Traversal, 기업가치 10억 달러로 평가받아 1억 2천만 달러 규모 시리즈 B 투자 유치… AI SRE 확장 나서

Traversal이 발표한 이번 1억 2천만 달러 규모 시리즈 B 투자 라운드는 2026년 11월 3일 기업가치 10억 달러를 인정받아 진행됐다. 이번 투자로 자율 운영 프로덕션 시스템 개발을 가속화하고 연구, 엔지니어링, 시장 진출 부문 전반에서 채용을 확대할 계획이다.

Kleiner Perkins, Redpoint Ventures, Khosla Ventures가 공동으로 이번 투자 라운드를 주도했으며 Sequoia Capital, Battery Ventures, Amex Ventures도 참여했다. 기존 투자자인 Kleiner Perkins와 Sequoia는 투자 규모를 늘렸다. 2025년 6월 비공개 개발 단계에서 벗어나며 Traversal이 발표한 4,800만 달러와 2025년 12월 Amex Ventures의 전략적 투자를 거쳐, 누적 투자금은 현재 1억 7,300만 달러에 이른다.

소프트웨어 운영의 아우터 루프 구축

Traversal은 인시던트 근본 원인 분석에서 출발했으며, 세 공동 창업자의 인과 머신러닝 및 강화 학습 관련 학술 연구를 바탕으로 삼았다. 핵심 전제는 인시던트가 여러 신호를 동시에 발생시키므로, 그럴듯한 상관관계만으로는 시스템이 실패한 이유를 밝혀낼 수 없다는 것이다. Production World Model은 원시 텔레메트리, 코드, 배포 이력, 조직의 지식을 프로덕션 환경을 나타내는 AI 판독 가능 표현으로 변환하고 이를 지속적으로 업데이트한다. Causal Search Engine은 수천 개의 가설을 병렬로 검증하고, 시스템 전반의 종속성과 발생 시점을 추적하며, 증거로 뒷받침되는 원인으로 수렴하도록 설계됐다.

Traversal은 거의 2년에 걸친 연구와 엔지니어링을 거쳐 2026년 3월 이 두 시스템을 공식 공개했다. 이제 작업 에이전트는 선제적으로 장시간 작동하며, 인시던트나 알림이 발생하면 관련 맥락을 수집하고 조사하며 문제 해결을 지원한다. Traversal MCP를 통해 이러한 프로덕션 인텔리전스를 코딩 에이전트가 활용할 수 있어, 운영 증거를 인시던트 예방을 위한 개발 작업과 연결한다.

장기적인 목표는 문제를 감지하고 원인을 파악하며, 시정 조치를 취하고 그 조치가 효과가 있었는지 확인한 뒤 문제가 재발하지 않도록 하는 소프트웨어다. 이러한 로드맵에 비춰볼 때 이번 투자 라운드는 기존 조사 제품의 확장인 동시에, 더욱 자율적인 운영에 대한 투자이기도 하다.

근본 원인 분석을 넘어선 성장세

Traversal에 따르면 2026년 월간 조사 건수는 513건에서 약 7만 3,000건으로 100배 넘게 증가했다. 현재 제품 사용량의 약 3분의 2는 근본 원인 분석을 넘어 알림 분류, 릴리스 위험 평가, CMDB 검증, 보안, 고객 여정 상태 확인, 프로덕션 지원 관련 질문으로 확장됐다. 이러한 사용 양상은 인시던트 발생 후 진단뿐 아니라 지속적인 운영 의사결정에도 제품이 폭넓게 활용되고 있음을 보여준다.

함께 공개한 투자 유치 발표 자료에서 Traversal은 연초 이후 연간 반복 매출이 9배 성장했고, 가장 최근 분기에 고객 인시던트 조사를 15만 건 넘게 수행했으며, 4,000명이 넘는 엔지니어를 지원한다고 밝혔다. Nubank, Harvey, DigitalOcean, PepsiCo 등이 이 플랫폼을 사용하는 기업 환경에 포함된다. Nubank의 CEO David Vélez는 자사에 도입한 지 아직 5주밖에 되지 않았으며, 성과가 유지되는 가운데 단계적으로 확대하고 있다고 설명했다. 이는 도입 현황을 나타내는 수치가 아직 초기 단계임을 보여주는 단서다.

벤치마크가 보여주는 근거와 한계

기술적 난도는 Cornell Tech, Traversal, Columbia University 소속 연구자들이 작성한 논문 ORCA-bench에 별도로 기록돼 있다. 이 논문에는 OpenTelemetry 계측이 적용된 마이크로서비스 19개 시스템에서 6일간 수집한 50GB 이상의 메트릭, 로그, 트레이스를 바탕으로 구축한 근본 원인 분석 과제 1,079개가 담겼다. 에이전트는 실제 관측 가능성 인터페이스와 소스 코드를 사용했으며, 과제마다 보고서의 구체성, 감지 지연 시간, 동시에 발생하는 장애가 달랐다.

평가 대상인 범용 에이전트 5개 중 가장 높은 근본 원인 분석 정확도는 중간 난도 과제에서 25.3%, 고난도 과제에서 10.0%였다고 논문은 보고했다. 모델에 따라 인시던트 보고서의 7~40%에는 개연성이 낮은 근본 원인을 환각해 제시한 내용이 나타났다. 모든 모델에서 소스 코드 접근을 차단하자 정확도가 낮아지고 환각이 늘었다. 이는 코드를 유창하게 다루는 능력이 신뢰할 수 있는 온콜 진단 능력으로 곧바로 이어지지는 않는다는 점을 뒷받침한다.

이 점수는 프로덕션 환경에서 Traversal이 거둔 성과를 측정한 것이 아니다. 저자들은 근거가 6일 동안 진행된 통제된 공개 테스트베드에서 나왔으며, 각 과제를 별도로 처리했다고 주의를 당부한다. 이러한 결과가 규모가 더 크고 계속 변화하는 독점 환경에서도 재현되는지는 아직 검증되지 않았다. 따라서 이 벤치마크는 자율 온콜 업무가 직면한 연구 과제를 규정할 뿐, 자율 프로덕션 운영을 향한 회사의 로드맵을 검증하지는 않는다.

Traversal이 보고한 도입 성과와 벤치마크 결과는 하나의 목표를 향한 서로 다른 단계를 보여준다. 현재 사업은 조사와 폭넓은 프로덕션 관련 질문을 중심으로 구축돼 있다. 자율 프로덕션 운영이 실현 가능한지를 가늠할 미해결 과제는 복잡한 고객 환경 전반에서 인과 시스템이 시정 조치를 취하고, 결과를 확인하며, 문제가 재발하지 않도록 할 수 있느냐는 점이다.