Traversal atrage 120 de milioane de dolari într-o rundă de finanțare de serie B, la o evaluare de 1 miliard de dolari, pentru a-și extinde activitatea de SRE bazată pe IA

Traversal a anunțat o rundă de finanțare de serie B în valoare de 120 de milioane de dolari, la o evaluare de 1 miliard de dolari, pe 3 noiembrie 2026, pentru a-și accelera eforturile de dezvoltare a unor sisteme de producție autonome și pentru a-și extinde recrutările în cercetare, inginerie și dezvoltarea afacerii.

Kleiner Perkins, Redpoint Ventures și Khosla Ventures au condus împreună runda, la care au participat Sequoia Capital, Battery Ventures și Amex Ventures. Investitorii anteriori Kleiner Perkins și Sequoia și-au mărit investițiile. Finanțarea totală se ridică acum la 173 de milioane de dolari, după cele 48 de milioane de dolari anunțate de Traversal la ieșirea din modul stealth, în iunie 2025, și o investiție strategică din partea Amex Ventures, în decembrie 2025.

Construirea buclei externe a operațiunilor software

Traversal a început cu analiza cauzelor fundamentale ale incidentelor, bazându-se pe cercetarea academică a celor trei cofondatori în domeniul învățării automate cauzale și al învățării prin consolidare. Premisa de bază este că un incident generează simultan numeroase semnale, astfel că o corelație plauzibilă nu poate stabili de ce a cedat un sistem. Production World Model transformă telemetria brută, codul, istoricul implementărilor și cunoștințele organizaționale într-o reprezentare a mediului de producție, actualizată continuu și lizibilă pentru IA. Causal Search Engine este conceput pentru a testa mii de ipoteze în paralel, a urmări dependențele și succesiunea temporală între sisteme și a identifica, în cele din urmă, cauzele susținute de dovezi.

Traversal a prezentat oficial cele două sisteme în martie 2026, după aproape doi ani de cercetare și inginerie. Componentele worker acționează acum ca agenți proactivi, cu funcționare îndelungată, care adună informații contextuale, investighează și contribuie la remediere atunci când apar incidente sau alerte. Traversal MCP pune această inteligență despre mediul de producție la dispoziția agenților de programare, conectând dovezile operaționale cu activitatea de dezvoltare menită să prevină incidentele.

Obiectivul pe termen lung este un software care detectează problemele, le înțelege cauzele, ia măsuri corective, verifică dacă acestea au funcționat și previne reapariția problemelor. Această foaie de parcurs face din runda de finanțare atât o extindere a unui produs de investigație existent, cât și un pariu pe operațiuni mai autonome.

Creștere raportată dincolo de analiza cauzelor fundamentale

Traversal raportează că numărul investigațiilor lunare a crescut de peste 100 de ori în 2026, de la 513 la aproape 73.000. Aproximativ două treimi din utilizarea produsului depășește acum analiza cauzelor fundamentale și include trierea alertelor, riscurile asociate lansărilor, validarea CMDB, securitatea, starea parcursului clienților și întrebări de asistență pentru mediul de producție. Această diversificare indică o utilizare mai amplă în deciziile operaționale curente, pe lângă diagnosticarea de după incidente.

Într-un comunicat de presă despre finanțare, Traversal raportează că veniturile recurente anuale au crescut de nouă ori de la începutul anului, că în cel mai recent trimestru au fost realizate peste 150.000 de investigații pentru clienți și că platforma oferă suport pentru peste 4.000 de ingineri. Nubank, Harvey, DigitalOcean și PepsiCo se numără printre companiile mari care folosesc platforma. Directorul general al Nubank, David Vélez, a descris implementarea din compania sa ca fiind veche de numai cinci săptămâni și extinsă în valuri, pe măsură ce rezultatele se confirmă — o precizare privind stadiul incipient al adoptării.

Dovezile oferite de evaluări comparative și limitele lor

Dificultatea tehnică este documentată separat în ORCA-bench, o lucrare realizată de cercetători afiliați Cornell Tech, Traversal și Columbia University. Aceasta cuprinde 1.079 de sarcini de analiză a cauzelor fundamentale, construite pe baza a șase zile și a peste 50 GB de valori de măsurare, jurnale și urme de execuție provenite de la un sistem instrumentat cu OpenTelemetry și alcătuit din 19 microservicii. Agenții au folosit interfețe reale de observabilitate și cod sursă, iar sarcinile au variat în funcție de gradul de specificitate al rapoartelor, întârzierile de detectare și defectele apărute concomitent.

Pentru cei cinci agenți de uz general evaluați, lucrarea raportează o acuratețe maximă de 25,3% în identificarea cauzelor fundamentale pentru sarcinile de dificultate medie și de 10,0% pentru cele dificile. În funcție de model, în 7% până la 40% dintre rapoartele de incident au apărut cauze fundamentale halucinate și neplauzibile. Eliminarea accesului la codul sursă a redus acuratețea și a sporit halucinațiile pentru fiecare model, confirmând constatarea că abilitatea de a genera cod fluent nu se traduce direct într-o diagnosticare fiabilă a incidentelor de către personalul de gardă.

Aceste scoruri nu măsoară performanța Traversal în mediul de producție. Autorii avertizează că dovezile provin dintr-un mediu de testare public și controlat, care acoperă șase zile, fiecare sarcină fiind tratată separat. Nu s-a testat dacă rezultatele se aplică și în medii proprietare mai mari și aflate în schimbare. Prin urmare, evaluarea comparativă definește lacuna de cercetare cu care se confruntă activitatea autonomă de intervenție, dar nu validează foaia de parcurs a companiei privind sistemele autonome de producție.

Adoptarea raportată de Traversal și rezultatele evaluării comparative descriu etape diferite ale aceleiași ambiții. Activitatea actuală a companiei se bazează pe investigații și pe abordarea unei game mai largi de întrebări despre mediul de producție; testul încă nesoluționat pentru sistemele autonome de producție este dacă sistemul său cauzal poate lua măsuri corective, verifica rezultatul și preveni reapariția problemelor în medii complexe ale clienților.