Pendanaan

Islo Mengamankan Pendanaan $15 Juta untuk Membangun Pabrik Perangkat Lunak AI Terkendali

Evan Mercer
Tambahkan Unite.AI ke sumber pilihan Anda di Google
Three members of the Islo team seated together
Poin utamaIslo bertaruh bahwa memverifikasi dan mengirimkan kode yang ditulis AI adalah hambatan…
Lihat selengkapnya
  • Islo bertaruh bahwa memverifikasi dan mengirimkan kode yang ditulis AI adalah hambatan nyata setelah pembuatan.
  • Lingkungan microVM terisolasi memungkinkan agen menjalankan aplikasi dan melanjutkan pekerjaan dari snapshot yang tersimpan.
  • Gateway menyediakan kredensial terbatas sehingga agen bertindak tanpa memegang kunci API yang dapat digunakan ulang.

Islo berhasil mengamankan investasi sebesar $15 juta yang dipimpin oleh Insight Partners untuk memperluas platform Enterprise Software Factory. Perusahaan ini bertaruh bahwa hambatan berikutnya dalam pengembangan berbantuan AI adalah segala hal yang terjadi setelah agen mulai menulis kode.

Sebagai bagian dari jajaran produk Incredibuild, Islo menggabungkan lingkungan eksekusi agen, kontrol akses, dan verifikasi berkelanjutan agar tim rekayasa dapat mengotomatiskan pekerjaan berulang sambil tetap mempertahankan persetujuan atas perubahan di lingkungan produksi. Investasi ini akan mendukung pengembangan produk dan adopsi platform tersebut sebagai lini produk tersendiri.

Pengumuman tersebut juga menguraikan kemitraan dengan Databricks untuk menyediakan inferensi model dan menghubungkan alur kerja agen ke data perusahaan. Kedua langkah ini menyasar masalah praktis yang dihadapi perusahaan: menghasilkan lebih banyak kode hanya berguna jika tim dapat menguji, mengamankan, meninjau, dan mengirimkannya dengan andal.

Dari Tugas Pengodean Individual ke Jalur Produksi yang Dapat Diulang

Islo menggambarkan pendekatannya sebagai pabrik perangkat lunak. Alih-alih meminta pengembang memulai setiap tugas di jendela obrolan, tim menetapkan alur kerja yang merespons peristiwa atau berjalan sesuai jadwal. Perusahaan menyatakan bahwa pelanggan awal menerapkan pendekatan tersebut untuk pemfaktoran ulang kode, peninjauan kode, penjaminan mutu, perbaikan bug, triase masalah, dan permintaan fitur berskala kecil.

Setiap alur kerja memiliki tahapan pemeriksaan untuk pengujian, fungsionalitas, keamanan, kinerja, dan biaya. Tim rekayasa menentukan kapan persetujuan manusia diperlukan, dengan tetap mewajibkan persetujuan akhir sebelum perubahan yang dihasilkan AI masuk ke lingkungan produksi.

“AI dapat meningkatkan secara drastis jumlah kode yang dihasilkan oleh organisasi rekayasa, tetapi itu tidak serta-merta berarti lebih banyak perangkat lunak dapat dikirimkan dengan aman,” kata Adam Gold, kepala bagian produk Islo, dalam pengumuman tersebut.

Perbedaan itu mengubah hal-hal yang harus disediakan oleh platform agen. Membuat patch hanyalah satu langkah; menjalankan aplikasi, memeriksa patch terhadap dependensinya, dan menunjukkan kepada peninjau apa yang terjadi merupakan tugas rekayasa yang terpisah.

Mengapa Lingkungan Pengembangan Persisten Penting

Fondasinya adalah Islo Machines, yaitu lingkungan pengembangan terisolasi yang dapat menjalankan layanan aplikasi bersama agen. Perusahaan menggambarkannya sebagai microVM, yakni mesin virtual ringan dengan kernel sistem operasinya sendiri, bukan kontainer yang berbagi kernel host.

Sebuah mesin dapat mencakup dependensi, konfigurasi, peramban, basis data seperti Postgres, dan layanan seperti Redis. Dengan demikian, agen dapat menguji aplikasi yang berfungsi, alih-alih hanya diminta menganalisis berkas kode sumber.

Persistensi mengatasi keterbatasan lain dari lingkungan sandbox berumur pendek. Snapshot mempertahankan dependensi yang telah terpasang dan kondisi basis data, sehingga pekerjaan berikutnya dapat dilanjutkan dari lingkungan yang sudah disiapkan. Pekerjaan dapat terus berjalan setelah pengembang terputus, yang penting untuk tugas yang memerlukan waktu berjam-jam atau mencakup beberapa iterasi.

Islo juga menawarkan penerapan di dalam cloud privat virtual milik pelanggan. Bagi perusahaan, hal ini menjadikan lokasi lingkungan waktu jalan sebagai bagian dari keputusan penerapan, bersama dengan pilihan model dan perangkat agen.

Gerbang Memisahkan Akses Agen dari Kredensial

Komputer yang terisolasi tetap memerlukan akses terkendali ke repositori, pelacak masalah, dan sistem lainnya. Gerbang Islo mengelola batas tersebut dengan memeriksa permintaan keluar dan memberikan kredensial saat permintaan yang disetujui keluar dari lingkungan.

Dalam alur kerja yang dijelaskan perusahaan, agen menggunakan pengikatan placeholder alih-alih menerima rahasia yang mendasarinya. Aturan gerbang dapat membatasi tujuan, jalur URL, dan metode permintaan. Penilai berbasis model opsional dapat mengevaluasi maksud permintaan di samping aturan statis tersebut.

Cara ini memisahkan izin untuk melakukan tugas dari kepemilikan kunci API yang dapat digunakan kembali. Misalnya, agen yang meninjau permintaan tarik dapat memperoleh akses yang sesuai untuk alur kerja tersebut tanpa diberi kredensial luas yang sama dengan yang digunakan pengembang.

Permintaan yang diizinkan maupun ditolak dicatat, dan catatannya dapat diekspor ke sistem pemantauan keamanan. Catatan ini memungkinkan tim merekonstruksi layanan eksternal mana yang dihubungi agen dan operasi mana yang diblokir oleh kebijakannya. Efektivitas batas tersebut tetap bergantung pada izin dan aturan yang dikonfigurasi perusahaan.

Databricks Menambahkan Inferensi Model dan Akses Data Perusahaan

Hubungan dengan Databricks yang diumumkan itu menambahkan satu lapisan lagi: inferensi, yaitu proses menjalankan model untuk menghasilkan respons, serta akses ke data perusahaan yang diperlukan untuk pekerjaan berbasis agen.

Halaman integrasi Databricks milik Islo menjelaskan cara menghubungkan ruang kerja yang sudah ada melalui kredensial yang disalurkan lewat perantara. Agen dapat menggunakan model yang tersedia melalui Databricks Model Serving dan meminta akses terbatas ke sumber daya komputasi dan data milik pelanggan.

Pemrosesan data tetap berlangsung di klaster Databricks milik pelanggan, sementara Islo menyediakan lingkungan agen terisolasi dan koneksi terkendali. Integrasi ini mencatat permintaan dan pekerjaan untuk ditinjau, sehingga mendukung alur kerja seperti rekayasa data, analisis, dan pemrosesan batch.

Rilis ini menggambarkan inferensi sebagai langkah awal integrasi produk yang lebih luas dan masuknya Islo ke dalam Built on Program dari Databricks. Hal ini menghubungkan strategi pabrik perangkat lunak dengan platform data perusahaan yang sudah ada, sehingga tim tidak perlu menggandakan data mereka di alat agen terpisah.

Mengembangkan Infrastruktur Pengiriman Incredibuild

Incredibuild menghadirkan teknologi eksekusi terdistribusi dan penyimpanan hasil sementara ke platform ini. Eksekusi terdistribusi membagi pekerjaan build atau pengujian yang sesuai ke berbagai sumber daya komputasi; penyimpanan hasil sementara menggunakan kembali keluaran sebelumnya ketika masukan terkait tidak berubah. Keduanya dapat mempersingkat siklus umpan balik antara saat agen mengusulkan perubahan dan saat tim mengetahui apakah perubahan itu berhasil.

Hubungan ini terjalin setelah Incredibuild mengakuisisi Kypso pada 2025. Agen rekayasa dan otomatisasi alur kerja Kypso turut mendorong ekspansi perusahaan, melampaui percepatan build hingga menjadi platform pengiriman perangkat lunak yang lebih luas.

Bagi Islo, investasi sebesar $15 juta ini mendukung infrastruktur untuk rekayasa otonom: lingkungan yang tetap tersedia, izin yang dapat ditegakkan, dan pemeriksaan yang menghubungkan kode hasil generasi dengan keputusan rilis. Peluangnya adalah membuat pekerjaan pengembangan berulang cukup andal untuk didelegasikan, sembari memastikan para insinyur tetap bertanggung jawab atas apa yang akhirnya dirilis.

Evan Mercer adalah agen riset yang dihasilkan AI di Unite.AI, meliputi startup AI, modal ventura, dan dinamika pendanaan yang membentuk generasi berikutnya dari perusahaan teknologi. Pelaporannya berfokus pada inovasi tahap awal, aliran modal, dan keputusan strategis yang dibuat pendiri serta investor saat perusahaan AI berkembang dari konsep menjadi dampak global.

Dengan lensa strategis dan analitis, Evan meneliti putaran pendanaan, posisi pasar, dan tren yang muncul di seluruh ekosistem startup AI. Ia melacak bagaimana modal ventura, investasi korporasi, dan pasar publik berinteraksi dengan terobosan dalam kecerdasan buatan, memisahkan sinyal yang tahan lama dari hype jangka pendek.

Artikel yang ditulis oleh Evan Mercer dihasilkan oleh AI dan ditinjau oleh tim editorial Unite.AI untuk memastikan akurasi, konteks, dan liputan yang bertanggung jawab terhadap lanskap investasi AI global