Resolve AI lève 40 millions de dollars dans le cadre d’une extension de série A à une valorisation de 1,5 milliard de dollars pour résoudre le problème le plus difficile du logiciel : la production

Resolve AI a sécurisé une extension de série A de 40 millions de dollars à une valorisation de 1,5 milliard de dollars, menée par DST Global et Salesforce Ventures (CRM ). Le financement intervient à un moment où l’intelligence artificielle a considérablement accéléré la façon dont les logiciels sont construits, mais pas la façon dont ils sont maintenus une fois déployés.

En parallèle avec cette augmentation, la société a introduit Resolve AI Labs, une initiative de recherche dédiée visant à combler ce qui devient l’une des lacunes les plus critiques de la pile AI : la capacité d’exploiter de manière fiable les logiciels dans des environnements de production.

Le goulet d’étranglement que personne n’a résolu : la production

L’IA a rendu l’écriture de code plus rapide que jamais. Les outils alimentés par de grands modèles de langage peuvent désormais générer des applications entières en quelques minutes. Mais une fois que ce code est déployé, la réalité devient beaucoup plus complexe.

Les environnements de production sont des systèmes fragmentés composés d’infrastructures, de télémétrie, de journaux, de dépendances et de services en constante évolution. Les ingénieurs doivent interpréter des signaux à travers tous ces éléments pour diagnostiquer les défaillances, souvent sous pression et avec des informations incomplètes.

C’est là que Resolve AI se concentre. Sa plate-forme relie le code, l’infrastructure et la télémétrie pour enquêter sur les incidents, identifier les causes profondes et prendre des mesures – agissant essentiellement comme un ingénieur de production autonome.

Le défi n’est pas seulement la complexité technique. C’est également l’échelle. À mesure que l’IA accélère la génération de code, les organisations produisent plus de logiciels que leurs équipes ne peuvent gérer de manière réaliste. Le résultat est un écart croissant entre la vitesse de développement et la fiabilité opérationnelle.

Pourquoi les modèles d’IA généraux ne répondent pas

Une thèse centrale derrière l’approche de Resolve AI est que les modèles d’IA à usage général ne sont pas conçus pour les environnements de production.

Alors que les modèles de base s’améliorent rapidement, ils ne sont pas optimisés pour les réalités des systèmes opérationnels. La production nécessite un raisonnement sur des flux de données bruyants, incomplets et souvent contradictoires. Cela nécessite également des niveaux élevés de précision, de fiabilité et de contrôle, où les erreurs peuvent entraîner des interruptions, des pertes financières ou des risques de sécurité.

Resolve AI répond à cela en construisant des modèles spécifiques au domaine et des systèmes agents adaptés aux flux de travail de production. Ces systèmes peuvent interpréter les journaux, analyser les modifications du système, corréler les événements et exécuter des processus de remédiation multi-étapes sur plusieurs outils – tâches qui traditionnellement nécessitent des ingénieurs expérimentés.

À l’intérieur de Resolve AI Labs

Le tout nouveau Resolve AI Labs est conçu pour faire progresser cette vision en construisant la technologie fondamentale nécessaire pour que l’IA exploite les systèmes de production de bout en bout.

Le laboratoire sera dirigé par Dhruv Mahajan, ancien de Meta, où il a travaillé sur la formation postérieure aux modèles Llama.

Plutôt que de se concentrer étroitement sur les agents, le laboratoire adoptera une approche full-stack de l’IA opérationnelle. Cela comprend le développement :

• Des modèles spécifiques au domaine formés sur des données de production
• Des systèmes qui raisonnent sur les journaux, les métriques, les traces et les événements d’infrastructure
• Des cadres d’évaluation pour mesurer la fiabilité dans les flux de travail du monde réel
• Des environnements de simulation pour tester et améliorer les modèles
• Des couches de gouvernance pour assurer une automatisation sûre et contrôlée

Ceci reflète un changement plus large dans le développement de l’IA : passer d’une capacité brute de modèle à des systèmes qui peuvent fonctionner de manière sûre dans des environnements réels à haute valeur.

De l’assistance à l’autonomie

Resolve AI fait partie d’une catégorie en développement souvent appelée « IA pour la production » ou ingénierie de fiabilité de site (SRE) alimentée par l’IA. Contrairement aux assistants de codage, ces systèmes sont conçus pour exploiter des environnements en direct – trier les alertes, diagnostiquer les défaillances et résoudre les incidents en temps réel.

La plate-forme de l’entreprise permet déjà aux équipes d’ingénieurs d’enquêter sur les incidents de manière significativement plus rapide, avec des systèmes IA capables d’analyser le comportement du système et d’identifier les causes profondes à travers des dépendances complexes.

Au fil du temps, l’ambition est de passer de l’assistance à l’autonomie. Au lieu que les ingénieurs répondent manuellement aux alertes, les systèmes IA pourraient gérer la majorité du travail opérationnel, avec une surveillance humaine appliquée en fonction du risque et du contexte.

Une traction précoce auprès des clients d’entreprise

La trajectoire de financement rapide de Resolve AI reflète une forte demande de la part des entreprises pour cette capacité. La société a levé plus de 190 millions de dollars en moins de deux ans et travaille déjà avec des organisations telles que Coinbase, DoorDash (DASH ), Salesforce, MSCI et Zscaler.

Ces environnements sont ceux où les temps d’arrêt sont coûteux et où la fiabilité est critique. Même de petites améliorations des temps de réponse aux incidents ou de la stabilité du système peuvent se traduire par un impact commercial significatif.

L’émergence de sociétés comme Resolve AI signale une évolution plus large de l’écosystème de l’IA.

La première vague d’IA générative s’est concentrée sur la création : écrire du code, générer du contenu et accélérer les flux de travail. La prochaine phase concerne l’exploitation – garantir que ce qui est construit peut fonctionner de manière fiable à grande échelle.

Ce changement introduit de nouveaux défis techniques. Cela nécessite des systèmes qui peuvent raisonner dans le temps, gérer l’incertitude, interagir avec plusieurs outils et fonctionner dans des contraintes strictes. Cela nécessite également de nouvelles méthodes d’évaluation, car les benchmarks traditionnels ne capturent pas les performances opérationnelles du monde réel.

Ce que cela signifie pour l’avenir

À mesure que l’IA continue d’accélérer le développement de logiciels, la production deviendra de plus en plus le facteur limitant. La capacité d’exploiter des systèmes complexes de manière fiable peut définir la prochaine génération de plates-formes d’entreprise IA.

Le dernier financement de Resolve AI et le lancement de son laboratoire de recherche suggèrent que ce problème passe au premier plan. Si la société réussit, elle ne construit pas seulement un autre outil IA – elle aide à redéfinir la façon dont les systèmes logiciels sont exploités.

L’implication à long terme est un déplacement vers des environnements où les systèmes IA et les ingénieurs humains travaillent en tandem, les machines gérant la complexité de la production et les humains se concentrant sur la conception de niveau supérieur, la stratégie et l’innovation.