Autoheal arrecada $7.9M em rodada seed para sua fábrica de software auto‑melhoradora

Autoheal levantou $7.9 milhões em financiamento seed para expandir uma plataforma projetada para gerenciar o trabalho que segue a codificação assistida por IA: investigar incidentes, remediar vulnerabilidades, controlar custos de modelos e manter os agentes de software alinhados aos sistemas e políticas de uma empresa.

Innovation Endeavors liderou a rodada, com participação de Emergent Ventures, U&I Ventures, Darkmode Ventures, Batch Ventures e Param Hansa Values. Harpinder Singh, da Innovation Endeavors, está ingressando no conselho da Autoheal.

O financiamento chega quando as empresas estão aprendendo que a geração mais rápida de código não produz automaticamente entregas de software mais rápidas ou mais seguras. Mais código pode significar mais alertas, revisões, vulnerabilidades e gastos com modelos em nuvem. A Autoheal está focada nessa camada menos visível do boom de codificação por IA.

Um problema operacional criado pela codificação mais rápida

Assistentes de codificação por IA reduziram o esforço necessário para produzir código, mas muitas tarefas de engenharia subsequentes continuam intensivas em mão de obra. Incidentes de produção ainda precisam ser investigados, vulnerabilidades de segurança ainda precisam ser remediadas e as equipes de plataforma ainda precisam entender por que uma ação automatizada teve sucesso ou falhou.

A Autoheal argumenta que essas tarefas devem ser tratadas como parte de uma fábrica de software coordenada, em vez de serem entregues a um conjunto de agentes desconectados. Sua plataforma conecta ferramentas de codificação a repositórios, sistemas CI/CD, plataformas de observabilidade, ambientes de nuvem e rastreadores de issues. O objetivo é proporcionar aos agentes especializados uma visão compartilhada do ambiente de engenharia, mantendo-os dentro da nuvem e dos controles de segurança do cliente.

Essa arquitetura é importante em organizações reguladas ou tecnicamente complexas, onde um agente pode precisar de contexto de produção, mas não pode receber acesso irrestrito. Ela também aborda um problema prático de governança: à medida que as equipes implantam mais agentes, precisam de uma forma consistente de avaliar o comportamento, rastrear alterações e controlar custos.

Como funciona o ciclo contínuo de cura da Autoheal

No centro da abordagem da Autoheal estão dois agentes supervisor. Um Avaliador pontua a saída dos agentes trabalhadores usando sinais como comentários de revisão de código, falhas de integração contínua e incidentes vinculados a uma mudança. Um Curador então propõe melhorias aos agentes com desempenho insatisfatório, alterando seus prompts, habilidades, ferramentas ou seleções de modelo.

A empresa afirma que essas mudanças propostas são testadas contra benchmarks históricos antes da revisão. O comportamento dos agentes é controlado por versões no Git, e os engenheiros mantêm a autoridade de aprovação. Na prática, isso torna o sistema menos parecido com um bot de codificação autônomo e mais como uma camada operacional para monitorar e aprimorar um grupo de agentes específicos de tarefas.

A distinção é importante. Construir uma demonstração convincente de um agente é relativamente simples; manter um desempenho confiável à medida que bases de código, infraestrutura e regras organizacionais mudam é mais difícil. A Autoheal aposta que a avaliação contínua e a revisão controlada se tornarão requisitos padrão para implantações de agentes empresariais.

Implantações iniciais colocam o foco na resposta a incidentes

A Autoheal afirma que já está operando em ambientes corporativos, incluindo o Nomura Bank e a AvidXchange. Segundo dados fornecidos pela empresa, o Nomura reduziu o tempo médio de resolução de duas horas para 15 minutos em uma implantação. A AvidXchange relata que o sistema reduziu a análise de causa raiz para minutos e liberou capacidade de engenharia para trabalho de produto.

Esses resultados são reivindicações da empresa e dos clientes, e não benchmarks independentes, mas apontam para o caso de uso inicial que a Autoheal considera mais urgente: a resposta a incidentes. A solução de problemas frequentemente requer a coleta de evidências em logs, sistemas de monitoramento, tickets, alterações de código e serviços de nuvem. Um agente com acesso a esse contexto pode montar um diagnóstico útil mais rapidamente do que um engenheiro que navega manualmente entre os sistemas.

A Empiric Earth também está usando a plataforma para solução de problemas e otimização de custos de software, conforme o anúncio. Em conjunto, as implantações sugerem que a Autoheal está começando com fluxos de trabalho onde o custo da informação fragmentada é fácil de perceber e onde a melhoria pode ser medida em tempo devolvido aos engenheiros.

O que a rodada seed pretende financiar

Autoheal foi fundada por Utkarsh Ohm, Sid Choudhury e Puneet Saraswat, aproveitando experiência na Harness, Microsoft Azure, ThoughtSpot e AppDynamics. A equipe afirma que o novo capital apoiará o desenvolvimento de sistemas de aprendizado por reforço e modelos privados, específicos para empresas, treinados em dados de engenharia que permanecem dentro dos limites do cliente.

O plano de longo prazo vai além da engenharia de software, abrangendo operações de dados e segurança. Essa expansão dependerá de a plataforma conseguir generalizar seu modelo de avaliação e reparo em fluxos de trabalho com diferentes perfis de risco e critérios de sucesso.

Por enquanto, a captação de recursos destaca uma mudança no mercado de IA empresarial. A próxima restrição pode não ser gerar mais código, mas governar a crescente população de agentes e absorver o trabalho operacional que eles criam. A oportunidade da Autoheal reside em transformar essa restrição em infraestrutura que as equipes de plataforma possam medir, auditar e melhorar.