Traversal capta US$ 120 milhões em rodada Série B, com avaliação de US$ 1 bilhão, para expandir a SRE com IA

A Traversal anunciou uma rodada Série B de US$ 120 milhões, com avaliação de US$ 1 bilhão, em 3 de novembro de 2026, para acelerar seu trabalho rumo a sistemas de produção autônomos e ampliar as contratações nas áreas de pesquisa, engenharia e negócios.

Kleiner Perkins, Redpoint Ventures e Khosla Ventures lideraram conjuntamente a rodada, que também contou com a participação de Sequoia Capital, Battery Ventures e Amex Ventures. Os investidores anteriores Kleiner Perkins e Sequoia aumentaram seus aportes. O financiamento total agora soma US$ 173 milhões, incluindo os US$ 48 milhões que a Traversal anunciou ao sair do modo furtivo, em junho de 2025, e um investimento estratégico da Amex Ventures, em dezembro de 2025.

Construindo a camada externa das operações de software

A Traversal começou com a análise das causas-raiz de incidentes, com base na pesquisa acadêmica de seus três cofundadores em aprendizado de máquina causal e aprendizado por reforço. A premissa central é que um incidente gera muitos sinais simultâneos; portanto, uma correlação plausível não basta para determinar por que um sistema falhou. O Modelo de Mundo de Produção transforma telemetria bruta, código, histórico de implantações e conhecimento organizacional em uma representação do ambiente de produção, continuamente atualizada e legível por IA. O Mecanismo de Busca Causal foi projetado para testar milhares de hipóteses em paralelo, acompanhar dependências e sequências temporais entre sistemas e convergir para causas respaldadas por evidências.

A Traversal apresentou oficialmente esses dois sistemas em março de 2026, após quase dois anos de pesquisa e engenharia. Os workers agora atuam como agentes proativos e de longa duração, que reúnem contexto, investigam e ajudam na correção quando ocorrem incidentes ou alertas. O Traversal MCP disponibiliza essa inteligência de produção aos agentes de programação, conectando evidências operacionais ao trabalho de desenvolvimento voltado a prevenir incidentes.

O objetivo de longo prazo é criar software capaz de detectar problemas, entender suas causas, tomar medidas corretivas, verificar se elas funcionaram e evitar que os problemas voltem a ocorrer. Esse roteiro faz da rodada tanto uma expansão de um produto de investigação já existente quanto uma aposta em operações mais autônomas.

Crescimento divulgado para além da análise de causas-raiz

Segundo a Traversal, o número mensal de investigações cresceu mais de 100 vezes em 2026, passando de 513 para quase 73.000. Cerca de dois terços do uso do produto agora vão além da análise de causas-raiz e abrangem triagem de alertas, riscos de lançamento, validação de CMDB, segurança, integridade da jornada do cliente e questões relacionadas ao suporte à produção. Essa combinação indica um uso mais amplo em decisões operacionais contínuas, além do diagnóstico após incidentes.

Em um comunicado sobre o financiamento, a Traversal informa que sua receita recorrente anual cresceu nove vezes desde o início do ano, que foram realizadas mais de 150.000 investigações de clientes no trimestre mais recente e que a plataforma atende mais de 4.000 engenheiros. Nubank, Harvey, DigitalOcean e PepsiCo estão entre as empresas que usam a plataforma. O CEO do Nubank, David Vélez, afirmou que a implantação na empresa tinha apenas cinco semanas e estava sendo ampliada em etapas, à medida que os resultados se confirmavam — uma ressalva sobre o estágio inicial que contextualiza os números de adoção.

Evidências e limitações dos benchmarks

A dificuldade técnica é documentada separadamente em ORCA-bench, um artigo de pesquisadores vinculados à Cornell Tech, à Traversal e à Columbia University. O benchmark contém 1.079 tarefas de análise de causas-raiz, baseadas em seis dias e mais de 50 GB de métricas, registros e rastros de um sistema instrumentado com OpenTelemetry e composto por 19 microsserviços. Os agentes usaram interfaces reais de observabilidade e código-fonte, enquanto as tarefas variavam quanto ao nível de especificidade dos relatórios, aos atrasos na detecção e à ocorrência simultânea de falhas.

Entre cinco agentes de uso geral avaliados, o artigo relata uma precisão máxima na identificação de causas-raiz de 25,3% nas tarefas de dificuldade média e de 10,0% nas tarefas difíceis. Causas-raiz implausíveis inventadas apareceram em 7% a 40% dos relatórios de incidentes, dependendo do modelo. A remoção do acesso ao código-fonte reduziu a precisão e aumentou as alucinações em todos os modelos, reforçando a conclusão de que a capacidade de gerar código com fluência não se traduz diretamente em diagnósticos confiáveis durante o plantão.

Esses resultados não medem o desempenho da própria Traversal em produção. Os autores alertam que as evidências vêm de um ambiente de teste público e controlado, abrangendo seis dias, no qual cada tarefa foi tratada separadamente. Ainda não foi testado se os resultados se aplicam a ambientes proprietários maiores e sujeitos a mudanças. Portanto, o benchmark delimita a lacuna de pesquisa que o trabalho autônomo durante o plantão precisa superar; ele não valida o roteiro da empresa para uma produção autônoma.

Os números de adoção divulgados pela Traversal e os resultados do benchmark retratam etapas diferentes da mesma ambição. O negócio atual se baseia em investigações e em questões mais amplas sobre produção; o teste ainda em aberto para a produção autônoma é saber se o sistema causal da empresa consegue tomar medidas corretivas, verificar os resultados e evitar recorrências em ambientes complexos de clientes.