Traversal привлекает $120 млн в раунде Series B при оценке в $1 млрд для развития ИИ в сфере SRE

Traversal объявила 3 ноября 2026 года о привлечении $120 млн в раунде Series B при оценке компании в $1 млрд. Средства позволят ускорить работу над системами, способными самостоятельно управлять производственной средой, и расширить набор сотрудников в исследовательские, инженерные и коммерческие подразделения.

Раунд совместно возглавили Kleiner Perkins, Redpoint Ventures и Khosla Ventures; в нем также участвовали Sequoia Capital, Battery Ventures и Amex Ventures. Ранее инвестировавшие в компанию Kleiner Perkins и Sequoia увеличили свои вложения. Общий объем привлеченного финансирования теперь составляет $173 млн. В эту сумму входят $48 млн, о привлечении которых Traversal сообщила при выходе из скрытого режима в июне 2025 года, а также стратегические инвестиции Amex Ventures в декабре 2025 года.

Создание внешнего контура управления программными операциями

Traversal начала с анализа первопричин сбоев, опираясь на академические исследования трех сооснователей в области причинно-следственного машинного обучения и обучения с подкреплением. В основе подхода лежит предположение, что во время инцидента одновременно возникает множество сигналов, поэтому правдоподобная корреляция сама по себе не позволяет установить, почему произошел сбой системы. «Модель мира производственной среды» преобразует необработанные телеметрические данные, код, историю развертываний и знания об организации в постоянно обновляемое представление производственной среды, пригодное для анализа ИИ. «Движок причинного поиска» предназначен для параллельной проверки тысяч гипотез, отслеживания зависимостей и временных связей между системами и выявления причин, подтвержденных данными.

Traversal официально представила эти две системы в марте 2026 года после почти двух лет исследований и инженерной работы. Теперь ее рабочие процессы используют проактивных долгосрочных агентов, которые собирают контекст, проводят расследования и помогают устранять проблемы при возникновении инцидентов или срабатывании оповещений. Traversal MCP предоставляет агентам для написания кода доступ к аналитическим данным производственной среды, связывая операционные свидетельства с работой над разработкой, направленной на предотвращение инцидентов.

Долгосрочная цель — создать программное обеспечение, которое обнаруживает проблемы, понимает их причины, принимает меры по исправлению, проверяет результат и предотвращает повторение сбоев. Таким образом, привлечение средств позволит расширить уже существующий продукт для расследования инцидентов и одновременно станет ставкой на более автономное управление операциями.

Заявленный рост за пределами анализа первопричин

По данным Traversal, в течение 2026 года количество расследований в месяц выросло более чем в 100 раз — с 513 до почти 73 000. Теперь около двух третей использования продукта приходится на задачи за пределами анализа первопричин: сортировку оповещений, оценку рисков при выпуске обновлений, проверку CMDB, безопасность, контроль качества клиентского пути и ответы на вопросы о поддержке производственной среды. Такое распределение указывает на более широкое применение продукта для текущих операционных решений наряду с диагностикой после инцидентов.

В сопроводительном сообщении о привлечении финансирования Traversal сообщает, что с начала года годовая регулярная выручка выросла в девять раз, в последнем квартале клиенты провели более 150 000 расследований, а платформа поддерживает работу более 4 000 инженеров. Среди корпоративных клиентов, использующих платформу, — Nubank, Harvey, DigitalOcean и PepsiCo. Генеральный директор Nubank David Vélez отметил, что его компания использует решение всего пять недель и расширяет его внедрение поэтапно, по мере подтверждения результатов. Это уточнение говорит о ранней стадии внедрения, несмотря на приведенные показатели.

Данные бенчмарка и их ограничения

Технические сложности отдельно описаны в ORCA-bench — работе исследователей, связанных с Cornell Tech, Traversal и Columbia University. Бенчмарк включает 1 079 задач по анализу первопричин, составленных на основе данных за шесть дней: более 50 ГБ метрик, журналов событий и трассировок системы с 19 микросервисами, оснащенной инструментарием OpenTelemetry. Агенты работали с реальными интерфейсами наблюдаемости и исходным кодом; в задачах варьировались подробность отчетов, задержки обнаружения и наличие одновременно возникающих неисправностей.

Среди пяти протестированных универсальных агентов наилучшая точность определения первопричин, согласно статье, составила 25,3% на задачах средней сложности и 10,0% — на сложных. В зависимости от модели в 7–40% отчетов об инцидентах содержались неправдоподобные выдуманные первопричины. Удаление доступа к исходному коду снижало точность и увеличивало число галлюцинаций у всех моделей. Это подтверждает вывод о том, что способность уверенно работать с кодом не означает, что модель сможет надежно диагностировать проблемы при дежурстве.

Эти оценки не отражают производительность самой Traversal в реальной производственной среде. Авторы предупреждают, что данные получены на контролируемом открытом тестовом стенде за шесть дней, причем каждая задача рассматривалась отдельно. Переносимы ли результаты на более крупные, меняющиеся проприетарные среды, пока не проверено. Поэтому бенчмарк обозначает пробел в исследованиях, который предстоит устранить для автономной работы дежурных специалистов, но не подтверждает планы компании по созданию производственной среды с автономным управлением.

Данные Traversal о внедрении продукта и результаты бенчмарка отражают разные этапы реализации одной и той же цели. Нынешний бизнес компании строится вокруг расследований и более широкого круга вопросов о производственной среде; открытый вопрос для автономного управления ею заключается в том, сможет ли ее причинно-следственная система принимать меры по исправлению проблем, проверять результат и предотвращать их повторение в сложных клиентских средах.