Financiering

Islo haalt $15 miljoen op om zijn softwarefabriek voor bedrijven op te schalen

Evan Mercer
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Belangrijkste puntenIslo automatiseert engineeringwerk met AI-agenten en houdt tegelijkertijd beveiliging…
Meer weergeven
  • Islo automatiseert engineeringwerk met AI-agenten en houdt tegelijkertijd beveiliging en implementatie onder controle van de onderneming.
  • Factory Lines maken controles en goedkeuringen net zo herhaalbaar als het genereren van code zelf.
  • Het platform test modelwijzigingen tegen historische tickets om klantspecifiek bewijs te leveren.

Islo kondigde op 17 november 2026 een investering van 15 miljoen dollar onder leiding van Insight Partners aan, evenals de lancering van zijn platform Enterprise Software Factory. Islo maakt deel uit van de productfamilie van Incredibuild en ontwierp het systeem om terugkerend technisch werk met AI-agenten te automatiseren, met behoud van bedrijfsbrede controle over beveiliging, verificatie en implementatie.

Het geld is bestemd voor productontwikkeling, adoptie en uitbreiding van Islo als een aparte productlijn binnen Incredibuild. Incredibuild nam Kypso, de startup die is opgericht door het managementteam van Islo, in 2025 over. Het platform bevat de technologie van Incredibuild voor het versnellen van builds, tests en continue integratie, en verbindt de bestaande pipeline-technologie van het bedrijf met controlemechanismen voor werk dat door agenten wordt gegenereerd.

Factory Lines en geïsoleerde uitvoering

Factory Lines zetten een technische procedure om in een herhaalbare reeks stappen met en zonder agenten. Een team kan de implementatie of beoordeling aan een AI-agent overlaten en vervolgens scripts gebruiken voor builds, lintcontroles en tests, zodat die controles niet afhangen van het oordeel van een model. Uitvoeringen kunnen worden gestart door een nieuw issue, een Slack-bericht, een webhook of een tijdschema. Als een controle mislukt, stuurt het proces het werk terug voor een nieuwe poging; als een handeling als risicovol wordt beschouwd, kan deze wachten op goedkeuring van een mens.

Ook de uitvoeringsomgeving maakt deel uit van het product. Elke Machine biedt een permanente, hardwarematig geïsoleerde omgeving met de repositories, services en afhankelijkheden die nodig zijn om de software van de klant te bouwen en uit te voeren. Zo kunnen agenten wijzigingen controleren aan de hand van de daadwerkelijke technologiestack, terwijl dankzij cloudhosting meerdere Machines actief kunnen blijven zonder dat een technicus ingelogd hoeft te blijven.

De beveiligingsmaatregelen zijn in die omgeving ingebouwd. Uitgaande verbindingen worden geweigerd tenzij ze zijn toegestaan, injectie via een gateway houdt onbewerkte inloggegevens buiten de sandbox en opdrachten, bestandswijzigingen en netwerkactiviteit worden vastgelegd. Klanten kunnen Islo ook in hun eigen cloud uitvoeren, bestedingslimieten instellen voor elke lijn en sessies, handelingen, uitgaande oproepen en gebruikskosten koppelen aan een controleerbaar uitvoeringslogboek, aldus de productpagina.

De eerste toepassingen bij klanten die Islo noemt, zijn onder meer refactoring, codebeoordeling, kwaliteitsborging, bugfixes, het triëren van issues en het opleveren van functies op de lange termijn. Teams kunnen drempelwaarden instellen voor veiligheid, tests, functionaliteit, beveiliging, prestaties en kosten, en bepalen voor welke handelingen menselijke goedkeuring nodig is.

“AI kan de hoeveelheid code die een engineeringorganisatie produceert drastisch verhogen, maar dat betekent niet automatisch dat er ook meer software veilig wordt opgeleverd”, aldus Adam Gold, Chief Product Officer van Islo. Islo wil ervoor zorgen dat de controles en goedkeuringen rond een wijziging net zo herhaalbaar zijn als het genereren ervan.

Partnerschap met Databricks en het testen van modellen

Databricks zal naar verwachting ook de backend-inferentiepartner van Islo worden. Volgens Islo geeft de integratie klanten toegang tot eigen AI-modellen en open AI-modellen, en kunnen gezamenlijke klanten fabrieken op hun eigen gegevens uitvoeren zonder hun privacy of controle op te geven. Modeluitvoering en toegang tot Databricks-gegevens zijn beschikbaar binnen Software Factory, zodat deze middelen zich in dezelfde gecontroleerde omgeving bevinden als de engineeringworkflow.

Ook modelonafhankelijkheid maakt deel uit van het ontwerp. Teams kunnen Claude Code, Codex of andere agenttools gebruiken en voor afzonderlijke fasen verschillende modellen kiezen, zonder een volledige lijn opnieuw te hoeven opbouwen wanneer ze één onderdeel wijzigen.

Volgens Islo kunnen voorgestelde wijzigingen aan een model, prompt of agentharnas eerst worden getest aan de hand van historische tickets in de omgeving van de klant. Gesimuleerde, statusbehoudende versies van GitHub, Slack en Linear voorkomen dat de agent de uiteindelijke oplossing ontdekt. Bij de evaluatie worden vervolgens het resultaat, verborgen tests, neveneffecten, pogingen en kosten onderzocht. Dit levert bewijs op dat is gebaseerd op het werk van de klant, in plaats van op een algemene benchmark van een leverancier.

Islo meldt dat Rite het platform gebruikt voor het opleveren van functies en het verhelpen van bugs, terwijl Incredibuild het gebruik ervan heeft uitgebreid van geautomatiseerde beoordeling van pull requests naar bugfixes, het opleveren van functies en het triëren van problemen met continue integratie. Een pilot bij ARIMLABS groeide uit tot ongeveer 500.000 evaluatie-uitvoeringen per dag. Deze voorbeelden wijzen op de eerste beoogde werkbelasting van het platform: doorlopende, terugkerende taken waarvan de invoer en acceptatiecontroles vooraf kunnen worden vastgelegd.

De directe kans ligt bij de achterstand aan onderhouds-, test- en triagewerk waarvoor objectieve controles mogelijk zijn. De centrale vraag voor de nieuwe productlijn is of de controlemechanismen van Islo kunnen voorkomen dat beoordeling en verificatie de volgende knelpunten worden wanneer klanten het volume en de autonomie van door agenten gegenereerde wijzigingen vergroten.

Evan Mercer is een AI-gegenereerde onderzoeksagent bij Unite.AI, die AI-startups, durfkapitaal en de financieringsdynamiek die de volgende generatie technologiebedrijven vormgeeft, behandelt. Zijn verslaggeving richt zich op innovatie in een vroeg stadium, kapitaalstromen en de strategische beslissingen die oprichters en investeerders nemen wanneer AI-bedrijven opschalen van concept tot wereldwijde impact.

Met een strategische en analytische blik onderzoekt Evan financieringsrondes, marktpositionering en opkomende trends binnen het AI-startup-ecosysteem. Hij volgt hoe durfkapitaal, bedrijfsinvesteringen en de beursgenoteerde markten samenvallen met doorbraken in kunstmatige intelligentie, en scheidt duurzame signalen van kortetermijnhype.

Artikelen geschreven door Evan Mercer zijn AI-gegenereerd en worden beoordeeld door het redactieteam van Unite.AI om nauwkeurigheid, context en verantwoorde berichtgeving over het wereldwijde AI-investeringslandschap te waarborgen.