Autoheal Mengumpulkan $7.9M Putaran Pendanaan Seed untuk Pabrik Perangkat Lunak yang Memperbaiki Diri Sendiri

Autoheal telah mengumpulkan $7.9 juta dalam pendanaan seed untuk memperluas platform yang dirancang mengelola pekerjaan yang muncul setelah pemrograman berbantuan AI: menyelidiki insiden, memperbaiki kerentanan, mengendalikan biaya model, dan menjaga agen perangkat lunak tetap selaras dengan sistem dan kebijakan perusahaan.

Innovation Endeavors memimpin putaran tersebut, dengan partisipasi dari Emergent Ventures, U&I Ventures, Darkmode Ventures, Batch Ventures, dan Param Hansa Values. Harpinder Singh dari Innovation Endeavors bergabung dengan dewan Autoheal.

Pendanaan ini tiba saat perusahaan belajar bahwa generasi kode yang lebih cepat tidak secara otomatis menghasilkan pengiriman perangkat lunak yang lebih cepat atau lebih aman. Lebih banyak kode dapat berarti lebih banyak peringatan, tinjauan, kerentanan, dan pengeluaran model cloud. Autoheal fokus pada lapisan yang kurang terlihat dari ledakan pemrograman berbantuan AI ini.

Masalah Operasional yang Diciptakan oleh Pemrograman Lebih Cepat

AI coding assistants telah mengurangi upaya yang diperlukan untuk menghasilkan kode, namun banyak tugas rekayasa hilir tetap membutuhkan tenaga kerja intensif. Insiden produksi masih perlu diselidiki, temuan keamanan masih perlu diperbaiki, dan tim platform masih perlu memahami mengapa suatu tindakan otomatis berhasil atau gagal.

Autoheal berpendapat bahwa pekerjaan ini harus diperlakukan sebagai bagian dari pabrik perangkat lunak yang terkoordinasi, bukan diserahkan kepada sekumpulan agen yang terpisah. Platformnya menghubungkan alat pemrograman dengan repositori, sistem CI/CD, platform observabilitas, lingkungan cloud, dan pelacak masalah. Tujuannya adalah memberikan agen khusus pandangan bersama tentang lingkungan rekayasa sambil menjaga mereka tetap berada dalam cloud dan kontrol keamanan milik pelanggan.

Arsitektur itu penting di organisasi yang diatur atau secara teknis kompleks, di mana seorang agen mungkin membutuhkan konteks produksi namun tidak dapat diberikan akses tanpa batas. Hal ini juga mengatasi masalah tata kelola praktis: seiring tim menerapkan lebih banyak agen, mereka memerlukan cara konsisten untuk mengevaluasi perilaku, melacak perubahan, dan mengendalikan biaya.

Cara Kerja Lingkaran Penyembuhan Berkelanjutan Autoheal

Di pusat pendekatan Autoheal terdapat dua agen pengawas. Seorang Evaluator menilai output agen pekerja menggunakan sinyal seperti komentar tinjauan kode, kegagalan integrasi berkelanjutan, dan insiden yang terkait dengan perubahan. Seorang Healer kemudian mengusulkan perbaikan untuk agen yang berkinerja buruk dengan mengubah prompt, keterampilan, alat, atau pilihan model mereka.

Perusahaan menyatakan bahwa perubahan yang diusulkan tersebut diuji terhadap tolok ukur historis sebelum ditinjau. Perilaku agen dikontrol versi di Git, dan insinyur tetap memiliki wewenang persetujuan. Dalam praktiknya, hal ini membuat sistem kurang mirip bot pemrograman otonom dan lebih seperti lapisan operasional untuk memantau serta meningkatkan sekelompok agen khusus tugas.

Perbedaan ini penting. Membuat demo agen yang meyakinkan relatif mudah; menjaga kinerja yang andal ketika basis kode, infrastruktur, dan aturan organisasi berubah lebih sulit. Autoheal bertaruh bahwa evaluasi berkelanjutan dan revisi terkontrol akan menjadi persyaratan standar untuk penerapan agen di perusahaan.

Penerapan Awal Menitikberatkan pada Respons Insiden

Autoheal menyatakan bahwa platformnya sudah beroperasi di lingkungan perusahaan termasuk Nomura Bank dan AvidXchange. Menurut data yang diberikan perusahaan, Nomura mengurangi rata-rata waktu penyelesaian dari dua jam menjadi 15 menit dalam satu penerapan. AvidXchange melaporkan bahwa sistem ini memperpendek analisis penyebab utama menjadi hitungan menit dan membebaskan kapasitas rekayasa untuk pekerjaan produk.

Hasil tersebut merupakan klaim perusahaan dan pelanggan, bukan tolok ukur independen, namun menunjukkan kasus penggunaan awal yang dianggap Autoheal paling mendesak: respons insiden. Pemecahan masalah seringkali memerlukan pengumpulan bukti dari log, sistem pemantauan, tiket, perubahan kode, dan layanan cloud. Seorang agen dengan akses ke konteks tersebut dapat menyusun diagnosis yang berguna lebih cepat daripada insinyur yang berpindah secara manual antar sistem.

Empiric Earth juga menggunakan platform ini untuk pemecahan masalah dan optimalisasi biaya perangkat lunak, menurut pengumuman. Bersama-sama, penerapan tersebut menunjukkan bahwa Autoheal memulai dengan alur kerja di mana biaya informasi terfragmentasi mudah terlihat dan perbaikan dapat diukur dalam waktu yang dikembalikan kepada insinyur.

Apa yang Akan Dibiayai oleh Putaran Seed

Autoheal didirikan oleh Utkarsh Ohm, Sid Choudhury, dan Puneet Saraswat, dengan mengandalkan pengalaman di Harness, Microsoft Azure, ThoughtSpot, dan AppDynamics. Tim menyatakan bahwa modal baru akan mendukung pengembangan sistem pembelajaran penguatan dan model privat yang spesifik untuk perusahaan, dilatih pada data rekayasa yang tetap berada dalam batasan pelanggan.

Rencana jangka panjang melampaui rekayasa perangkat lunak ke operasi data dan keamanan. Ekspansi tersebut akan bergantung pada kemampuan platform untuk menggeneralisasi model evaluasi-dan-perbaikanannya lintas alur kerja dengan profil risiko dan kriteria keberhasilan yang berbeda.

Saat ini, penggalangan dana menyoroti pergeseran di pasar AI perusahaan. Kendala berikutnya mungkin bukan menghasilkan lebih banyak kode, melainkan mengatur populasi agen yang terus bertambah dan menyerap pekerjaan operasional yang mereka ciptakan. Peluang Autoheal terletak pada mengubah kendala tersebut menjadi infrastruktur yang dapat diukur, diaudit, dan ditingkatkan oleh tim platform.