Traversal Menggalang Pendanaan Seri B Sebesar $120 Juta dengan Valuasi $1 Miliar untuk Memperluas SRE Berbasis AI

Traversal mengumumkan putaran pendanaan Seri B sebesar $120 juta dengan valuasi $1 miliar pada 3 November 2026, untuk mempercepat upayanya mewujudkan sistem produksi yang beroperasi secara mandiri serta memperluas perekrutan untuk posisi di bidang riset, rekayasa, dan pemasaran serta penjualan.

Kleiner Perkins, Redpoint Ventures, dan Khosla Ventures memimpin putaran pendanaan ini bersama-sama, dengan partisipasi dari Sequoia Capital, Battery Ventures, dan Amex Ventures. Investor terdahulu Kleiner Perkins dan Sequoia menambah investasi mereka. Total pendanaan kini mencapai $173 juta, setelah Traversal mengumumkan pendanaan sebesar $48 juta saat keluar dari mode tertutup pada Juni 2025 dan menerima investasi strategis dari Amex Ventures pada Desember 2025.

Membangun Siklus Luar Operasi Perangkat Lunak

Traversal bermula dari analisis akar penyebab insiden, dengan mengandalkan riset akademis tiga pendirinya di bidang pembelajaran mesin kausal dan pembelajaran penguatan. Premis utamanya adalah bahwa sebuah insiden menghasilkan banyak sinyal secara bersamaan, sehingga korelasi yang masuk akal tidak cukup untuk memastikan penyebab kegagalan sistem. Production World Model mengubah telemetri mentah, kode, riwayat penerapan, dan pengetahuan organisasi menjadi representasi lingkungan produksi yang terus diperbarui dan dapat dibaca oleh AI. Causal Search Engine dirancang untuk menguji ribuan hipotesis secara paralel, menelusuri dependensi dan urutan waktu di berbagai sistem, serta menemukan penyebab yang didukung bukti.

Traversal secara resmi memperkenalkan kedua sistem tersebut pada Maret 2026, setelah hampir dua tahun melakukan riset dan rekayasa. Kini, para pekerja bertindak sebagai agen proaktif yang beroperasi dalam jangka panjang: mereka mengumpulkan konteks, menyelidiki, dan membantu upaya pemulihan saat terjadi insiden atau peringatan. Traversal MCP menyediakan kecerdasan produksi tersebut bagi agen pemrograman, dengan menghubungkan bukti operasional dan pekerjaan pengembangan yang ditujukan untuk mencegah insiden.

Tujuan jangka panjangnya adalah perangkat lunak yang mendeteksi masalah, memahami penyebabnya, mengambil tindakan korektif, memastikan tindakan tersebut berhasil, dan mencegah masalah berulang. Peta jalan itu menjadikan putaran pendanaan ini bukan hanya perluasan produk investigasi yang sudah ada, tetapi juga taruhan pada operasi yang lebih mandiri.

Pertumbuhan yang Dilaporkan di Luar Analisis Akar Penyebab

Traversal melaporkan bahwa jumlah investigasi bulanan meningkat lebih dari 100 kali lipat selama 2026, dari 513 menjadi hampir 73.000. Kini, sekitar dua pertiga penggunaan produk mencakup hal-hal di luar analisis akar penyebab, termasuk triase peringatan, risiko rilis, validasi CMDB, keamanan, kesehatan perjalanan pelanggan, dan pertanyaan tentang dukungan produksi. Komposisi penggunaan ini menunjukkan pemanfaatan yang lebih luas untuk pengambilan keputusan operasional berkelanjutan, selain diagnosis setelah insiden.

Dalam siaran pers pendanaan yang menyertainya, Traversal melaporkan pertumbuhan pendapatan berulang tahunan sebesar sembilan kali lipat sejak awal tahun, lebih dari 150.000 investigasi pelanggan pada kuartal terakhir, serta dukungan bagi lebih dari 4.000 insinyur. Nubank, Harvey, DigitalOcean, dan PepsiCo termasuk di antara perusahaan yang menggunakan platform ini. CEO Nubank, David Vélez, menyebut penerapan di perusahaannya baru berlangsung lima minggu dan diperluas secara bertahap seiring dengan hasil yang tetap memuaskan—sebuah catatan bahwa adopsi ini masih berada pada tahap awal.

Bukti Tolok Ukur dan Batasannya

Tingkat kesulitan teknis ini didokumentasikan secara terpisah dalam ORCA-bench, sebuah makalah yang ditulis oleh para peneliti yang berafiliasi dengan Cornell Tech, Traversal, dan Columbia University. Makalah tersebut memuat 1.079 tugas analisis akar penyebab yang menggunakan data selama enam hari dan lebih dari 50 GB metrik, log, serta jejak dari sistem berinstrumentasi OpenTelemetry yang memiliki 19 layanan mikro. Para agen menggunakan antarmuka observabilitas dan kode sumber nyata, sementara tingkat kekhususan laporan, jeda deteksi, dan gangguan yang terjadi bersamaan bervariasi di setiap tugas.

Dari lima agen serbaguna yang dievaluasi, makalah tersebut melaporkan akurasi terbaik dalam menentukan akar penyebab sebesar 25,3% untuk tugas dengan tingkat kesulitan sedang dan 10,0% untuk tugas sulit. Akar penyebab tidak masuk akal yang direkayasa muncul dalam 7% hingga 40% laporan insiden, bergantung pada modelnya. Hilangnya akses ke kode sumber menurunkan akurasi dan meningkatkan halusinasi pada setiap model, memperkuat temuan bahwa kemampuan menghasilkan kode dengan lancar tidak serta-merta menghasilkan diagnosis siaga yang andal.

Skor tersebut tidak mengukur kinerja Traversal sendiri di lingkungan produksi. Para penulis mengingatkan bahwa bukti ini berasal dari lingkungan uji publik yang terkontrol selama enam hari, dengan setiap tugas ditangani secara terpisah. Belum diuji apakah hasilnya berlaku pula pada lingkungan privat yang lebih besar dan terus berubah. Karena itu, tolok ukur ini menunjukkan kesenjangan riset yang dihadapi upaya penanganan siaga secara mandiri; tolok ukur ini tidak memvalidasi peta jalan Traversal untuk mewujudkan produksi yang beroperasi secara mandiri.

Adopsi yang dilaporkan Traversal dan hasil tolok ukur tersebut menggambarkan tahap-tahap berbeda dari ambisi yang sama. Bisnis saat ini berpusat pada investigasi dan beragam pertanyaan terkait produksi; ujian terbuka bagi produksi yang beroperasi secara mandiri adalah apakah sistem kausalnya dapat mengambil tindakan korektif, memastikan hasilnya, dan mencegah masalah berulang di lingkungan pelanggan yang kompleks.