Traversal pozyskuje 120 mln USD w rundzie serii B przy wycenie 1 mld USD, by rozwijać autonomiczne SRE oparte na sztucznej inteligencji

Traversal ogłosiła 3 listopada 2026 r. pozyskanie 120 mln USD w rundzie serii B przy wycenie 1 mld USD. Środki mają przyspieszyć prace nad samosterującymi się systemami produkcyjnymi oraz pomóc w zwiększeniu zatrudnienia w zespołach badawczych, inżynieryjnych i odpowiedzialnych za rozwój biznesu.

Rundzie współprzewodniczyły Kleiner Perkins, Redpoint Ventures i Khosla Ventures, a udział w niej wzięły także Sequoia Capital, Battery Ventures i Amex Ventures. Wcześniejsi inwestorzy, Kleiner Perkins i Sequoia, zwiększyli swoje zaangażowanie. Łączne finansowanie firmy wynosi obecnie 173 mln USD, po uwzględnieniu 48 mln USD, które Traversal ogłosiła przy wyjściu z trybu stealth w czerwcu 2025 r., oraz strategicznej inwestycji Amex Ventures z grudnia 2025 r.

Budowa zewnętrznej pętli operacyjnej oprogramowania

Traversal rozpoczęła działalność od analizy przyczyn źródłowych incydentów, opierając się na badaniach akademickich trzech współzałożycieli z zakresu przyczynowego uczenia maszynowego i uczenia ze wzmocnieniem. Podstawowe założenie jest takie, że incydent generuje wiele równoczesnych sygnałów, dlatego wiarygodna korelacja nie wystarcza, by ustalić, dlaczego system uległ awarii. Production World Model przekształca surowe dane telemetryczne, kod, historię wdrożeń i wiedzę organizacyjną w stale aktualizowany, czytelny dla sztucznej inteligencji obraz środowiska produkcyjnego. Causal Search Engine ma równolegle testować tysiące hipotez, śledzić zależności i kolejność zdarzeń w różnych systemach oraz wskazywać przyczyny potwierdzone dowodami.

Traversal oficjalnie zaprezentowała te dwa systemy w marcu 2026 r., po blisko dwóch latach badań i prac inżynieryjnych. Obecnie pracownicy działają jako proaktywni, długotrwale funkcjonujący agenci, którzy gromadzą kontekst, prowadzą dochodzenie i pomagają usuwać problemy w przypadku incydentów lub alertów. Traversal MCP udostępnia te informacje o środowisku produkcyjnym agentom programistycznym, łącząc dowody operacyjne z pracami rozwojowymi ukierunkowanymi na zapobieganie incydentom.

Długofalowym celem jest stworzenie oprogramowania, które wykrywa problemy, rozumie ich przyczyny, podejmuje działania naprawcze, sprawdza ich skuteczność i zapobiega ponownemu wystąpieniu problemu. Ta mapa drogowa sprawia, że runda finansowania oznacza zarówno rozwój istniejącego produktu do prowadzenia dochodzeń, jak i zakład na bardziej autonomiczne operacje.

Deklarowany wzrost wykraczający poza analizę przyczyn źródłowych

Traversal informuje, że w 2026 r. liczba comiesięcznych dochodzeń wzrosła ponadstukrotnie — z 513 do niemal 73 000. Około dwie trzecie wykorzystania produktu obejmuje obecnie zagadnienia wykraczające poza analizę przyczyn źródłowych: wstępną ocenę alertów, ryzyko związane z wydaniami, weryfikację CMDB, bezpieczeństwo, kondycję ścieżek klienta oraz pytania dotyczące wsparcia środowiska produkcyjnego. Taki rozkład wskazuje na szersze zastosowanie produktu przy bieżących decyzjach operacyjnych, obok diagnozowania problemów po incydentach.

W towarzyszącym komunikacie o finansowaniu Traversal informuje o dziewięciokrotnym wzroście rocznych przychodów cyklicznych od początku roku, ponad 150 000 dochodzeń dotyczących klientów w ostatnim kwartale oraz wsparciu dla ponad 4 000 inżynierów. Wśród środowisk dużych przedsiębiorstw korzystających z platformy są Nubank, Harvey, DigitalOcean i PepsiCo. Dyrektor generalny Nubank, David Vélez, opisał wdrożenie w swojej firmie jako trwające zaledwie pięć tygodni i rozszerzane etapami w miarę potwierdzania się rezultatów — zastrzegł tym samym, że adopcja jest na wczesnym etapie.

Dowody z testów porównawczych i ich ograniczenia

Trudności techniczne opisano osobno w pracy ORCA-bench, której autorami są badacze związani z Cornell Tech, Traversal i Columbia University. Zawiera ona 1 079 zadań z zakresu analizy przyczyn źródłowych, opartych na danych z sześciu dni i ponad 50 GB metryk, dzienników i śladów z systemu składającego się z 19 mikrousług i instrumentowanego za pomocą OpenTelemetry. Agenci korzystali z rzeczywistych interfejsów obserwowalności i kodu źródłowego, a zadania różniły się szczegółowością raportów, opóźnieniami wykrycia oraz występowaniem współistniejących usterek.

W przypadku pięciu ocenianych agentów ogólnego przeznaczenia w pracy odnotowano najwyższą trafność analizy przyczyn źródłowych na poziomie 25,3% dla zadań o średnim stopniu trudności i 10,0% dla zadań trudnych. W zależności od modelu w 7–40% raportów dotyczących incydentów pojawiały się halucynacje w postaci nieprawdopodobnych przyczyn źródłowych. Odebranie dostępu do kodu źródłowego obniżyło trafność i zwiększyło liczbę halucynacji w przypadku każdego modelu, co potwierdza, że płynne posługiwanie się kodem nie przekłada się bezpośrednio na rzetelną diagnozę problemów w ramach dyżuru.

Wyniki te nie mierzą skuteczności Traversal w środowisku produkcyjnym. Autorzy zastrzegają, że dowody pochodzą z kontrolowanego, publicznego środowiska testowego obejmującego sześć dni, w którym każde zadanie rozpatrywano osobno. Nie zbadano, czy wyniki można przenieść na większe, zmieniające się środowiska własnościowe. Test porównawczy określa zatem lukę badawczą, z którą mierzą się autonomiczne działania w ramach dyżuru; nie potwierdza natomiast słuszności mapy drogowej firmy zakładającej samosterujące się środowisko produkcyjne.

Deklarowana adopcja rozwiązania Traversal i wyniki testu porównawczego dotyczą różnych etapów tej samej ambicji. Obecna działalność firmy opiera się na prowadzeniu dochodzeń i odpowiadaniu na szersze pytania dotyczące środowiska produkcyjnego. Nierozstrzygnięte pozostaje, czy system przyczynowy firmy będzie w stanie podejmować działania naprawcze, weryfikować ich skutki i zapobiegać nawrotom problemów w złożonych środowiskach klientów — to właśnie warunek, który musi spełnić koncepcja samosterującego się środowiska produkcyjnego.