Restate Mengumpulkan $20 Juta Seri A untuk Membangun Infrastruktur Tahan Lama bagi Agen AI

Restate telah mengumpulkan $20 juta dalam pendanaan Seri A untuk memperluas platform yang dirancang agar aplikasi modern dan agen AI tetap berjalan meskipun terjadi kegagalan. Putaran pendanaan ini dipimpin oleh Singular, dengan partisipasi dari Redpoint Ventures dan Capital One Ventures, meningkatkan total pendanaan perusahaan menjadi $27 juta.

Perusahaan yang berbasis di Berlin dan San Francisco ini mengatakan dana tersebut akan mendukung pengembangan produk yang berkelanjutan serta ekspansinya di Amerika Serikat, termasuk pusat komersial baru di San Francisco. Restate didirikan oleh anggota tim yang menciptakan Apache Flink, kerangka kerja sumber terbuka yang membantu menjadikan pemrosesan aliran waktu nyata sebagai bagian inti dari infrastruktur data modern.

Mengapa Agen AI Membuat Kegagalan Perangkat Lunak Lebih Mahal

Layanan backend tradisional dibangun dengan mengantisipasi kegagalan: server melakukan restart, jaringan memutuskan koneksi, API menjadi tidak tersedia, dan proses berhenti di tengah tugas. Pengembang biasanya menangani gangguan tersebut dengan percobaan ulang, antrian, checkpoint, dan logika pemulihan khusus. Pekerjaan ini menjadi jauh lebih sulit ketika sebuah agen AI diharapkan beroperasi secara terus-menerus melintasi model, API, alat, agen lain, dan persetujuan manusia.

Seorang agen yang gagal setelah urutan tindakan yang panjang tidak selalu dapat memulai kembali dengan aman. Memulai ulang dapat menggandakan pembayaran, mengulangi panggilan alat eksternal, kehilangan keputusan manusia, atau membuang output model yang mahal. Seperti yang dijelaskan oleh Unite.AI dalam panduannya tentang bagaimana agen AI menggabungkan model, alat, memori, dan loop kontrol, keandalan bergantung pada sistem di sekitarnya sebanyak pada model itu sendiri.

Jawaban Restate adalah eksekusi tahan lama: merekam pekerjaan dan status yang selesai sehingga sebuah aplikasi dapat melanjutkan dari titik yang tepat setelah gangguan. Perusahaan berargumen bahwa properti ini harus melampaui alur kerja individual ke komunikasi dan status yang dibagikan di seluruh aplikasi terdistribusi. Stephan Ewen, co‑founder dan CEO Restate, merangkum ambisi tersebut dalam pengumuman: “ketahanan harus menjadi properti infrastruktur itu sendiri.”

Runtime yang Dibangun di Sekitar Log Terdistribusi

Di pusat arsitektur Restate terdapat log terdistribusi yang dirancang khusus dipasangkan dengan orkestrator berbasis peristiwa. Alih-alih menempatkan eksekusi tahan lama di atas basis data tujuan umum, log tersebut menjadi fondasi untuk eksekusi, status, dan komunikasi. Restate mengatakan hal ini menciptakan sistem mandiri yang tidak memerlukan basis data eksternal atau layanan pencarian sekaligus tetap ringan untuk digunakan di seluruh aplikasi.

Desain tersebut dimaksudkan untuk memberi pengembang blok‑bangunan yang dapat digunakan kembali bagi fungsi tahan lama, alur kerja, layanan, dan objek berstatus tanpa memaksa setiap beban kerja masuk ke dalam mesin alur kerja konvensional. Desain ini juga mencerminkan pengalaman para pendiri dalam membangun Apache Flink, yang telah menjadi infrastruktur yang banyak dipakai untuk sistem data real‑time.

Perusahaan baru‑baru ini menambahkan opsi Bring Your Own Cloud yang menjalankan penyebaran Restate terkelola di dalam akun cloud pelanggan dan cloud pribadi virtual. Bagi perusahaan yang mengadopsi agen AI dalam lingkungan yang diatur atau sensitif data, menjaga data aplikasi di dalam infrastruktur yang ada dapat menghilangkan hambatan penting untuk penyebaran produksi.

Replit Menyediakan Uji Produksi Awal

Restate mengatakan bahwa platformnya sudah digunakan oleh ratusan perusahaan, termasuk bisnis AI dan organisasi Fortune 500. Salah satu penerapan menonjol adalah Replit Agent, di mana Restate kini menangani orkestrasi tahan lama. Pengumuman tersebut menyatakan bahwa Replit memilih platform ini saat mereka merancang ulang arsitektur agen dan membutuhkan runtime yang dapat mempertahankan pekerjaan jangka panjang sekaligus tetap cepat dan sederhana bagi pengembang.

Penerapan tersebut penting karena agen pemrograman dapat menghasilkan ribuan langkah, panggilan alat, dan perubahan status selama satu pekerjaan. Jika lapisan orkestrasi tidak dapat pulih dengan bersih, biayanya bukan hanya waktu henti; dapat berarti kehilangan kemajuan, tindakan berulang, dan pengalaman pengembang yang buruk. Oleh karena itu, agen produksi memerlukan infrastruktur yang dapat mengingat apa yang terjadi, membedakan pekerjaan yang selesai dari yang belum selesai, dan melanjutkan tanpa memutar ulang efek samping.

Mendanai Lapisan di Bawah Agen

Sebagian besar pasar AI saat ini berfokus pada model, antarmuka aplikasi, dan kerangka kerja agen. Pendanaan Restate menyoroti peluang yang kurang terlihat: infrastruktur yang diperlukan untuk menjaga perangkat lunak otonom tetap dapat diandalkan setelah keluar dari lingkungan demo. Seiring agen mengambil tugas yang lebih panjang dan berinteraksi dengan lebih banyak sistem eksternal, pemulihan, konsistensi status, dan observabilitas menjadi persyaratan dasar bukan fitur rekayasa opsional.

Henri Tilloy, Partner di Singular, mengatakan bahwa tesis investasi berlandaskan pada Restate yang menyatukan eksekusi, status, dan komunikasi dalam satu runtime yang dapat dipakai pengembang di seluruh aplikasi. Perbandingan dengan Apache Flink bersifat sengaja: para investor bertaruh bahwa tim yang sama dapat membangun lapisan infrastruktur tahan lama untuk agen dan backend terdistribusi seiring sistem real‑time menjadi semakin kompleks.

Series A senilai $20 juta memberi Restate lebih banyak ruang untuk mengembangkan lapisan tersebut dan membangun kehadirannya di AS. Uji yang lebih besar adalah apakah eksekusi yang tahan lama akan menjadi pilihan arsitektur standar untuk aplikasi AI. Jika agen diharapkan bekerja selama berjam‑jam, berkoordinasi dengan orang dan perangkat lunak, serta bertahan dari gangguan yang tak terhindarkan, sistem yang membantu mereka mengingat dan pulih mungkin akan menjadi sama pentingnya dengan model yang memutuskan apa yang harus dilakukan selanjutnya.