Autoheal、自己改善型ソフトウェアファクトリーのために790万ドルのシードラウンドを調達

Autohealは、AI支援コーディングの後に発生する作業（インシデントの調査、脆弱性の修正、モデルコストの管理、ソフトウェアエージェントを企業のシステムやポリシーに合わせること）を管理するために設計されたプラットフォームを拡大する目的で、シード資金790万ドルを調達した。

Innovation Endeavorsがラウンドを主導し、Emergent Ventures、U&I Ventures、Darkmode Ventures、Batch Ventures、Param Hansa Valuesが参加した。Innovation EndeavorsのHarpinder SinghがAutohealの取締役会に参加する。

企業が、コード生成の高速化が自動的にソフトウェアの提供速度や安全性の向上につながらないことを学んでいる中で、この資金調達が行われた。コードが増えると、アラート、レビュー、脆弱性、そしてクラウドモデルの支出が増加する可能性がある。Autohealは、AIコーディングブームの目に見えにくい層に焦点を当てている。

高速コーディングがもたらす運用上の課題

AI coding assistantsはコード作成に必要な労力を削減したが、下流の多くのエンジニアリングタスクは依然として労働集約的である。本番インシデントの調査、セキュリティ上の発見の修正、そしてプラットフォームチームが自動化されたアクションの成功・失敗理由を理解する必要が依然として残っている。

Autohealは、これらの作業は切り離されたエージェントの集合に任せるのではなく、統合されたソフトウェアファクトリーの一部として扱うべきだと主張している。同社のプラットフォームは、コーディングツールとリポジトリ、CI/CDシステム、可観測性プラットフォーム、クラウド環境、そして課題トラッカーを接続する。目的は、専門エージェントにエンジニアリング環境の共有ビューを提供しつつ、顧客のクラウドとセキュリティ管理下に留めることである。

このアーキテクチャは、エージェントが本番コンテキストを必要とするが無制限のアクセスは許可できないような、規制対象や技術的に複雑な組織において重要である。また、実務的なガバナンス課題にも対応している。チームがエージェントを増やすにつれて、行動を評価し、変更を追跡し、コストを管理する一貫した手法が求められるからだ。

Autohealの継続的ヒーリングループの仕組み

Autohealのアプローチの中心には、2つの監督エージェントがある。Evaluatorは、コードレビューコメント、継続的インテグレーションの失敗、変更に関連するインシデントといったシグナルを用いて、ワーカーエージェントの出力を評価する。次にHealerが、プロンプト、スキル、ツール、またはモデル選択を変更することで、パフォーマンスの低いエージェントに改善策を提案する。

同社は、提案された変更はレビュー前に過去のベンチマークと比較してテストされると述べている。エージェントの挙動はGitでバージョン管理され、エンジニアは承認権限を保持する。実際には、システムは自律的なコーディングボットというよりも、タスク特化型エージェント群を監視・改善するためのオペレーション層に近い。

この区別は重要である。説得力のあるエージェントデモを構築することは比較的容易だが、コードベース、インフラ、組織ルールが変化する中で信頼できるパフォーマンスを維持することはより困難である。Autohealは、継続的な評価と制御された改訂がエンタープライズ向けエージェント導入の標準要件になると見込んでいる。

初期導入はインシデント対応に焦点を当てる

Autohealは、Nomura BankやAvidXchangeを含むエンタープライズ環境で既に稼働していると述べている。同社が提供した数値によれば、Nomuraはある導入で平均解決時間を2時間から15分に短縮した。AvidXchangeは、システムにより根本原因分析が数分に短縮され、エンジニアリングリソースが製品開発に振り向けられるようになったと報告している。

これらの結果は独立したベンチマークではなく、会社および顧客の主張であるが、Autohealが最も緊急と考える初期ユースケース、すなわちインシデント対応を示唆している。トラブルシューティングは、ログ、監視システム、チケット、コード変更、クラウドサービスといった複数の情報源から証拠を収集する必要があることが多い。これらのコンテキストにアクセスできるエージェントは、システム間を手作業で移動するエンジニアよりも迅速に有用な診断を組み立てられる可能性がある。

発表によれば、Empiric Earthもトラブルシューティングとソフトウェアコスト最適化のために同プラットフォームを利用している。これらの導入例から、Autohealは情報が分散していることによるコストが顕在化しやすく、改善がエンジニアに返還される時間で測定できるワークフローから始めていることが示唆される。

シードラウンドで資金提供される目的

AutohealはUtkarsh Ohm、Sid Choudhury、Puneet Saraswatによって設立され、Harness、Microsoft Azure、ThoughtSpot、AppDynamicsでの経験を活かしている。チームは、新たな資本が強化学習システムの開発と、顧客の境界内に留まるエンジニアリングデータで学習したプライベートかつエンタープライズ向けモデルの構築を支援すると述べている。

長期的な計画はソフトウェアエンジニアリングを超えて、データおよびセキュリティオペレーションへと拡大することを目指している。この拡張は、プラットフォームがリスクプロファイルや成功基準が異なるワークフロー全体に評価・修復モデルを汎用化できるかどうかに左右される。

現在、この資金調達はエンタープライズAI市場の変化を浮き彫りにしています。次の制約は、コードをさらに生成することではなく、増大するエージェントの人口を管理し、彼らが生み出す運用作業を吸収することかもしれません。Autoheal の機会は、その制約をプラットフォームチームが測定・監査・改善できるインフラへと転換することにあります。