Resolve AI har sikret 40 millioner dollar i serie A-utvidelse til en verdi på 1,5 milliarder dollar for å løse det hardeste problemet i programvare: Produksjon

Resolve AI har sikret en 40 millioner dollar serie A-utvidelse til en verdi på 1,5 milliarder dollar, ledet av DST Global og Salesforce Ventures. Finansieringen kommer i et øyeblikk hvor kunstig intelligens har dramatisk akselerert hvordan programvare bygges – men ikke hvordan den vedlikeholdes når den er deployet.

I tillegg til finansieringen, lanserte selskapet Resolve AI Labs, en dedikert forskningsinitiativ rettet mot å lukke det som blir ett av de mest kritiske gapene i AI-staken: evnen til å pålitelig operere programvare i produksjonsmiljøer.

Flaskehalsen ingen løste: Produksjon

AI har gjort det raskere å skrive kode enn noensinne. Verktøy drevet av store språkmodeller kan nå generere hele applikasjoner på minutter. Men når koden er deployet, blir virkeligheten mye mer kompleks.

Produksjonsmiljøer er fragmenterte systemer bestående av infrastruktur, telemetri, logger, avhengigheter og konstant endrede tjenester. Ingeniører må tolke signaler over alle disse for å diagnostisere feil, ofte under tidspress og med ufullstendig informasjon.

Dette er hvor Resolve AI fokuserer. Deres plattform kobler over kode, infrastruktur og telemetri for å undersøke hendelser, identifisere årsaker og iverksette handlinger – i realiteten fungerer det som en autonom produksjonsingeniør.

Utfordringen er ikke bare teknisk kompleksitet. Det er også skala. Etterhvert som AI akselerer kodegenerering, produserer organisasjoner mer programvare enn deres team kan realistisk håndtere. Resultatet er et økende gap mellom utviklingshastighet og operasjonell pålitelighet.

Hvorfor generelle AI-modeller ikke er tilstrekkelige

En sentral tese bak Resolve AI’s tilnærming er at generelle AI-modeller ikke er designet for produksjonsmiljøer.

Mens grunnmodellene forbedres raskt, er de ikke optimalisert for realitetene i operative systemer. Produksjon krever resonnering over støyende, ufullstendige og ofte motstridende datastrømmer. Det krever også høye nivåer av nøyaktighet, pålitelighet og kontroll, hvor feil kan føre til nedtider, finansielle tap eller sikkerhetsrisiko.

Resolve AI løser dette ved å bygge domenespesifikke modeller og agente systemer tilpasset produksjonsarbeidsflyter. Disse systemene kan tolke logger, analysere systemendringer, korrelere hendelser og iverksette flertrinns korreksjonsprosesser over verktøy – oppgaver som tradisjonelt krever erfarne ingeniører.

Inne i Resolve AI Labs

Det nylig lanserte Resolve AI Labs er designet for å fremme denne visjonen ved å bygge den grunnleggende teknologien som kreves for AI å operere produksjonssystemer fra ende til ende.

Laboratoriet vil bli ledet av Dhruv Mahajan, tidligere fra Meta, hvor han arbeidet med post-trening for Llama-modeller.

I stedet for å fokusere smalt på agenter, vil laboratoriet ta en fullstendig tilnærming til operativ AI. Dette inkluderer utvikling av:

• Domenespesifikke modeller trent på produksjonsdata
• Systemer som resonerer over logger, målinger, spor og infrastrukturhendelser
• Vurderingsrammer for å måle pålitelighet i virkelige arbeidsflyter
• Simuleringmiljøer for testing og forbedring av modeller
• Styringslag for å sikre trygg og kontrollert automatisering

Dette reflekterer en bredere skift i AI-utvikling: fra å fokusere på rå modellkapasitet til systemer som kan operere trygt i høyrisikomiljøer.

Fra assistanse til autonomi

Resolve AI er en del av en voksende kategori ofte referert til som “AI for produksjon” eller AI-drevet nettverksdrift (SRE). I motsetning til kodehjelpere, er disse systemene designet for å operere live-miljøer – triasjevarsel, diagnostisere feil og løse hendelser i sanntid.

Selskapets plattform muliggjør allerede at ingeniørteam kan undersøke hendelser betydelig raskere, med AI-systemer som kan analysere systematferd og identifisere årsaker over komplekse avhengigheter.

Over tid, er ambisjonen å gå fra assistanse til autonomi. I stedet for at ingeniører manuelt responderer på varsel, kan AI-systemer håndtere det meste av operasjonelt arbeid, med menneskelig tilsyn basert på risiko og kontekst.

Tidlig fremgang med bedriftskunder

Resolve AI’s raske finansieringstrajektori reflekterer sterk etterspørsel fra bedrifter etter denne funksjonaliteten. Selskapet har samlet inn over 190 millioner dollar på under to år og arbeider allerede med organisasjoner som Coinbase, DoorDash, Salesforce, MSCI og Zscaler.

Dette er miljøer hvor nedtid er kostbart og pålitelighet er kritisk. Selv små forbedringer i hendelsesrespons eller systemstabilitet kan oversettes til betydelig forretningsimpakt.

Oppkomsten av selskaper som Resolve AI signaliserer en bredere utvikling i AI-økosystemet.

Den første bølgen av generativ AI fokuserte på skapelse: skrive kode, generere innhold og akselerere arbeidsflyter. Den neste fasen handler om operasjon – å sikre at det som bygges, kan kjøre pålitelig i skala.

Dette skiftet introduserer nye tekniske utfordringer. Det krever systemer som kan resonnere over tid, håndtere usikkerhet, samhandle med multiple verktøy og operere innen strenge begrensninger. Det krever også nye vurderingsmetoder, ettersom tradisjonelle benchmark ikke fanger virkelige operasjonelle prestasjoner.

Hva dette betyr fremover

Ettersom AI fortsetter å akselerere programvareutvikling, vil produksjon stadig mer bli den begrensende faktoren. Evnen til å operere komplekse systemer pålitelig, kan definere den neste generasjonen av bedrifts-AI-plattformer.

Resolve AI’s siste finansiering og lanseringen av deres forskningslaboratorium antyder at dette problemet kommer til å bli fremtredende. Hvis vellykket, er selskapet ikke bare bygger en annen AI-verktøy – det hjelper med å gjendefinere hvordan programvaresystemer kjøres.

Langsiktige implikasjoner er en skift mot miljøer hvor AI-systemer og menneskelige ingeniører arbeider sammen, med maskiner som håndterer kompleksiteten i produksjon og mennesker som fokuserer på høyere nivå design, strategi og innovasjon.