Kosmos henter inn 5 millioner dollar for å hjelpe bedrifter å eliminere de skjulte kostnadene ved IT-undersøkelser

Chicago-basert startup Kosmos har hentet inn 5 millioner dollar i seed-finansiering ledet av Norwest når de lanserer en AI-nativ operasjonell intelligensplattform designet for å løse en av de mest vedvarende og dyre utfordringene i bedriftens IT: tiden som brukes på å undersøke hendelser.

Mens organisasjoner har investert tungt i overvåkning, monitorering og IT-tjenestehåndtering-verktøy, bruker støtte- og ingeniørteamene likevel mange timer på å manuelt spore årsaken til nedtider og kunde-påvirkende problemer over fragmenterte systemer. Kosmos har som mål å redusere det de kaller “undersøkelseskostnader” – den operative byrden som oppstår når ingeniører, støtteledere og hendelsesrespons-teamene må manuelt koble informasjon som er spredt over billettsystemer, kildekoderepositorier, kundestøttesystemer og overvåkingsverktøy.

Det voksende problemet med undersøkelseskostnader

I løpet av det siste tiåret har bedrifter adoptert en voksende samling verktøy for å overvåke infrastruktur og håndtere programvareoperasjoner. Plattformer som Jira, ServiceNow, GitHub, Salesforce, Datadog, Grafana og Splunk gir alle verdifulle innsikt i ulike deler av teknologistaben. Men når hendelser skjer, forblir kritisk kontekst ofte isolert over disse systemene.

Som moderne programvarearkitekturer blir stadig mer distribuerte, har utfordringen med å korrelere informasjon over flere plattformer intensivert. Teamene kan ha all nødvendig data tilgjengelig, men å finne og koble den raskt er fortsatt vanskelig. Resultatet er lengre løsningstider, gjentakende hendelser og at ingeniørresursene blir avledet bort fra produktutvikling og innovasjon.

For mange organisasjoner blir de mest erfarne ingeniørene standard-etterforskerne hver gang en større kunde-problem oppstår. Disse ingeniørene blir ofte trukket bort fra strategisk arbeid for å rekonstruere tidsplaner, gjennomgå kodeendringer, analysere støttebilletter og bestemme hva som faktisk forårsaket en hendelse. De skjulte kostnadene ved disse undersøkelsene strekker seg langt utenfor selv nedtiden.

En AI-nativ tilnærming til operasjonell intelligens

Kosmos stiller seg som et lag som sitter over eksisterende bedriftssystemer i stedet for å erstatte dem. Plattformen kobler data fra GitHub, Jira, Salesforce, ServiceNow, Datadog, Grafana, Splunk og andre operative verktøy for å skape en samlet visning av hendelser og kunde-escaleringer.

Ifølge selskapet kobler deres plattform automatisk kunde-saker, kodeendringer, tjeneste-hendelser og infrastruktur-signal til å overflate sannsynlige årsaker. I stedet for å bare stole på autonome AI-beslutninger, anvender Kosmos en menneske-i-løkken-tilnærming hvor maskin-genererte korrelasjoner gjennomgås og valideres av brukerne før de blir en del av plattformens kunnskapsbase.

Dette skaper en kontinuerlig tilbakemeldings-løkke som forbedrer systemets evne til å identifisere mønster over tid samtidig som det opprettholder transparens og tillit. I stedet for å generere flere varsler, er målet å gi teamene konteksten de trenger for å forstå hvorfor problemer oppstod fra første sted.

Bygget fra førstehånds-erfaring

Gründer og CEO Sanjay Gidwani bygde selskapet rundt et problem han møtte gjentakende i løpet av mer enn to tiår med arbeid i bedrifts-leveringsoperasjoner og innen Salesforce-økosystemet.

Gjennom sin karriere observerte Gidwani det samme mønsteret: når et større kunde-problem oppstod, mobiliserte organisasjonene sine mest erfarne tekniske personer for å undersøke. Likevel tilbrakte disse ekspertene ofte dager med å samle informasjon fra frakoblete systemer før de kom frem til en årsak.

Denne erfaringen formede Kosmos’ grunnleggende tes: en av de største operative ineffektivitetene i bedrifts-IT skjer før reparation overhodet begynner. Hvis organisasjoner kan identifisere årsaken til et problem raskere, kan de løse hendelser raskere og redusere sannsynligheten for at lignende problemer oppstår igjen.

Seende fremover

Lanseringen av Kosmos reflekterer en bredere skift som skjer over bedriftsteknologi. Mens organisasjoner adopterer stadig mer komplekse sky-miljøer, mikrotjeneste-arkitekturer og AI-drevne applikasjoner, vokser operasjonell data fortsatt mens den forblir spredt over dusinvis av plattformer.

Neste generasjon operasjonell intelligens-verktøy har som mål å broforbinde disse gapene ved å automatisk koble signaler, identifisere mønster og bevare institusjonell kunnskap som ellers ville bli låst inne i enkeltteam. Foruten raskere hendelses-løsning, kunne disse systemene også hjelpe organisasjoner med å redusere ingeniør-arbeid, forebygge gjentakende problemer og la teknisk talent fokusere mer tid på å bygge produkter i stedet for å undersøke feil.

Som bedriftsmiljøer blir mer komplekse, kan evnen til å transformere fragmentert operasjonell data til handling-rettferdig intelligens bli like viktig som å overvåke systemene selv. Kosmos satser på at reduksjon av undersøkelseskostnader vil bli en kritisk del av denne fremtiden.