Autoheal, 자체 개선 소프트웨어 팩토리를 위해 $7.9M 시드 라운드 유치

Autoheal은 AI 지원 코딩 이후의 작업을 관리하도록 설계된 플랫폼을 확장하기 위해 790만 달러 시드 자금을 유치했습니다. 이 플랫폼은 사고 조사, 취약점 수정, 모델 비용 제어, 그리고 소프트웨어 에이전트를 기업의 시스템 및 정책에 맞추는 작업을 수행합니다.

Innovation Endeavors가 라운드를 주도했으며, Emergent Ventures, U&I Ventures, Darkmode Ventures, Batch Ventures, Param Hansa Values가 참여했습니다. Innovation Endeavors의 Harpinder Singh이 Autoheal 이사회에 합류합니다.

기업들이 더 빠른 코드 생성이 자동으로 더 빠르거나 더 안전한 소프트웨어 제공을 의미하지 않는다는 사실을 깨닫는 시점에 이번 자금이 들어왔습니다. 더 많은 코드는 더 많은 알림, 검토, 취약점 및 클라우드 모델 비용을 초래할 수 있습니다. Autoheal은 AI 코딩 붐의 눈에 잘 띄지 않는 그 계층에 집중하고 있습니다.

빠른 코딩이 초래한 운영 문제

AI coding assistants는 코드를 생산하는 데 필요한 노력을 낮췄지만, 많은 하위 엔지니어링 작업은 여전히 노동 집약적입니다. 운영 사고는 여전히 조사해야 하고, 보안 발견은 수정이 필요하며, 플랫폼 팀은 자동화된 작업이 성공했는지 실패했는지 이유를 이해해야 합니다.

Autoheal은 이러한 작업을 분산된 에이전트 집합에 맡기기보다 조정된 소프트웨어 팩토리의 일부로 다루어야 한다고 주장합니다. 이 플랫폼은 코딩 도구를 저장소, CI/CD 시스템, 가시성 플랫폼, 클라우드 환경 및 이슈 트래커와 연결합니다. 목표는 특화된 에이전트에게 엔지니어링 환경에 대한 공유된 시야를 제공하면서도 고객의 클라우드와 보안 제어 내에 머물게 하는 것입니다.

이러한 아키텍처는 규제 대상이거나 기술적으로 복잡한 조직에서 중요합니다. 에이전트가 운영 컨텍스트가 필요하지만 무제한 접근 권한을 부여받을 수 없는 경우가 있기 때문입니다. 또한 실용적인 거버넌스 문제를 해결합니다. 팀이 더 많은 에이전트를 배포함에 따라 행동을 평가하고, 변경 사항을 추적하며, 비용을 제어할 일관된 방법이 필요합니다.

Autoheal의 지속적인 치유 루프 작동 방식

Autoheal 접근 방식의 중심에는 두 개의 감독 에이전트가 있습니다. Evaluator는 코드 리뷰 댓글, CI 실패, 변경과 연결된 인시던트와 같은 신호를 사용해 작업 에이전트의 출력을 평가합니다. Healer는 그런 뒤 프롬프트, 스킬, 도구 또는 모델 선택을 변경하여 성능이 낮은 에이전트를 개선하도록 제안합니다.

회사에 따르면 제안된 변경 사항은 검토 전에 과거 벤치마크와 비교 테스트됩니다. 에이전트 행동은 Git으로 버전 관리되며, 엔지니어는 승인 권한을 유지합니다. 실제로 이는 시스템을 자율 코딩 봇보다는 작업별 에이전트 그룹을 모니터링하고 개선하는 운영 레이어에 가깝게 만듭니다.

이 구분은 중요합니다. 설득력 있는 에이전트 데모를 만드는 것은 비교적 간단하지만, 코드베이스, 인프라 및 조직 규칙이 변함에 따라 신뢰할 수 있는 성능을 유지하는 것은 더 어렵습니다. Autoheal은 지속적인 평가와 통제된 수정이 기업 에이전트 배포의 표준 요구 사항이 될 것이라고 기대하고 있습니다.

초기 배포는 사고 대응에 초점을 맞추다

Autoheal은 이미 Nomura Bank와 AvidXchange를 포함한 기업 환경에서 운영되고 있다고 말합니다. 회사가 제공한 수치에 따르면 Nomura는 한 배포에서 평균 해결 시간을 2시간에서 15분으로 단축했습니다. AvidXchange는 이 시스템이 근본 원인 분석 시간을 몇 분으로 줄이고 제품 작업을 위한 엔지니어링 역량을 확보했다고 보고했습니다.

이러한 결과는 독립적인 벤치마크가 아닌 회사와 고객의 주장에 불과하지만, Autoheal이 가장 시급하다고 판단하는 초기 사용 사례인 사고 대응을 시사합니다. 문제 해결은 종종 로그, 모니터링 시스템, 티켓, 코드 변경 및 클라우드 서비스 전반에 걸쳐 증거를 수집해야 합니다. 해당 컨텍스트에 접근할 수 있는 에이전트는 시스템을 수동으로 전환하는 엔지니어보다 더 빠르게 유용한 진단을 구성할 수 있습니다.

발표에 따르면 Empiric Earth도 문제 해결 및 소프트웨어 비용 최적화를 위해 이 플랫폼을 사용하고 있습니다. 이러한 배포 사례는 Autoheal이 파편화된 정보 비용이 명확히 드러나고 개선 효과를 엔지니어에게 반환되는 시간으로 측정할 수 있는 워크플로우부터 시작하고 있음을 시사합니다.

시드 라운드 자금 사용 목적

Autoheal은 Utkarsh Ohm, Sid Choudhury, Puneet Saraswat가 설립했으며, Harness, Microsoft Azure, ThoughtSpot, AppDynamics에서의 경험을 바탕으로 합니다. 팀은 이번 신규 자본이 강화 학습 시스템과 고객 내부에 머무는 엔지니어링 데이터를 기반으로 학습된 사기업 전용 모델 개발을 지원할 것이라고 말합니다.

장기적인 계획은 소프트웨어 엔지니어링을 넘어 데이터 및 보안 운영까지 확장됩니다. 이러한 확장은 플랫폼이 다양한 위험 프로파일과 성공 기준을 가진 워크플로우 전반에 평가·수정 모델을 일반화할 수 있는지에 달려 있습니다.

현재 이번 자금 조달은 엔터프라이즈 AI 시장의 변화를 강조하고 있다. 다음 제약은 더 많은 코드를 생성하는 것이 아니라, 증가하는 에이전트 인구를 관리하고 그들이 만들어내는 운영 작업을 흡수하는 것이 될 수 있다. Autoheal의 기회는 그 제약을 플랫폼 팀이 측정·감사·개선할 수 있는 인프라로 전환하는 데 있다.