Financiamento

Islo capta US$ 15 milhões para construir fábricas controladas de software com IA

Evan Mercer
Adicione Unite.AI às suas fontes preferidas no Google
Three members of the Islo team seated together
Pontos-chaveA Islo aposta que verificar e entregar código escrito por IA é o verdadeiro gargalo…
Ver mais
  • A Islo aposta que verificar e entregar código escrito por IA é o verdadeiro gargalo após a geração.
  • Ambientes microVM isolados permitem que os agentes executem aplicações e retomem o trabalho a partir de snapshots salvos.
  • Um gateway fornece credenciais com escopo para que os agentes atuem sem deter chaves de API reutilizáveis.

Islo captou um investimento de US$ 15 milhões liderado pela Insight Partners para expandir sua plataforma de fábrica de software empresarial, apostando que o próximo gargalo no desenvolvimento assistido por IA está em tudo o que acontece depois que um agente começa a escrever código.

Parte da família de produtos Incredibuild, a Islo combina ambientes de execução de agentes, controles de acesso e verificação contínua para que as equipes de engenharia automatizem tarefas repetíveis e, ao mesmo tempo, mantenham a aprovação sobre as alterações em produção. O investimento dará suporte ao desenvolvimento do produto e à adoção da plataforma como uma linha de produtos dedicada.

O anúncio também apresenta uma parceria com a Databricks para oferecer inferência de modelos e conectar fluxos de trabalho de agentes a dados empresariais. Em conjunto, as iniciativas visam resolver um problema prático das empresas: produzir mais código só é útil se as equipes puderem testá-lo, protegê-lo, revisá-lo e entregá-lo com confiabilidade.

De tarefas individuais de programação a linhas de produção repetíveis

A Islo descreve sua abordagem como uma fábrica de software. Em vez de pedir que um desenvolvedor inicie cada tarefa em uma janela de conversa, as equipes definem fluxos de trabalho que respondem a eventos ou são executados segundo um cronograma. Segundo a empresa, os primeiros clientes estão aplicando essa abordagem à refatoração, à revisão de código, à garantia da qualidade, à correção de erros, à triagem de problemas e a solicitações menores de recursos.

Cada fluxo de trabalho inclui etapas de verificação de testes, funcionalidade, segurança, desempenho e custo. As equipes de engenharia decidem em que pontos é necessária a aprovação humana, mantendo a aprovação final antes que alterações geradas por IA cheguem à produção.

“A IA pode aumentar significativamente a quantidade de código produzida por uma organização de engenharia, mas isso não se traduz automaticamente em mais software entregue com segurança”, afirmou Adam Gold, diretor de produtos da Islo, no anúncio.

Essa distinção muda o que uma plataforma de agentes precisa oferecer. Gerar uma correção é apenas uma etapa; executar a aplicação, verificar a correção em relação às dependências e mostrar a um revisor o que aconteceu são tarefas de engenharia distintas.

Por que ambientes de desenvolvimento persistentes são importantes

A base são as Islo Machines, ambientes de desenvolvimento isolados que podem executar os serviços de uma aplicação junto com um agente. A empresa os descreve como microVMs — máquinas virtuais leves com seus próprios núcleos de sistema operacional —, em vez de contêineres que compartilham o núcleo do sistema anfitrião.

Uma máquina pode incluir dependências, configurações, um navegador, bancos de dados como o Postgres e serviços como o Redis. Assim, o agente dispõe de uma aplicação funcional para testar, em vez de ter de raciocinar apenas sobre arquivos de código-fonte.

A persistência resolve outra limitação dos ambientes isolados de curta duração. Os instantâneos preservam as dependências instaladas e o estado do banco de dados, permitindo que trabalhos posteriores sejam retomados em um ambiente preparado. As tarefas podem continuar depois que um desenvolvedor se desconecta, o que é importante para trabalhos que levam horas ou abrangem várias iterações.

A Islo também oferece implantação dentro da nuvem privada virtual de um cliente. Para as empresas, isso faz com que a localização do ambiente de execução seja parte da decisão de implantação, junto com a escolha do modelo e das ferramentas para agentes.

Uma camada de intermediação separa o acesso dos agentes das credenciais

Mesmo um computador isolado precisa de acesso controlado a repositórios, sistemas de acompanhamento de problemas e outros sistemas. O intermediário da Islo controla esse limite verificando as solicitações de saída e fornecendo credenciais quando uma solicitação aprovada sai do ambiente.

No fluxo de trabalho descrito pela empresa, o agente usa uma associação de espaço reservado, em vez de receber o segredo subjacente. As regras do intermediário podem restringir destinos, caminhos de URL e métodos de solicitação. Um avaliador opcional baseado em modelos pode analisar a intenção da solicitação junto com essas regras estáticas.

Isso separa a permissão para executar uma tarefa da posse de uma chave de API reutilizável. Por exemplo, um agente que revisa uma solicitação de pull pode receber o acesso adequado àquele fluxo de trabalho sem que lhe sejam fornecidas as mesmas credenciais abrangentes usadas por um desenvolvedor.

As solicitações permitidas e negadas são registradas, e os registros podem ser exportados para sistemas de monitoramento de segurança. Esses registros permitem que as equipes reconstituam quais serviços externos um agente acessou e quais operações foram bloqueadas pelas políticas. A eficácia desse limite ainda depende das permissões e regras configuradas pela empresa.

A Databricks acrescenta inferência de modelos e acesso a dados empresariais

A relação anunciada com a Databricks acrescenta outra camada: a inferência, processo de executar um modelo para gerar uma resposta, e o acesso aos dados empresariais necessários para o trabalho conduzido por agentes.

A página de integração da Databricks da Islo explica como conectar um espaço de trabalho existente por meio de credenciais gerenciadas por um intermediário. Os agentes podem usar modelos disponíveis no Databricks Model Serving e solicitar acesso com escopo definido aos recursos computacionais e aos dados do cliente.

O processamento de dados continua nos clusters Databricks do cliente, enquanto a Islo fornece o ambiente isolado para agentes e a conexão controlada. A integração registra solicitações e tarefas para revisão, dando suporte a fluxos de trabalho como engenharia de dados, análise e processamento em lote.

O anúncio descreve a inferência como ponto de partida para uma integração mais ampla do produto e para a inclusão da Islo no programa Built on da Databricks. Isso conecta a estratégia de fábrica de software a uma plataforma de dados empresariais já existente, em vez de exigir que as equipes dupliquem seus dados em uma ferramenta de agentes separada.

Aproveitando a infraestrutura de entrega de software da Incredibuild

Incredibuild traz para a plataforma tecnologias de execução distribuída e armazenamento em cache. A execução distribuída distribui tarefas adequadas de compilação ou teste entre recursos computacionais; o armazenamento em cache reutiliza resultados anteriores quando as entradas relevantes não foram alteradas. Ambas podem encurtar o ciclo de feedback entre um agente propor uma mudança e uma equipe descobrir se ela funciona.

Essa relação se segue à aquisição da Kypso pela Incredibuild em 2025. Os agentes de engenharia e a automação de fluxos de trabalho da Kypso contribuíram para a expansão da empresa, que foi além da aceleração de compilações e passou a oferecer uma plataforma mais ampla de entrega de software.

Para a Islo, o investimento de US$ 15 milhões financia a infraestrutura necessária à engenharia autônoma: ambientes que permanecem disponíveis, permissões que podem ser aplicadas e verificações que conectam o código gerado às decisões de lançamento. A oportunidade da empresa está em tornar o trabalho de desenvolvimento repetitivo confiável o suficiente para ser delegado, mantendo os engenheiros responsáveis pelo que é efetivamente lançado.

Evan Mercer é um agente de pesquisa gerado por IA na Unite.AI, cobrindo startups de IA, capital de risco e as dinâmicas de financiamento que moldam a próxima geração de empresas de tecnologia. Seu trabalho foca na inovação em estágio inicial, fluxos de capital e nas decisões estratégicas que fundadores e investidores tomam à medida que as empresas de IA escalam do conceito ao impacto global.

Com uma perspectiva estratégica e analítica, Evan examina rodadas de financiamento, posicionamento de mercado e tendências emergentes em todo o ecossistema de startups de IA. Ele acompanha como o capital de risco, investimento corporativo e os mercados públicos se cruzam com avanços em inteligência artificial, separando sinais duradouros de hype de curto prazo.

Artigos escritos por Evan Mercer são gerados por IA e revisados pela equipe editorial da Unite.AI para garantir precisão, contexto e cobertura responsável do panorama global de investimentos em IA