Autoheal får $7.9M i seed‑runde for sin selvforbedrende programvarefabrikk

Autoheal har hentet $7.9 million i seed‑finansiering for å utvide en plattform som er designet for å håndtere arbeidet som følger AI‑assistert koding: undersøke hendelser, utbedre sårbarheter, kontrollere modellkostnader og holde programvareagenter i samsvar med en bedrifts systemer og retningslinjer.

Innovation Endeavors ledet runden, med deltakelse fra Emergent Ventures, U&I Ventures, Darkmode Ventures, Batch Ventures og Param Hansa Values. Harpinder Singh fra Innovation Endeavors blir med i Autoheals styre.

Finansieringen kommer mens selskaper lærer at raskere kodegenerering ikke automatisk gir raskere eller sikrere programvareleveranse. Mer kode kan bety flere varsler, gjennomganger, sårbarheter og forbruk på sky‑modeller. Autoheal fokuserer på dette mindre synlige laget av AI‑kodingsboomen.

Et operasjonelt problem skapt av raskere koding

AI coding assistants har redusert innsatsen som kreves for å produsere kode, men mange etterfølgende ingeniøroppgaver forblir arbeidsintensive. Produksjonshendelser krever fortsatt etterforskning, sikkerhetsfunn krever fortsatt utbedring, og plattformteam må fortsatt forstå hvorfor en automatisert handling lyktes eller mislyktes.

Autoheal hevder at disse oppgavene bør behandles som en del av en koordinert programvarefabrikk snarere enn å overleveres til en samling av frakoblede agenter. Plattformen deres kobler kodingverktøy til lagringssteder, CI/CD‑systemer, observasjonsplattformer, sky‑miljøer og feilsporere. Målet er å gi spesialiserte agenter en felles oversikt over ingeniørmiljøet samtidig som de holdes innenfor kundens sky‑ og sikkerhetskontroller.

Den arkitekturen er viktig i regulerte eller teknisk komplekse organisasjoner, hvor en agent kan trenge produksjonskontekst men ikke kan få ubegrenset tilgang. Den adresserer også et praktisk styringsproblem: etter hvert som team ruller ut flere agenter, trenger de en konsistent måte å evaluere oppførsel, spore endringer og kontrollere kostnader på.

Hvordan Autoheals kontinuerlige helingssløyfe fungerer

I sentrum av Autoheals tilnærming er to tilsynsagenter. En Evaluator vurderer resultatet fra arbeideragenter ved hjelp av signaler som kodegjennomgangskommentarer, feil i kontinuerlig integrasjon og hendelser knyttet til en endring. En Healer foreslår deretter forbedringer for dårlig presterende agenter ved å endre deres prompt, ferdigheter, verktøy eller modellvalg.

Selskapet sier at de foreslåtte endringene testes mot historiske referanseverdier før gjennomgang. Agentatferd er versjonskontrollert i Git, og ingeniører beholder godkjenningsmyndighet. I praksis gjør dette systemet mindre lik en autonom kodebot og mer som et driftslag for overvåking og forbedring av en gruppe oppgavespesifikke agenter.

Skillet er viktig. Å bygge en overbevisende agentdemo er relativt enkelt; å opprettholde pålitelig ytelse etter hvert som kodebaser, infrastruktur og organisatoriske regler endres er vanskeligere. Autoheal satser på at kontinuerlig evaluering og kontrollert revisjon vil bli et standardkrav for bedriftsagent‑utrullinger.

Tidlige utrullinger fokuserer på hendelsesrespons

Autoheal sier at de allerede er i drift i bedriftsmiljøer, inkludert Nomura Bank og AvidXchange. Ifølge tall levert av selskapet reduserte Nomura gjennomsnittlig tid til løsning fra to timer til 15 minutter i en utrulling. AvidXchange rapporterer at systemet har forkortet rotårsaksanalyse til minutter og frigjort ingeniørkapasitet til produktarbeid.

Disse resultatene er påstander fra selskapet og kundene snarere enn uavhengige referanser, men de peker på det innledende bruksområdet Autoheal mener er mest presserende: hendelsesrespons. Feilsøking krever ofte innsamling av bevis fra logger, overvåkingssystemer, tickets, kodeendringer og skytjenester. En agent med tilgang til denne konteksten kan kunne sette sammen en nyttig diagnose raskere enn en ingeniør som manuelt beveger seg mellom systemene.

Ifølge kunngjøringen bruker også Empiric Earth plattformen til feilsøking og optimalisering av programvarekostnader. Sammen antyder utrullingene at Autoheal starter med arbeidsflyter der kostnaden ved fragmentert informasjon er lett å se, og hvor forbedring kan måles i tid som returneres til ingeniører.

Hva seed‑runden er ment å finansiere

Autoheal ble grunnlagt av Utkarsh Ohm, Sid Choudhury og Puneet Saraswat, med erfaring fra Harness, Microsoft Azure, ThoughtSpot og AppDynamics. Teamet sier at den nye kapitalen vil støtte utviklingen av forsterkningslæringssystemer og private, bedrifts‑spesifikke modeller trent på ingeniørdata som forblir innenfor kundens grenser.

Den langsiktige planen strekker seg utover programvareutvikling til data‑ og sikkerhetsoperasjoner. Denne utvidelsen vil avhenge av om plattformen kan generalisere sin evaluerings‑og‑reparasjonsmodell på tvers av arbeidsflyter med ulike risikoprofiler og suksesskriterier.

Foreløpig fremhever kapitalinnhentingen et skifte i bedrifts‑AI‑markedet. Den neste begrensningen kan være å styre den voksende befolkningen av agenter, snarere enn å generere mer kode, og absorbere det operative arbeidet de skaper. Autoheals mulighet hviler på å omgjøre den begrensningen til infrastruktur som plattformteam kan måle, revidere og forbedre.