Autoheal samlar in $7.9M seed‑runda för sin självförbättrande mjukvarufabrik

Autoheal har samlat in $7.9 miljon i seed‑finansiering för att expandera en plattform som är utformad för att hantera arbetet som följer AI‑assisterad kodning: undersöka incidenter, åtgärda sårbarheter, kontrollera modellkostnader och hålla mjukvaru‑agenter i linje med ett företags system och policyer.

Innovation Endeavors ledde rundan, med deltagande från Emergent Ventures, U&I Ventures, Darkmode Ventures, Batch Ventures och Param Hansa Values. Harpinder Singh från Innovation Endeavors ansluter sig till Autoheals styrelse.

Finansieringen kommer i ett skede då företag inser att snabbare kodgenerering inte automatiskt leder till snabbare eller säkrare mjukvaruleverans. Mer kod kan innebära fler larm, granskningar, sårbarheter och kostnader för moln‑modeller. Autoheal fokuserar på det mindre synliga lagret av AI‑kodningsboom.

Ett operativt problem skapat av snabbare kodning

AI‑kodningsassistenter har minskat den ansträngning som krävs för att producera kod, men många efterföljande ingenjörsuppgifter förblir arbetsintensiva. Produktionsincidenter kräver fortfarande utredning, säkerhetsfynd kräver fortfarande åtgärd, och plattformsteam måste fortfarande förstå varför en automatiserad åtgärd lyckades eller misslyckades.

Autoheal hävdar att dessa uppgifter bör behandlas som en del av en samordnad mjukvarufabrik snarare än att överlämnas till en samling av fristående agenter. Plattformen kopplar kodningsverktyg till kodförråd, CI/CD‑system, observabilitetsplattformar, molnmiljöer och ärendehanterare. Målet är att ge specialiserade agenter en gemensam bild av ingenjörsmiljön samtidigt som de hålls inom kundens moln‑ och säkerhetskontroller.

Den arkitekturen är viktig i reglerade eller tekniskt komplexa organisationer, där en agent kan behöva produktionskontext men inte kan få obegränsad åtkomst. Den löser också ett praktiskt styrningsproblem: när team implementerar fler agenter behöver de ett konsekvent sätt att utvärdera beteende, spåra förändringar och kontrollera kostnader.

Hur Autoheals kontinuerliga läkningsloop fungerar

I centrum av Autoheals metod finns två övervakande agenter. En Evaluator bedömer outputen från arbetsagenter med hjälp av signaler såsom kodgranskningskommentarer, CI‑fel och incidenter kopplade till en förändring. En Healer föreslår sedan förbättringar för dåligt presterande agenter genom att ändra deras prompts, färdigheter, verktyg eller modellval.

Företaget säger att de föreslagna förändringarna testas mot historiska referensramar innan granskning. Agentbeteende versioneras i Git, och ingenjörer behåller godkännandebehörighet. I praktiken gör det systemet mindre som en autonom kodningsbot och mer som ett driftlager för övervakning och förbättring av en grupp uppgifts‑specifika agenter.

Distinktionen är viktig. Att bygga en övertygande agentdemo är relativt enkelt; att upprätthålla pålitlig prestanda när kodbaser, infrastruktur och organisatoriska regler förändras är svårare. Autoheal satsar på att löpande utvärdering och kontrollerad revision kommer att bli ett standardkrav för företagsagent‑implementationer.

Tidiga utrullningar fokuserar på incidentrespons

Autoheal säger att det redan är i drift i företagsmiljöer inklusive Nomura Bank och AvidXchange. Enligt siffror som företaget levererat minskade Nomura medeltiden till lösning från två timmar till 15 minuter i en utrullning. AvidXchange rapporterar att systemet har förkortat grundorsaksanalyser till minuter och frigjort ingenjörskapacitet för produktarbete.

Dessa resultat är företagets och kundernas påståenden snarare än oberoende referensramar, men de pekar på det initiala användningsfallet som Autoheal anser vara mest brådskande: incidentrespons. Felsökning kräver ofta insamling av bevis från loggar, övervakningssystem, ärenden, kodändringar och molntjänster. En agent med tillgång till detta sammanhang kan kunna sammanställa en användbar diagnos snabbare än en ingenjör som manuellt rör sig mellan systemen.

Enligt tillkännagivandet använder Empiric Earth också plattformen för felsökning och optimering av mjukvarukostnader. Tillsammans indikerar utrullningarna att Autoheal börjar med arbetsflöden där kostnaden för fragmenterad information är lätt att se och där förbättring kan mätas i tid som återförs till ingenjörer.

Vad seed‑rundan är avsedd att finansiera

Autoheal grundades av Utkarsh Ohm, Sid Choudhury och Puneet Saraswat, med erfarenhet från Harness, Microsoft Azure, ThoughtSpot och AppDynamics. Teamet säger att det nya kapitalet kommer att stödja utveckling av förstärknings‑inlärningssystem och privata, företags‑specifika modeller som tränas på ingenjörsdata som förblir inom kundens gränser.

Den långsiktiga planen sträcker sig bortom mjukvaruutveckling till data‑ och säkerhetsoperationer. Den expansionen kommer att bero på om plattformen kan generalisera sin utvärderings‑och‑reparationsmodell över arbetsflöden med olika riskprofiler och framgångskriterier.

För närvarande belyser kapitalanskaffningen en förändring på företags‑AI‑marknaden. Den nästa begränsningen kanske inte är att generera mer kod, utan att styra den växande populationen av agenter och absorbera det operativa arbete de skapar. Autoheal’s möjlighet vilar på att omvandla den begränsningen till infrastruktur som plattformsteam kan mäta, granska och förbättra.