Dodge AI Mengumpulkan $2,65 Juta untuk Membebaskan Perangkat Lunak Perusahaan dari Mode Penanggulangan Kebakaran

Dodge AI telah mengumpulkan $2,65 juta untuk mengotomatisasi salah satu bagian teknologi perusahaan yang paling tidak menarik namun paling mahal: menjaga perangkat lunak kritis tetap berfungsi setelah dipasang.

Pendanaan dipimpin oleh Accel dan Google AI Futures Fund, dengan partisipasi dari NewBuild Venture Capital, Antler, Schema Ventures, serta investor malaikat dari ekosistem SAP. Dodge AI tidak mengungkapkan tahap putaran pendanaan.

Perusahaan yang berbasis di San Francisco ini sedang membangun apa yang mereka sebut sebagai pesawat kontrol AI untuk pemeliharaan aplikasi perusahaan. Agen-agennya bekerja lintas sistem seperti SAP, Salesforce, Microsoft Dynamics, Kinaxis, dan Oracle JDE untuk menyelidiki insiden, merekomendasikan atau mengeksekusi perbaikan, serta mempertahankan alasan di balik setiap perubahan.

Fungsi terakhir itu mungkin yang paling penting. Perusahaan besar jarang menjalankan perangkat lunak persis seperti saat diterima dari vendor. Bertahun-tahun aturan khusus, integrasi, solusi sementara, pekerjaan latar belakang, dan pengecualian satu kali menjadi tertanam dalam sistem pencatatan. Ketika sesuatu rusak, jawabannya dapat tersebar di tiket, berkas konfigurasi, konsultan, dan ingatan karyawan yang berada di tempat saat keputusan dibuat.

Mengapa Pemeliharaan Menjadi Masalah AI

Dodge AI mengatakan perusahaan menghabiskan lebih dari $600 miliar setiap tahun untuk memelihara aplikasi bisnis. Pendekatan tradisional bersifat intensif tenaga kerja: integrator sistem besar menugaskan tim untuk menyelesaikan tiket, melaksanakan permintaan perubahan, memantau pekerjaan, dan menanggapi kegagalan operasional. Model itu dapat mengembalikan layanan, namun sering gagal mengubah setiap perbaikan menjadi pengetahuan institusional yang tahan lama.

Hasilnya adalah masalah konteks yang semakin menumpuk. Perbaikan dilakukan, kustomisasi menumpuk, dan organisasi menjadi semakin bergantung pada orang-orang yang mengingat mengapa sistem berperilaku seperti itu. Hutang teknis bukan hanya kode lama; itu adalah kesenjangan antara apa yang sistem lakukan dan apa yang perusahaan dapat jelaskan secara andal.

Inilah juga mengapa agen AI produksi membutuhkan lebih dari sekadar akses ke model fondasi yang mampu. Seperti yang baru-baru ini diteliti oleh Unite.AI dalam liputannya tentang konteks dalam otomatisasi perusahaan, agen menjadi berguna ketika mereka dapat menalar dengan kebijakan, pengecualian, dan riwayat operasional yang mengelilingi suatu tugas. Dalam lingkungan ERP, jawaban yang masuk akal tidak cukup. Agen harus memahami mengapa satu gudang mengalokasikan stok secara berbeda, mengapa suatu aturan harga menggantikan yang lain, atau mengapa suatu pekerjaan hanya dapat dijalankan pada waktu tertentu.

Dodge AI berupaya membangun konteks tersebut sambil menyelesaikan pekerjaan pemeliharaan harian. Platformnya menghubungkan proses bisnis, kustomisasi ERP, sistem manajemen layanan TI, dan konfigurasi warisan, kemudian menggunakan “kecerdasan pengecualian” yang dihasilkan untuk mengidentifikasi penyebab utama dan menciptakan sumber kebenaran bagi agen-agen di masa depan.

Dari Tiket ke Memori Operasional

“Untuk waktu yang lama, satu‑satunya cara untuk memelihara sistem perusahaan adalah menambah lebih banyak orang,” kata Rebhav Bharadwaj, Co-Founder dan CEO Dodge AI. Ia berpendapat bahwa agen jangka panjang dapat membantu perusahaan terus‑menerus meningkatkan dan memperbaiki sistem yang sangat penting, menyelesaikan insiden lebih cepat sambil menangkap pengetahuan yang biasanya hilang dalam pekerjaan pemeliharaan.

Pendekatan itu mengubah pemeliharaan dari pusat biaya menjadi lapisan pengumpulan data. Setiap insiden berisi informasi tentang bagaimana bisnis sebenarnya beroperasi. Dengan mempertahankan penyebab, perbaikan, dan pengecualian yang relevan, Dodge AI dapat mempercepat penyelidikan berikutnya dan memberikan agen produksi manual operasional yang lebih dapat diandalkan.

Perusahaan menyatakan bahwa mereka sudah bekerja dengan lebih dari selusin perusahaan, setengahnya terdaftar secara publik. Platformnya menangani ratusan kueri per jam dalam alur kerja manajemen insiden dan optimalisasi proses.

Dalam satu kasus, sebuah truk tidak dapat memuat di gudang karena Goods Receipt Note mencetak informasi yang salah. Dodge AI menelusuri masalah tersebut melalui SAP, Kinaxis, dan perangkat lunak gudang internal serta memberikan perbaikan dalam hitungan menit. Pada penerapan lain, seorang pelanggan menjalankan perencanaan inventaris sepanjang malam karena SAP mengalami crash saat proses dijalankan pada pagi hari. Dodge AI mengatakan mereka memodernisasi alur kerja, membuatnya 132 kali lebih cepat, membebaskan tim beranggotakan 10 orang dari pemeliharaannya, dan meningkatkan waktu alokasi pesanan sebesar delapan jam.

Mengapa Investor Mendukung Lapisan Pemeliharaan

Peluang ini lebih luas daripada sekadar penyelesaian tiket. Perusahaan ingin menempatkan agen AI di dalam fungsi keuangan, rantai pasokan, operasi pelanggan, dan fungsi penting lainnya, namun agen-agen tersebut tidak dapat bertindak dengan aman pada sistem yang tidak mereka pahami. Aturan yang tidak terdokumentasi yang membuat aplikasi warisan sulit dipelihara adalah aturan yang sama yang dibutuhkan sistem otonom sebelum dapat melakukan perubahan yang dapat diandalkan.

“Pemeliharaan aplikasi adalah salah satu kategori terbesar dan paling kurang dimodernisasi dalam teknologi perusahaan,” kata Prayank Swaroop, seorang investor di Accel. Dengan memulai dari pemeliharaan, katanya, Dodge AI sedang membangun lapisan konteks yang dibutuhkan perusahaan sebelum agen dapat beroperasi dengan aman di produksi.

Tim ini menggabungkan Bharadwaj dengan Co-Founder dan CTO Aditya Thakur serta COO Aditya Patil. Tantangan jangka pendek mereka adalah membuktikan bahwa lapisan pemeliharaan agen dapat digeneralisasi di lingkungan yang sangat disesuaikan tanpa menimbulkan risiko operasional baru. Setiap tumpukan perusahaan memiliki izin, persyaratan tata kelola, dan mode kegagalan yang berbeda, dan keberhasilan akan bergantung sama pentingnya pada auditabilitas dan eksekusi terkendali seperti pada kinerja model.

Taruhan Lebih Besar

Hipotesis Dodge AI adalah bahwa pemeliharaan merupakan titik masuk menuju transformasi perusahaan, bukan sekadar masalah yang dapat diotomatisasi. CIO sering kesulitan memodernisasi karena anggaran dan perhatian terpakai oleh insiden harian, sementara risiko mengganggu sistem yang sudah berfungsi membuat proyek penggantian besar sulit dibenarkan.

Jika Dodge AI dapat menyelesaikan insiden tersebut sambil mendokumentasikan logika tersembunyi di baliknya, perusahaan dapat memperoleh jalur yang lebih aman dari dukungan reaktif menuju modernisasi berkelanjutan. Grafik pengetahuan yang sama yang menjelaskan kegagalan kemarin dapat membantu agen menilai permintaan perubahan besok, mengidentifikasi ketergantungan berisiko, atau mengotomatiskan proses tanpa melanggar aturan yang terkubur bertahun‑tahun sebelumnya.

Pendanaan sebesar $2,65 juta tergolong modest dibandingkan skala pasar yang ditargetkan Dodge AI. Namun perusahaan ini membuat taruhan strategis yang penting: sebelum agen AI dapat mengelola perusahaan, seseorang harus mengajarkan cara kerja perusahaan secara sebenarnya.