Traversal haalt $120 miljoen op in Series B-ronde bij een waardering van $1 miljard om AI-SRE uit te breiden

Traversal maakte bekend dat het op 3 november 2026 in een Series B-ronde $120 miljoen heeft opgehaald bij een waardering van $1 miljard. Het bedrijf wil daarmee zijn werk aan zelfsturende productiesystemen versnellen en meer mensen aannemen voor functies op het gebied van onderzoek, engineering en commerciële activiteiten.

Kleiner Perkins, Redpoint Ventures en Khosla Ventures leidden de financieringsronde gezamenlijk, met deelname van Sequoia Capital, Battery Ventures en Amex Ventures. Eerdere investeerders Kleiner Perkins en Sequoia verhoogden hun investeringen. De totale financiering bedraagt nu $173 miljoen. Daarin zijn de $48 miljoen inbegrepen die Traversal aankondigde toen het in juni 2025 uit de stealthfase kwam, evenals een strategische investering van Amex Ventures in december 2025.

De buitenste kringloop van softwarebeheer ontwikkelen

Traversal begon met het analyseren van de hoofdoorzaken van incidenten, voortbouwend op het academisch onderzoek van de drie medeoprichters naar causaal machinaal leren en versterkend leren. Het uitgangspunt is dat een incident veel gelijktijdige signalen oplevert. Een aannemelijk verband kan daarom niet aantonen waarom een systeem is uitgevallen. Het Production World Model zet ruwe telemetriegegevens, code, de implementatiegeschiedenis en organisatorische kennis om in een voortdurend bijgewerkte, voor AI leesbare weergave van een productieomgeving. De Causal Search Engine is ontworpen om duizenden hypothesen parallel te toetsen, afhankelijkheden en tijdsverloop tussen systemen te volgen en uit te komen bij oorzaken die door bewijs worden ondersteund.

Traversal introduceerde deze twee systemen officieel in maart 2026, na bijna twee jaar onderzoek en engineering. Werknemers functioneren nu als proactieve, langdurig actieve agents die context verzamelen, onderzoek doen en helpen bij het verhelpen van problemen wanneer zich incidenten of waarschuwingen voordoen. Traversal MCP stelt codeeragents in staat die productie-informatie te gebruiken en verbindt operationeel bewijsmateriaal met ontwikkelwerk dat erop gericht is incidenten te voorkomen.

Het langetermijndoel is software die problemen detecteert, de oorzaken ervan begrijpt, corrigerende maatregelen neemt, controleert of die maatregelen werken en herhaling voorkomt. Volgens die routekaart is de financieringsronde zowel een uitbreiding van een bestaand onderzoeksproduct als een investering in autonomer beheer.

Gerapporteerde groei buiten de analyse van hoofdoorzaken

Traversal meldt dat het aantal maandelijkse onderzoeken in 2026 met meer dan een factor 100 is toegenomen: van 513 tot bijna 73.000. Ongeveer twee derde van het productgebruik betreft inmiddels meer dan alleen de analyse van hoofdoorzaken, en omvat ook het beoordelen en afhandelen van waarschuwingen, risico’s bij releases, CMDB-validatie, beveiliging, de status van klanttrajecten en vragen over productieondersteuning. Deze verdeling wijst erop dat het product naast diagnoses na incidenten ook breder wordt ingezet bij doorlopende operationele besluitvorming.

In een bijbehorend bericht over de financieringsronde meldt Traversal dat de jaarlijks terugkerende omzet sinds het begin van het jaar is vernegenvoudigd, dat het bedrijf in het meest recente kwartaal meer dan 150.000 klantonderzoeken uitvoerde en dat het meer dan 4.000 engineers ondersteunt. Nubank, Harvey, DigitalOcean en PepsiCo behoren tot de bedrijven die het platform in hun bedrijfsomgevingen gebruiken. Nubank-CEO David Vélez zei dat de implementatie bij zijn bedrijf pas vijf weken liep en stapsgewijs werd uitgebreid naarmate de resultaten standhielden. Dat is een belangrijke kanttekening bij de adoptiecijfers, omdat de implementatie nog in een vroeg stadium verkeert.

Bewijs uit benchmarks en de beperkingen ervan

De technische complexiteit wordt afzonderlijk beschreven in ORCA-bench, een artikel van onderzoekers die verbonden zijn aan Cornell Tech, Traversal en Columbia University. De benchmark omvat 1.079 taken voor het analyseren van hoofdoorzaken, gebaseerd op zes dagen aan gegevens en meer dan 50 GB aan meetgegevens, logboeken en traces van een met OpenTelemetry geïnstrumenteerd systeem met 19 microservices. Agents gebruikten echte observability-interfaces en broncode. De taken verschilden in de mate van detail in de meldingen, de detectievertraging en de aanwezigheid van gelijktijdig optredende storingen.

Bij vijf geteste agents voor algemene doeleinden rapporteert het artikel een maximale nauwkeurigheid van 25,3% voor de analyse van hoofdoorzaken bij taken van gemiddelde moeilijkheidsgraad en 10,0% bij moeilijke taken. Afhankelijk van het model bevatte 7% tot 40% van de incidentrapporten verzonnen, onaannemelijke hoofdoorzaken. Toen de toegang tot broncode werd ingetrokken, nam bij elk model de nauwkeurigheid af en het aantal hallucinaties toe. Dit bevestigt dat vaardigheid in het schrijven van vloeiende code niet automatisch leidt tot betrouwbare diagnoses tijdens storingsdiensten.

Deze scores meten niet hoe Traversal zelf in productie presteert. De auteurs benadrukken dat het bewijs afkomstig is uit een gecontroleerde openbare testomgeving die zes dagen beslaat, waarbij elke taak afzonderlijk werd uitgevoerd. Of de resultaten ook gelden voor grotere, veranderende, bedrijfseigen omgevingen is niet getest. De benchmark brengt dus de onderzoekskloof in kaart die nog moet worden overbrugd voor autonoom werk tijdens storingsdiensten; hij bevestigt niet dat de routekaart van het bedrijf voor zelfsturende productie haalbaar is.

De gerapporteerde adoptie van Traversal en de benchmarkresultaten belichten verschillende fasen van dezelfde ambitie. Het huidige bedrijf is gericht op onderzoeken en bredere vragen over productie. De openstaande test voor zelfsturende productie is of het causale systeem corrigerende maatregelen kan nemen, de uitkomst kan controleren en herhaling kan voorkomen in de complexe omgevingen van klanten.