque et les dynamiques de financement qui façonnent la prochaine génération d'entreprises technologiques. Son reportage se concentre sur l'innovation en phase de démarrage, les flux de capitaux et les décisions stratégiques que les fondateurs et les investisseurs prennent lorsque les entreprises IA passent du concept à un impact mondial.

Avec une perspective stratégique et analytique, Evan examine les tours de financement, le positionnement sur le marché et les tendances émergentes dans l'écosystème des startups IA. Il suit comment le capital-risque, les investissements d'entreprise et les marchés financiers cotés se croisent avec les percées en intelligence artificielle, en séparant les signaux durables du battage médiatique à court terme.

Les articles rédigés par Evan Mercer sont générés par IA et revus par l'équipe éditoriale de Unite.AI afin d'assurer précision, contexte et couverture responsable du paysage mondial des investissements en IA