DataAgent går ur stealth med $10 M pre‑seed för att bygga självläkande molninfrastruktur

DataAgent har gått ur stealth med 10 miljoner dollar i pre‑seed‑finansiering när de lanserar en AI‑native plattform som är avsedd att föra hanteringen av molninfrastruktur bortom att bara upptäcka problem och mot att autonomt åtgärda dem.

Rundan leddes av MizMaa Ventures och Alicorn Venture Partners. DataAgent planerar att använda kapitalet för att ta sin plattform till marknaden och öka adoptionen i Nordamerika. Företaget grundades i januari 2026, är baserat i Tel Aviv och har för närvarande 15 anställda. Det leds av medgrundarna Ishay Yaari, VD, och Nati Shalom, CTO.

Omvändning av det traditionella observabilitetsarbetsflödet

Moderna observabilitetsplattformar har blivit nödvändiga för att förstå allt mer komplexa applikationer, men det grundläggande arbetsflödet är fortfarande i stor utsträckning reaktivt: ett system upptäcker ett problem, en ingenjör får en varning, någon undersöker orsaken och en åtgärd tillämpas så småningom.

DataAgent försöker vända på den sekvensen.

Programvaran läser live‑systemtillstånd, topologi och konfigurationsinformation där infrastrukturen körs. När den stöter på ett fel den förstår kan plattformen först tillämpa en verifierad åtgärd och därefter genomföra en djupare rotorsaksanlys. Målet är att återställa tjänsten utan att vänta på att en mänsklig ingenjör ska gå igenom loggar och instrumentpaneler.

Företagets offentliga webbplats sammanfattar filosofin med frasen “Remediation‑First, the rest is noise.”

Tidsramen speglar ett bredare problem som infrastrukturteam står inför. Grafana Labs’ 2025 Observability Survey visade att komplexitet och overhead fortfarande är de mest omnämnda observabilitetsutmaningarna, följt av signal‑till‑brus‑problem och kostnad. Hälften av svarande använder nu Software‑as‑a‑Service (SaaS) observabilitet i någon form, vilket illustrerar hur mycket operativ telemetri som i allt högre grad bearbetas via externa plattformar.

En autonom SRE som körs inom infrastrukturen

DataAgent beskriver sin plattform som en autonom Site Reliability Engineer (SRE), men dess arkitektur är mer begränsad än vad etiketten initialt kan antyda.

Systemet bygger en modell av kundens topologi, miljö, kod och konfigurationer i stället för att fatta beslut baserat på en isolerad loggpost eller varning. Vid utrullning identifierar det kategorier av fel som det tror att det kan åtgärda på ett pålitligt sätt. Det agerar endast autonomt på en felkategori när den förmågan har etablerats, medan okända eller osäkra problem dirigeras till mänskliga operatörer.

Kunder kan också definiera skyddsräcken kring vilka åtgärder systemet får utföra.

Dessa kontroller är viktiga eftersom autonom infrastrukturhantering medför avsevärt större risk än en AI‑copilot som bara rekommenderar ett kommando. En felaktig rekommendation kan avvisas av en ingenjör; ett autonomt system med produktionsbehörigheter skulle potentiellt kunna starta om, skala, rulla tillbaka eller ändra arbetsbelastningar innan en människa ingriper.

DataAgents tillvägagångssätt bygger därför på att gradvis utöka de klasser av problem som systemet får agera på, snarare än att ge bred autonomi från början.

Att behålla mer observabilitetsdata i klustret

Det finns också ett ekonomiskt argument bakom arkitekturen.

Traditionell molnobservabilitet innebär ofta att stora mängder loggar, metrik och spår skickas till en extern tjänst där informationen samlas in, indexeras, lagras och analyseras. Kostnaden kan öka i takt med att infrastrukturbruket och telemetrivolymet växer.

DataAgent placerar istället sina agenter närmare själva arbetsbelastningarna. Rutinfel kan analyseras och åtgärdas lokalt, medan djupare inspektion reserveras för incidenter som kräver det. Företaget menar att detta kan minska mängden data som måste färdas genom dyra ingest‑ och indexeringspipelines samtidigt som plattformen kan ligga bredvid befintliga övervakningssystem istället för att kräva ett omedelbart byte.

Detta kan bli en viktig distinktion i takt med att AI ökar mängden mjukvara som skapas och drivs. Fler applikationer, tjänster, containrar och AI‑agenter genererar i slutändan fler infrastruktur‑händelser och telemetri. Att bara samla in mer data kan bli allt dyrare om inte mjukvaran kan avgöra vilka signaler som faktiskt kräver uppmärksamhet.

Öppen källkod som en väg till förtroende för infrastrukturen

En annan anmärkningsvärd aspekt är DataAgents beslut att göra sin underliggande agent öppen källkod. Agenten kan distribueras oberoende, medan företaget planerar att tjäna pengar på ett SaaS‑lager för att hantera och orkestrera flottor av agenter.

Den modellen kan hjälpa till att övervinna en av de svåraste hindren för autonom driftprogramvara: företag blir ombedda att ge ett AI‑drivet system åtkomst till produktionsinfrastruktur där misstag kan leda till avbrott.

Att kunna inspektera och köra agenten lokalt ger infrastrukturteam mer insyn i vad som körs i deras miljöer, även om det stora testet blir huruvida företag blir bekväma med att låta dessa agenter utföra allt mer avgörande åtgärder.

Veteraner inom molnorchestration återvänder för ett nytt infrastruktur‑satsning

Yaari och Shalom arbetade tidigare tillsammans på Cloudify, där Yaari var Chief Revenue Officer och Shalom var grundare och CTO. Dell förvärvade molnorchestration‑ och infrastrukturautomatiseringsföretaget 2023 i en transaktion som TechCrunch rapporterade kunde ha varit värd så mycket som $100 miljoner.

Den bakgrunden är särskilt relevant för DataAgent. Cloudify fokuserade på att orkestrera infrastruktur över Kubernetes, molnplattformar och befintliga DevOps‑verktyg. DataAgent går längre upp i automationsstacken genom att försöka ge mjukvaran förmågan att inte bara orkestrera infrastruktur utan också avgöra när den infrastrukturen behöver förändras.

Den nya finansieringen kommer att stödja DataAgents kommersiella lansering och expansion, inklusive ytterligare go‑to‑market‑rekrytering i USA och Israel.

Från observabilitet till självläkande infrastruktur

Den större möjligheten för DataAgent är kopplad till en övergång som redan påbörjats inom företags‑AI: att gå från system som förklarar vad människor bör göra till system som själva kan utföra arbetet.

Infrastruktur är en särskilt betydelsefull arena för den övergången. En stor andel av produktionsincidenter involverar återkommande problem som erfarna SRE‑team redan vet hur de ska lösa. Om AI‑agenter säkert kan absorbera fler av dessa rutinuppgifter, kan observabilitet gradvis utvecklas från ett system för att förstå infrastruktur till ett kontrollskikt som kontinuerligt underhåller den.

DataAgent kombinerar denna produktions‑åtgärdsloop med ett förproduktionssystem som är avsett att identifiera och förhindra fel innan mjukvara distribueras. Företaget beskriver den resulterande processen som en där lärdomar från incidenter och förhindrade fel successivt kan utöka systemets förmåga att verka autonomt.

Utmaningen blir att demonstrera att autonomi kan skalas utan att introducera en ny kategori av operativ risk. Infrastrukturmiljöer skiljer sig enormt, oförutsedda fel är oundvikliga, och en automatiserad åtgärd som fungerar i en arkitektur kan vara farlig i en annan.

Om dessa skydd visar sig pålitliga kan nästa generation av observabilitetsplattformar bedömas mindre efter hur snabbt de kan tala om för ingenjörer varför något gick fel och mer efter hur ofta ingenjörer aldrig behöver bli inblandade alls. DataAgents $10 miljoner pre‑seed‑runda är ett tidigt satsningsspel på den förändringen.