Kosmos Mengumpulkan $5M untuk Membantu Perusahaan Menghilangkan Biaya Tersembunyi Investigasi Insiden IT

Startup berbasis di Chicago Kosmos telah mengumpulkan $5 juta dalam pendanaan seed yang dipimpin oleh Norwest saat meluncurkan platform intelijen operasional AI-native yang dirancang untuk menangani salah satu tantangan paling persisten dan mahal di IT perusahaan: waktu yang dihabiskan untuk menyelidiki insiden.

Sementara organisasi telah berinvestasi besar-besaran dalam alat observabilitas, pemantauan, dan manajemen layanan IT, tim dukungan dan teknik masih menghabiskan berjam-jam untuk secara manual melacak penyebab akar dari gangguan dan masalah yang memengaruhi pelanggan di seluruh sistem yang terfragmentasi. Kosmos bertujuan untuk mengurangi apa yang mereka sebut “biaya investigasi” – beban operasional yang dibuat ketika insinyur, pemimpin dukungan, dan tim respons insiden dipaksa untuk secara manual menghubungkan informasi yang tersebar di seluruh sistem tiket, repositori kode sumber, platform dukungan pelanggan, dan alat observabilitas.

Masalah yang Tumbuh dari Biaya Investigasi

Selama dekade terakhir, perusahaan telah mengadopsi koleksi alat yang semakin besar untuk memantau infrastruktur dan mengelola operasi perangkat lunak. Platform seperti Jira, ServiceNow , GitHub, Salesforce (CRM ), Datadog (DDOG ), Grafana, dan Splunk masing-masing menyediakan wawasan berharga ke dalam bagian yang berbeda dari tumpukan teknologi. Namun, ketika insiden terjadi, konteks kritis sering tetap terisolasi di seluruh sistem ini.

Seiring dengan arsitektur perangkat lunak modern yang menjadi semakin terdistribusi, tantangan mengorelasikan informasi di seluruh platform yang berbeda telah meningkat. Tim mungkin memiliki semua data yang diperlukan, tetapi menemukan dan menghubungkannya dengan cepat tetap sulit. Hasilnya adalah waktu resolusi yang lebih lama, insiden berulang, dan sumber daya teknik yang dialihkan dari pengembangan produk dan inovasi.

Untuk banyak organisasi, insinyur paling berpengalaman menjadi penyelidik default setiap kali masalah pelanggan besar muncul. Insinyur tersebut sering ditarik dari pekerjaan strategis untuk merekonstruksi timeline, meninjau perubahan kode, menganalisis tiket dukungan, dan menentukan apa yang sebenarnya menyebabkan insiden. Biaya tersembunyi dari penyelidikan ini meluas jauh melampaui downtime itu sendiri.

Pendekatan AI-Native untuk Intelijen Operasional

Kosmos memposisikan diri sebagai lapisan yang duduk di atas sistem perusahaan yang ada daripada menggantinya. Platform ini menghubungkan data dari GitHub, Jira, Salesforce, ServiceNow, Datadog, Grafana, Splunk, dan alat operasional lainnya untuk membuat tampilan yang terunifikasi dari insiden dan eskalasi pelanggan.

Menurut perusahaan, platform ini secara otomatis mengorelasikan kasus pelanggan, perubahan kode, insiden layanan, dan sinyal infrastruktur untuk menampilkan penyebab akar yang mungkin. Daripada mengandalkan keputusan AI otonom, Kosmos menggunakan pendekatan human-in-the-loop di mana korelasi yang dihasilkan mesin ditinjau dan divalidasi oleh pengguna sebelum menjadi bagian dari basis pengetahuan platform.

Ini menciptakan loop umpan balik yang berkelanjutan yang meningkatkan kemampuan sistem untuk mengidentifikasi pola dari waktu ke waktu sambil mempertahankan transparansi dan kepercayaan. Daripada menghasilkan lebih banyak peringatan, tujuannya adalah untuk memberikan tim dengan konteks yang diperlukan untuk memahami mengapa masalah terjadi di tempat pertama.

Dibangun dari Pengalaman Pertama

Pendiri dan CEO Sanjay Gidwani membangun perusahaan di sekitar masalah yang dia temui berulang kali selama lebih dari dua dekade bekerja di operasi pengiriman perusahaan dan dalam ekosistem Salesforce.

Di sepanjang karirnya, Gidwani mengamati pola yang sama: ketika masalah pelanggan besar muncul, organisasi akan memobilisasi personil teknis paling berpengalaman untuk menyelidiki. Namun, para ahli tersebut sering menghabiskan hari-hari untuk mengumpulkan informasi dari sistem yang terputus sebelum tiba pada penyebab akar.

Pengalaman itu membentuk tesis inti Kosmos: salah satu ketidakefisienan operasional terbesar di IT perusahaan terjadi sebelum remediasi bahkan dimulai. Jika organisasi dapat mengidentifikasi sumber masalah lebih cepat, mereka dapat menyelesaikan insiden lebih cepat dan mengurangi kemungkinan masalah serupa berulang.

Melihat ke Depan

Peluncuran Kosmos mencerminkan pergeseran yang lebih luas yang terjadi di seluruh teknologi perusahaan. Seiring organisasi mengadopsi lingkungan cloud yang semakin kompleks, arsitektur mikroservis, dan aplikasi yang ditenagai AI, data operasional terus tumbuh sambil tetap tersebar di seluruh puluhan platform.

Generasi berikutnya dari alat intelijen operasional bertujuan untuk menjembatani kesenjangan tersebut dengan secara otomatis menghubungkan sinyal, mengidentifikasi pola, dan mempertahankan pengetahuan institusional yang akan tetap terkunci di dalam tim individu. Di luar resolusi insiden yang lebih cepat, sistem ini juga dapat membantu organisasi mengurangi pekerjaan teknik yang tidak perlu, mencegah masalah berulang, dan memungkinkan bakat teknis untuk fokus lebih banyak waktu pada membangun produk daripada menyelidiki kegagalan.

Seiring lingkungan perusahaan menjadi lebih kompleks, kemampuan untuk mengubah data operasional yang terfragmentasi menjadi intelijen yang dapat ditindaklanjuti mungkin menjadi sama pentingnya dengan memantau sistem itu sendiri. Kosmos bertaruh bahwa mengurangi biaya investigasi akan menjadi bagian kritis dari masa depan tersebut.