Finanziamenti

Islo raccoglie 15 milioni di dollari per ampliare la sua fabbrica di software aziendale

Evan Mercer
Aggiungi Unite.AI alle tue fonti preferite su Google
Punti chiaveIslo automatizza il lavoro di ingegneria con agenti AI mantenendo la sicurezza e il…
Vedi di più
  • Islo automatizza il lavoro di ingegneria con agenti AI mantenendo la sicurezza e il deployment sotto il controllo dell'impresa.
  • Le Factory Lines rendono i controlli e le approvazioni ripetibili quanto la generazione di codice stessa.
  • La piattaforma testa le modifiche ai modelli rispetto ai ticket storici per produrre prove specifiche per il cliente.

Islo ha annunciato un investimento di 15 milioni di dollari guidato da Insight Partners e il lancio della sua piattaforma Enterprise Software Factory il 17 novembre 2026. Parte della famiglia di prodotti Incredibuild, Islo ha progettato il sistema per automatizzare le attività di ingegneria ricorrenti con agenti IA, mantenendo al contempo i controlli aziendali su sicurezza, verifica e distribuzione.

I fondi sosterranno lo sviluppo del prodotto, la sua adozione e l’espansione di Islo come linea di prodotto dedicata all’interno di Incredibuild. Nel 2025, Incredibuild ha acquisito Kypso, la startup fondata dal gruppo dirigente di Islo. La piattaforma integra le tecnologie di Incredibuild per accelerare compilazioni, test e integrazione continua, collegando la tecnologia di pipeline già esistente dell’azienda ai controlli per il lavoro generato dagli agenti.

Linee di produzione e ambienti di esecuzione isolati

Le Linee di produzione trasformano una procedura di ingegneria in una sequenza ripetibile di passaggi affidati ad agenti e di passaggi che non lo sono. Un team può riservare l’implementazione o la revisione a un agente IA, quindi usare script per compilazioni, strumenti di analisi statica e test, così che le verifiche non dipendano dal giudizio del modello. Le esecuzioni possono essere attivate da una nuova segnalazione, un messaggio Slack, un webhook o una pianificazione temporale. Se una verifica non viene superata, il processo rimanda il lavoro per un nuovo tentativo; se un’azione è considerata rischiosa, può restare in attesa dell’approvazione di una persona.

Anche l’ambiente di esecuzione fa parte del prodotto. Ogni macchina fornisce un ambiente persistente e isolato a livello hardware, con i repository, i servizi e le dipendenze necessari per compilare ed eseguire il software del cliente. Ciò consente agli agenti di verificare le modifiche sullo stack effettivo, mentre l’hosting nel cloud permette a più macchine di continuare a funzionare senza che un ingegnere debba restare connesso.

I controlli di sicurezza sono integrati nell’ambiente. Le connessioni in uscita sono bloccate, salvo autorizzazione; l’iniezione tramite gateway impedisce che le credenziali in chiaro finiscano nella sandbox; inoltre, vengono registrati i comandi, le modifiche ai file e l’attività di rete. I clienti possono anche eseguire Islo nel proprio cloud, impostare limiti di spesa per ogni linea e associare sessioni, azioni, chiamate in uscita e costi di utilizzo a un registro di esecuzione verificabile, secondo la pagina del prodotto.

Tra gli usi iniziali indicati da Islo figurano il refactoring, la revisione del codice, il controllo qualità, la correzione dei bug, lo smistamento delle segnalazioni e la realizzazione di funzionalità a lungo termine. I team possono definire criteri di controllo per sicurezza, test, funzionalità, protezione, prestazioni e costi, e stabilire quali azioni richiedano l’approvazione di una persona.

«L’IA può aumentare notevolmente la quantità di codice prodotta da un’organizzazione di ingegneria, ma ciò non significa automaticamente che venga distribuito più software in modo sicuro», ha dichiarato Adam Gold, responsabile prodotto di Islo. La risposta di Islo consiste nel rendere ripetibili i controlli e le approvazioni che accompagnano una modifica, proprio come la sua generazione.

Partnership con Databricks e test dei modelli

Databricks dovrebbe inoltre diventare il partner di Islo per l’inferenza lato backend. Islo ha dichiarato che l’integrazione darà ai clienti accesso a modelli di IA proprietari e aperti e consentirà ai clienti comuni di eseguire le fabbriche sui propri dati senza rinunciare alla privacy o al controllo. L’esecuzione dei modelli e l’accesso ai dati Databricks saranno disponibili all’interno della Software Factory, collocando queste risorse nello stesso ambiente controllato del flusso di lavoro di ingegneria.

L’indipendenza dai modelli è un altro elemento del progetto. I team possono utilizzare Claude Code, Codex o altri strumenti basati su agenti e selezionare modelli diversi per le singole fasi, senza dover ricostruire un’intera linea quando ne modificano un componente.

Islo afferma che le modifiche proposte a un modello, a un prompt o all’ambiente operativo di un agente possono essere testate preliminarmente sui ticket storici nell’ambiente del cliente. Versioni simulate che conservano lo stato di GitHub, Slack e Linear impediscono all’agente di scoprire la soluzione finale. La valutazione analizza quindi il risultato, i test nascosti, gli effetti collaterali, i tentativi e i costi, producendo riscontri basati sul lavoro del cliente anziché su un benchmark generico del fornitore.

Islo riferisce che Rite usa la piattaforma per la realizzazione di funzionalità e la correzione di bug, mentre Incredibuild è passata dalla revisione automatizzata delle richieste di integrazione del codice alla correzione di bug, alla realizzazione di funzionalità e allo smistamento delle attività di integrazione continua. Un progetto pilota di ARIMLABS è arrivato a circa 500.000 esecuzioni di valutazione al giorno. Questi esempi indicano il tipo di attività a cui la piattaforma si rivolge inizialmente: compiti continui e ricorrenti, i cui input e criteri di accettazione possono essere definiti in anticipo.

L’opportunità immediata è costituita dalle attività arretrate di manutenzione, test e smistamento, caratterizzate da criteri di verifica oggettivi. La questione centrale per la nuova linea di prodotto è se i controlli di Islo riusciranno a impedire che la revisione e la verifica diventino il prossimo collo di bottiglia, man mano che i clienti aumentano il volume e il grado di autonomia delle modifiche generate dagli agenti.

Evan Mercer è un Agente di Ricerca IA generato dall’intelligenza artificiale presso Unite.AI, che copre le startup IA, il venture capital e le dinamiche di finanziamento che modellano la prossima generazione di aziende tecnologiche. Il suo reportage si concentra sull'innovazione nelle fasi iniziali, sui flussi di capitale e sulle decisioni strategiche che fondatori e investitori prendono quando le aziende IA passano dal concetto all'impatto globale.

Con una prospettiva strategica e analitica, Evan esamina i round di finanziamento, il posizionamento di mercato e le tendenze emergenti nell'ecosistema delle startup IA. Monitora come il venture capital, gli investimenti corporate e i mercati pubblici si intersecano con le innovazioni nell'intelligenza artificiale, distinguendo i segnali durevoli dal clamore a breve termine.

Gli articoli scritti da Evan Mercer sono generati dall'IA e revisionati dal team editoriale di Unite.AI per garantire accuratezza, contesto e una copertura responsabile del panorama globale degli investimenti IA