Kosmos Haalt $5 Miljoen Op Om Bedrijven Te Helpen De Verborgen Kosten Van IT-incidentonderzoeken Te Elimineren

De in Chicago gevestigde startup Kosmos heeft $5 miljoen aan seedfinanciering ontvangen onder leiding van Norwest bij de lancering van een AI-natieve operationele intelligentieplatform dat is ontworpen om een van de meest hardnekkige en dure uitdagingen in enterprise IT aan te pakken: de tijd die besteed wordt aan het onderzoeken van incidenten.

Terwijl organisaties zwaar hebben geïnvesteerd in observabiliteit, monitoring en IT-servicebeheertools, besteden ondersteunings- en engineersteams nog steeds ontelbare uren aan het handmatig traceren van de oorzaak van uitval en problemen die klanten treffen in gefragmenteerde systemen. Kosmos heeft als doel om wat het “onderzoeks kosten” noemt te verminderen – de operationele last die ontstaat wanneer engineers, ondersteuningsleiders en incidentresponssteams gedwongen worden om handmatig informatie te verbinden die verspreid is over ticketsystemen, broncode-repositories, klantondersteuningsplatforms en observabiliteitstools.

Het Groeiende Probleem Van Onderzoeks Kosten

In de afgelopen decennium hebben bedrijven een groeiende verzameling tools aangenomen om infrastructuur te monitoren en software-operaties te beheren. Platforms zoals Jira, ServiceNow , GitHub, Salesforce (CRM ), Datadog (DDOG ), Grafana en Splunk bieden allemaal waardevolle inzichten in verschillende delen van de technologie-stack. Echter, wanneer incidenten optreden, blijft kritieke context vaak geïsoleerd in deze systemen.

Naarmate moderne software-architecturen steeds meer gedistribueerd worden, is de uitdaging om informatie over meerdere platforms te correleren toegenomen. Teams kunnen alle benodigde gegevens hebben, maar het vinden en verbinden ervan blijft moeilijk. Het resultaat is langere resolutietijden, terugkerende incidenten en engineerbronnen die worden afgeleid van productontwikkeling en innovatie.

Voor veel organisaties worden de meest ervaren engineers het standaard onderzoeksteam wanneer een groot klantprobleem ontstaat. Deze engineers worden vaak weggehaald bij strategisch werk om tijdslijnen te reconstrueren, codeveranderingen te bekijken, ondersteunings tickets te analyseren en te bepalen wat een incident daadwerkelijk heeft veroorzaakt. De verborgen kosten van deze onderzoeken gaan verder dan de downtime zelf.

Een AI-Natieve Benadering Van Operationele Intelligentie

Kosmos positioneert zichzelf als een laag die over bestaande enterprise-systemen heen zit, in plaats van ze te vervangen. Het platform verbindt gegevens van GitHub, Jira, Salesforce, ServiceNow, Datadog, Grafana, Splunk en andere operationele tools om een uniform beeld te creëren van incidenten en klantescalaties.

Volgens het bedrijf correleert zijn platform automatisch klantcases, codeveranderingen, service-incidenten en infrastructuursignalen om waarschijnlijke oorzaken naar boven te brengen. In plaats van te vertrouwen op autonome AI-beslissingen, gebruikt Kosmos een human-in-the-loop-benadering waarbij machine-gegenereerde correlaties worden beoordeeld en gevalideerd door gebruikers voordat ze deel worden van de kennisbasis van het platform.

Dit creëert een continue feedbacklus die de capaciteit van het systeem verbetert om patronen over tijd te identificeren, terwijl transparantie en vertrouwen worden behouden. In plaats van meer alerts te genereren, is het doel om teams te voorzien van de context die nodig is om te begrijpen waarom problemen in de eerste plaats zijn ontstaan.

Opgebouwd Uit Eerste Hand Ervaring

De oprichter en CEO Sanjay Gidwani heeft het bedrijf opgebouwd rondom een probleem dat hij herhaaldelijk tegenkwam tijdens zijn meer dan twee decennia lange carrière in enterprise-leveringsoperaties en binnen het Salesforce-ecosysteem.

Tijdens zijn carrière heeft Gidwani hetzelfde patroon waargenomen: wanneer een groot klantprobleem ontstaat, mobiliseren organisaties hun meest ervaren technische personeel om het onderzoek te doen. Echter, deze experts spenderen vaak dagen aan het verzamelen van informatie uit niet-verbonden systemen voordat ze de oorzaak hebben gevonden.

Deze ervaring heeft de kernthese van Kosmos gevormd: een van de grootste operationele inefficiënties in enterprise IT treedt op voordat herstel zelfs maar begint. Als organisaties de oorzaak van een probleem sneller kunnen identificeren, kunnen ze incidenten sneller oplossen en de kans op soortgelijke problemen verminderen.

Kijkend Naar De Toekomst

De lancering van Kosmos weerspiegelt een bredere verschuiving die plaatsvindt in enterprise-technologie. Terwijl organisaties steeds complexere cloud-omgevingen, microservices-architecturen en AI-gepowered applicaties aannemen, blijft operationele data groeien en verspreid over tientallen platforms.

De volgende generatie operationele intelligentie-tools heeft als doel om deze kloven te overbruggen door signalen automatisch te verbinden, patronen te identificeren en institutionele kennis te behouden die anders zou blijven opgesloten in individuele teams. Buiten snellere incidentoplossing kunnen deze systemen organisaties helpen om engineerstijd te verminderen, terugkerende problemen te voorkomen en technisch talent te laten focussen op het bouwen van producten in plaats van onderzoeken van fouten.

Naarmate enterprise-omgevingen complexer worden, kan de capaciteit om gefragmenteerde operationele data om te zetten in actiegerichte intelligentie net zo belangrijk worden als het monitoren van de systemen zelf. Kosmos wedt dat het verminderen van onderzoeks kosten een kritisch onderdeel van die toekomst zal zijn.