Traversal raccoglie 120 milioni di dollari in un round di Serie B, con una valutazione di 1 miliardo, per espandere l’SRE basato sull’IA

Traversal ha annunciato un round di Serie B da 120 milioni di dollari, con una valutazione di 1 miliardo di dollari, il 3 novembre 2026, per accelerare il lavoro verso sistemi di produzione autonomi e ampliare le assunzioni nei settori della ricerca, dell’ingegneria e dello sviluppo commerciale.

Kleiner Perkins, Redpoint Ventures e Khosla Ventures hanno guidato congiuntamente il round, a cui hanno partecipato Sequoia Capital, Battery Ventures e Amex Ventures. Kleiner Perkins e Sequoia, già investitori, hanno aumentato i propri investimenti. Il finanziamento totale ammonta ora a 173 milioni di dollari, dopo i 48 milioni di dollari annunciati da Traversal quando è uscita dalla modalità stealth nel giugno 2025 e un investimento strategico di Amex Ventures nel dicembre 2025.

Costruire il ciclo esterno delle operazioni software

Traversal ha iniziato occupandosi dell’analisi delle cause alla radice degli incidenti, basandosi sulla ricerca accademica dei suoi tre cofondatori nell’apprendimento automatico causale e nell’apprendimento per rinforzo. L’idea centrale è che un incidente generi molti segnali simultanei, perciò una correlazione plausibile non basta a stabilire perché un sistema abbia smesso di funzionare. Il Production World Model trasforma la telemetria grezza, il codice, la cronologia delle distribuzioni e le conoscenze organizzative in una rappresentazione dell’ambiente di produzione, aggiornata continuamente e leggibile dall’IA. Il Causal Search Engine è progettato per verificare migliaia di ipotesi in parallelo, seguire dipendenze e tempistiche tra i sistemi e convergere sulle cause supportate da prove.

Traversal ha presentato ufficialmente questi due sistemi nel marzo 2026, dopo quasi due anni di ricerca e ingegnerizzazione. Gli operatori agiscono ora come agenti proattivi e di lunga durata, che raccolgono informazioni contestuali, svolgono indagini e contribuiscono alla risoluzione dei problemi quando si verificano incidenti o scattano avvisi. Traversal MCP mette questa intelligence sull’ambiente di produzione a disposizione degli agenti di programmazione, collegando le prove operative al lavoro di sviluppo volto a prevenire gli incidenti.

L’obiettivo a lungo termine è un software in grado di rilevare i problemi, comprenderne le cause, intervenire per correggerli, verificare che l’intervento abbia funzionato e impedirne il ripetersi. Questa tabella di marcia fa del round sia un’espansione di un prodotto di indagine già esistente, sia una scommessa su operazioni sempre più autonome.

Crescita dichiarata oltre l’analisi delle cause alla radice

Traversal riferisce che nel 2026 il numero mensile di indagini è aumentato di oltre 100 volte, passando da 513 a quasi 73.000. Circa due terzi dell’utilizzo del prodotto riguardano ormai attività che vanno oltre l’analisi delle cause alla radice: selezione e gestione degli avvisi, rischio legato alle release, convalida della CMDB, sicurezza, stato di salute del percorso del cliente e quesiti sull’assistenza in produzione. Questa distribuzione indica un ricorso più ampio al prodotto per le decisioni operative correnti, oltre che per la diagnosi successiva agli incidenti.

In un comunicato che accompagna l’annuncio del finanziamento, Traversal riferisce una crescita di nove volte dei ricavi ricorrenti annuali da inizio anno, oltre 150.000 indagini sui clienti nell’ultimo trimestre e il supporto fornito a più di 4.000 ingegneri. Nubank, Harvey, DigitalOcean e PepsiCo figurano tra le aziende che utilizzano la piattaforma. David Vélez, CEO di Nubank, ha dichiarato che la distribuzione della piattaforma nella sua azienda era iniziata da appena cinque settimane e si stava estendendo a ondate, man mano che i risultati continuavano a confermarsi: una precisazione che colloca in una fase iniziale i dati sull’adozione.

Le prove offerte dai benchmark e i loro limiti

La difficoltà tecnica è documentata separatamente in ORCA-bench, un articolo di ricercatori affiliati a Cornell Tech, Traversal e Columbia University. Comprende 1.079 attività di analisi delle cause alla radice, basate su sei giorni e oltre 50 GB di metriche, log e tracce provenienti da un sistema strumentato con OpenTelemetry e composto da 19 microservizi. Gli agenti hanno utilizzato interfacce di osservabilità reali e codice sorgente, mentre le attività variavano per livello di specificità dei rapporti, ritardi nel rilevamento e presenza simultanea di guasti.

Tra cinque agenti generalisti sottoposti a valutazione, l’articolo riporta un’accuratezza massima nell’individuazione delle cause alla radice del 25,3% nelle attività di difficoltà media e del 10,0% in quelle difficili. A seconda del modello, dal 7% al 40% dei rapporti sugli incidenti indicava cause alla radice allucinate e implausibili. La rimozione dell’accesso al codice sorgente ha ridotto l’accuratezza e aumentato le allucinazioni per tutti i modelli, confermando che una buona capacità di generare codice non si traduce direttamente in diagnosi affidabili durante la reperibilità.

Questi punteggi non misurano le prestazioni di Traversal nei propri ambienti di produzione. Gli autori avvertono che le prove provengono da un banco di prova pubblico e controllato, esteso su sei giorni, in cui ogni attività è stata gestita separatamente. Non è stato verificato se i risultati siano applicabili ad ambienti proprietari più ampi e mutevoli. Il benchmark definisce quindi la lacuna di ricerca che ostacola il lavoro autonomo durante la reperibilità; non convalida la tabella di marcia dell’azienda verso una produzione autonoma.

I dati sull’adozione riportati da Traversal e i risultati del benchmark descrivono fasi diverse della stessa ambizione. L’attività attuale si basa sulle indagini e su un ventaglio più ampio di quesiti sull’ambiente di produzione; la prova ancora aperta per la produzione autonoma è capire se il suo sistema causale sia in grado di intervenire per correggere i problemi, verificare i risultati e impedirne il ripetersi negli ambienti complessi dei clienti.