Traversal lève 120 millions de dollars lors d’un tour de série B, pour une valorisation de 1 milliard de dollars, afin de développer son SRE basé sur l’IA

Traversal a annoncé le 3 novembre 2026 une levée de fonds de série B de 120 millions de dollars, pour une valorisation de 1 milliard de dollars, afin d’accélérer ses travaux sur les systèmes de production autonomes et d’intensifier les recrutements dans les domaines de la recherche, de l’ingénierie et du développement commercial.

Kleiner Perkins, Redpoint Ventures et Khosla Ventures ont codirigé le tour de table, auquel ont participé Sequoia Capital, Battery Ventures et Amex Ventures. Kleiner Perkins et Sequoia, déjà investisseurs, ont augmenté leur mise. Le financement total atteint désormais 173 millions de dollars, après les 48 millions de dollars annoncés par Traversal lors de sa sortie du mode furtif en juin 2025 et un investissement stratégique d’Amex Ventures en décembre 2025.

Construire la boucle externe des opérations logicielles

Traversal a commencé par l’analyse des causes profondes des incidents, en s’appuyant sur les travaux universitaires de ses trois cofondateurs en apprentissage automatique causal et en apprentissage par renforcement. Le principe central est qu’un incident génère de nombreux signaux simultanés : une corrélation plausible ne suffit donc pas à établir la raison de la défaillance d’un système. Le modèle du monde de la production transforme les données de télémétrie brutes, le code, l’historique des déploiements et les connaissances organisationnelles en une représentation de l’environnement de production, continuellement mise à jour et lisible par l’IA. Le moteur de recherche causale est conçu pour tester des milliers d’hypothèses en parallèle, suivre les dépendances et la chronologie des événements entre les systèmes, puis converger vers des causes étayées par des preuves.

Traversal a officiellement présenté ces deux systèmes en mars 2026, après près de deux ans de recherche et d’ingénierie. Les agents agissent désormais de façon proactive et sur la durée : ils recueillent le contexte, enquêtent et contribuent à la résolution des problèmes en cas d’incident ou d’alerte. Traversal MCP met ces informations sur l’environnement de production à la disposition des agents de programmation, reliant les données opérationnelles aux travaux de développement visant à prévenir les incidents.

À plus long terme, l’objectif est de créer des logiciels capables de détecter les problèmes, d’en comprendre les causes, de prendre des mesures correctives, de vérifier leur efficacité et d’éviter qu’ils ne se reproduisent. Cette feuille de route fait de ce tour de table à la fois une expansion d’un produit d’investigation déjà existant et un pari sur des opérations plus autonomes.

Une croissance annoncée au-delà de l’analyse des causes profondes

Traversal indique que le nombre d’investigations mensuelles a été multiplié par plus de 100 en 2026, passant de 513 à près de 73 000. Environ les deux tiers de l’utilisation du produit concernent désormais autre chose que l’analyse des causes profondes : le triage des alertes, l’évaluation des risques liés aux mises en production, la validation de la CMDB, la sécurité, le suivi de l’expérience client et les questions relatives à l’assistance en production. Cette répartition témoigne d’un recours plus large au produit pour les décisions opérationnelles courantes, en complément du diagnostic après incident.

Dans un communiqué accompagnant l’annonce du financement, Traversal fait état d’une multiplication par neuf du chiffre d’affaires annuel récurrent depuis le début de l’année, de plus de 150 000 investigations menées pour des clients au cours du dernier trimestre et d’une assistance fournie à plus de 4 000 ingénieurs. Nubank, Harvey, DigitalOcean et PepsiCo figurent parmi les entreprises qui utilisent la plateforme dans leur environnement informatique. David Vélez, PDG de Nubank, a précisé que le déploiement de son entreprise n’en était qu’à sa cinquième semaine et s’étendait par vagues à mesure que les résultats se confirmaient, une précision qui rappelle le stade encore précoce de l’adoption.

Les enseignements et les limites des évaluations comparatives

La difficulté technique est documentée séparément dans ORCA-bench, un article de chercheurs affiliés à Cornell Tech, Traversal et Columbia University. Il comprend 1 079 tâches d’analyse des causes profondes, élaborées à partir de six jours et de plus de 50 Go de métriques, de journaux et de traces provenant d’un système instrumenté avec OpenTelemetry et composé de 19 microservices. Les agents utilisaient de véritables interfaces d’observabilité et du code source, tandis que les tâches variaient selon le degré de précision des rapports, les délais de détection et la présence de défaillances concomitantes.

Parmi les cinq agents généralistes évalués, l’article fait état d’un taux d’exactitude maximal de 25,3 % pour l’analyse des causes profondes dans les tâches de difficulté moyenne et de 10,0 % dans les tâches difficiles. Selon le modèle, des causes profondes invraisemblables inventées figuraient dans 7 % à 40 % des rapports d’incident. La suppression de l’accès au code source a réduit l’exactitude et augmenté les hallucinations pour tous les modèles, ce qui confirme que la capacité à produire du code de manière fluide ne se traduit pas directement par un diagnostic fiable lors des astreintes.

Ces résultats ne mesurent pas les performances de Traversal dans ses propres environnements de production. Les auteurs précisent que les données proviennent d’un banc d’essai public et contrôlé couvrant six jours, où chaque tâche a été traitée séparément. La transposition de ces résultats à des environnements propriétaires plus vastes et évolutifs n’a pas été testée. Cette évaluation comparative cerne donc les lacunes de la recherche sur la gestion autonome des astreintes ; elle ne valide pas la feuille de route de l’entreprise en matière de production autonome.

Les chiffres d’adoption communiqués par Traversal et les résultats de l’évaluation comparative éclairent des étapes différentes d’une même ambition. L’activité actuelle repose sur les investigations et sur un éventail plus large de questions liées à la production ; pour démontrer la viabilité d’une production autonome, il reste à vérifier si son système causal peut prendre des mesures correctives, en contrôler les effets et prévenir la réapparition des problèmes dans des environnements clients complexes.