Striveworks sikrer serie B-investering for å skalle AI-operasjoner for forsvar og allierte regjeringer

Striveworks har sikret en serie B-investering ledet av Washington Harbour Partners, og markerer et betydelig skritt i selskapets forsøk på å utvide sine operasjonelle AI-tjenester i forsvars- og nasjonale sikkerhetsmiljøer. Investeringen vil bli brukt til å accelerere produktutvikling, vokse ingeniør- og FoU-team, og støtte en bredere utrulling av teknologien over hele den amerikanske regjeringen og allierte nasjoner.

Økningen skjer på et tidspunkt når regjeringer stadig prioriterer en rask integrering av kunstig intelligens i kritiske systemer, særlig når geopolitisk konkurranse intensiveres og operasjonelle tidsfrister komprimeres.

Skiftet mot operasjonell AI i nasjonal sikkerhet

Å deployere AI i forsvarssettinger er ikke bare en matter av å bygge modeller – det krever systemer som kan fungere pålitelig i dynamiske, høyrisikomiljøer. Regjeringer står overfor en dobbelt utfordring: å flytte raskt nok for å opprettholde en operativ fordelt, samtidig som de sikrer at systemene forblir auditable, pålitelige og i samsvar med strenge sikkerhetskrav.

Striveworks har posisjonert seg på dette snittflaten, med fokus på operasjonell AI – evnen til å deployere, overvåke og kontinuerlig tilpasse maskinlæringsystemer i sanntidsforhold i stedet for kontrollerte miljøer.

Dette markedet blir forsterket på politisk nivå, der rask AI-integrasjon stadig mer sees på som essensiell for å opprettholde en strategisk fordel i forsvar og etterretning.

En plattform bygget for sanntids-utvikling

I sentrum av Striveworks’ tilbud ligger deres Chariot-plattform, et AI-operasjoner (AIOps)-system designet for å flytte modeller fra utvikling til produksjon raskt, samtidig som det opprettholder oversikt og ytelse.

Plattformen muliggjør at organisasjoner kan bygge, deployere og vedlikeholde AI-modeller på noen timer i stedet for måneder, og støtter arbeidsflyter som omfatter skyinfrastruktur, edge-miljøer og frakoblete eller båndbreddsbegrensede innstillinger. Dette er særlig relevant i forsvarsammenheng, der AI-systemer må fungere over fragmenterte datasårer som sensorstrømmer, satellittbilder og sanntidsintelligensinnganger.

Chariot legger også vekt på styring og sporing, og lar organisasjoner forstå hvordan modeller er trent, hvordan data flyter gjennom systemene, og hvordan utgangene genereres – kapasiteter som er kritiske i regulerte og kritiske miljøer.

Bevis i komplekse og kontestede miljøer

Striveworks’ teknologi er allerede deployert over flere forsvarsprogrammer, inkludert arbeid knyttet til den amerikanske hærens Next Generation Command and Control-initiativ, samt operasjoner som omfatter grensesikkerhet og autonome maritime systemer.

Disse deployeringene reflekterer en bredere skift i hvordan AI brukes. I stedet for å forbli begrenset til analyse eller eksperimenter, er AI stadig mer integrert direkte i operasjonelle arbeidsflyter, der det støtter sanntids-beslutninger.

Selskapets fokus på å opprettholde ytelse i kontestede miljøer – der dataforhold endrer raskt og systemer må tilpasse seg kontinuerlig – er blitt en definierende del av deres tilnærming.

Inne i teknologien: Brobygging mellom AI-modeller og sanntids-operasjoner

Striveworks’ plattform er bygget rundt et problem som er blitt stadig mer synlig når AI flytter fra eksperimentering til produksjon: modeller feiler ikke i trening – de feiler i deployering.

Selskapets Chariot-plattform fokuserer på hva som skjer etter at en modell er bygget. I operasjonelle miljøer er data sjelden ren eller stabil. Innganger skifter, kantforhold forringrer signal kvalitet, og misjonskrav utvikler seg i sanntid. Dette skaper et gap mellom modell-ytelse i kontrollerte innstillinger og hvordan systemer oppfører seg i feltet.

Chariot løser dette ved å behandle AI-systemer som kontinuerlig managede eiendommer i stedet for statiske deployeringer. Plattformen muliggjør kontinuerlig overvåking av modell-ytelse, detektering av drift i både data og utganger, og tillater rask iterasjon uten å kreve fullstendige om-treningssykluser. Dette er særlig relevant i forsvars-miljøer der latency, pålitelighet og tilpasningsevne direkte påvirker resultater.

En nøkkel-del av denne arkitekturen er dens evne til å operere over fragmenterte og distribuerte datasårer. I stedet for å stole på sentralisert infrastruktur, støtter plattformen deployeringer over sky, på-premise og edge-systemer. Dette lar modeller kjøre nærmere der data genereres – enten fra sensorer, satellitt-strømmer eller sanntids-operasjonelle innganger – og reduserer forsinkelser og forbedrer respons-tid.

Chariot legger også stor vekt på styring og sporing. I høyrisikomiljøer er det like viktig å forstå hvordan en modell nådde en beslutning som beslutningen selv. Plattformen gir synlighet inn i data-avstamning, modell-atferd og system-utganger, og lar organisasjoner validere ytelse og opprettholde oversikt.

Dette kombinasjonen av kontinuerlig evaluering, distribuert deployering og innebygd styring reflekterer en bredere skift i AI-system-design. Utfordringen er ikke lenger bare å bygge nøyaktige modeller, men å sikre at de forblir pålitelige, tilpasningsdyktige og ansvarlige når de deployeres i sanntids-forhold.