Resolve AI samlar in 40 miljoner dollar i serie A-utvidgning till 1,5 miljarder dollar för att tackla det svåraste problemet i mjukvaran: produktion

Resolve AI har säkrat 40 miljoner dollar i serie A-utvidgning till en värdering av 1,5 miljarder dollar, ledd av DST Global och Salesforce Ventures (CRM ). Finansieringen kommer vid en tidpunkt då artificiell intelligens har dramatiskt accelererat hur mjukvara byggs – men inte hur den underhålls när den är distribuerad.

I samband med finansieringen introducerade företaget Resolve AI Labs, en dedikerad forskningsinitiativ som syftar till att stänga vad som blir en av de mest kritiska luckorna i AI-stacken: förmågan att tillförlitligt driva mjukvara i produktionsmiljöer.

Flaskan som ingen löste: Produktion

AI har gjort det möjligt att skriva kod snabbare än någonsin. Verktyg som drivs av stora språkmodeller kan nu generera hela applikationer på några minuter. Men när koden är distribuerad blir verkligheten mycket mer komplex.

Produktionsmiljöer är fragmenterade system som består av infrastruktur, telemetri, loggar, beroenden och konstant föränderliga tjänster. Ingenjörer måste tolka signaler över alla dessa för att diagnostisera fel, ofta under tidspress och med ofullständig information.

Här är Resolve AI fokuserat. Plattformen kopplar över kod, infrastruktur och telemetri för att undersöka incidenter, identifiera rotorsaker och vidta åtgärder – i princip fungerar det som en autonom produktionstekniker.

Utmaningen är inte bara teknisk komplexitet. Det är också skala. När AI accelererar kodgeenerering, producerar organisationer mer mjukvara än deras team realistiskt kan hantera. Resultatet är ett växande gap mellan utvecklingshastighet och operativ tillförlitlighet.

Varför allmänna AI-modeller inte räcker till

En central tes bakom Resolve AI:s tillvägagångssätt är att allmänna AI-modeller inte är utformade för produktionsmiljöer.

Medan grundmodellerna förbättras snabbt är de inte optimerade för verkligheten i operativa system. Produktion kräver resonemang över bullriga, ofullständiga och ofta motsägelsefulla dataströmmar. Det kräver också höga nivåer av noggrannhet, tillförlitlighet och kontroll, där misstag kan leda till avbrott, ekonomisk förlust eller säkerhetsrisker.

Resolve AI löser detta genom att bygga domänspecifika modeller och agenter som är anpassade till produktionsflöden. Dessa system kan tolka loggar, analysera systemförändringar, korrelera händelser och utföra multi-stegsåtgärder över verktyg – uppgifter som traditionellt kräver erfarna ingenjörer.

Inuti Resolve AI Labs

Den nyligen lanserade Resolve AI Labs är utformad för att driva denna vision framåt genom att bygga den grundläggande tekniken som krävs för AI för att driva produktionsystem från början till slut.

Labbet kommer att ledas av Dhruv Mahajan, tidigare på Meta, där han arbetade med post-träning för Llama-modeller.

Istället för att fokusera smalt på agenter, kommer labbet att ta ett fullständigt tillvägagångssätt för operativ AI. Detta inkluderar utveckling av:

• Domänspecifika modeller som tränas på produktionsdata
• System som resonerar över loggar, mått, spår och infrastrukturhändelser
• Utvarderingsramverk för att mäta tillförlitlighet i reala arbetsflöden
• Simuleringsmiljöer för testning och förbättring av modeller
• Styrningslager för att säkerställa säker och kontrollerad automatisering

Detta speglar en bredare förändring i AI-utveckling: att gå bortom rå modellförmåga mot system som kan operera säkert i högrisk-, realvärldsmiljöer.

Från assistans till autonomi

Resolve AI är en del av en växande kategori som ofta kallas “AI för produktion” eller AI-driven site reliability engineering (SRE). Till skillnad från kodassistenter är dessa system utformade för att driva live-miljöer – triagera larm, diagnostisera fel och lösa incidenter i realtid.

Företagets plattform möjliggör redan för ingenjörsteam att undersöka incidenter betydligt snabbare, med AI-system som kan analysera systembeteende och identifiera rotorsaker över komplexa beroenden.

Över tiden är ambitionen att gå från assistans till autonomi. Istället för att ingenjörer manuellt svarar på larm, kan AI-system hantera det mesta av det operativa arbetet, med mänsklig övervakning som tillämpas baserat på risk och sammanhang.

Tidig dragkraft med företagskunder

Resolve AI:s snabba finansieringstrajektori speglar den starka efterfrågan från företag för denna funktion. Företaget har samlat in mer än 190 miljoner dollar på under två år och arbetar redan med organisationer som Coinbase, DoorDash (DASH ), Salesforce, MSCI och Zscaler.

Detta är miljöer där nedtid är dyrt och tillförlitlighet är kritisk. Även små förbättringar av incidentrespons eller systemstabilitet kan översättas till betydande affärseffekter.

Uppkomsten av företag som Resolve AI signalerar en bredare utveckling i AI-ekosystemet.

Den första vågen av generativ AI fokuserade på skapande: skriva kod, generera innehåll och accelerera arbetsflöden. Nästa fas handlar om drift – att säkerställa att det som byggs kan köras tillförlitligt i stor skala.

Denna förändring introducerar nya tekniska utmaningar. Det kräver system som kan resonera över tid, hantera osäkerhet, interagera med flera verktyg och operera inom strikta begränsningar. Det kräver också nya utvärderingsmetoder, eftersom traditionella benchmark inte fångar realvärldens operativa prestanda.

Vad detta betyder för framtiden

När AI fortsätter att accelerera mjukvaruutveckling, kommer produktion alltmer att bli den begränsande faktorn. Förmågan att driva komplexa system tillförlitligt kan definiera nästa generation av företags AI-plattformar.

Resolve AI:s senaste finansiering och lanseringen av dess forskningslabb tyder på att detta problem är på väg att hamna i förgrunden. Om företaget är framgångsrikt, bygger det inte bara ett annat AI-verktyg – det hjälper till att omdefiniera hur mjukvarusystem körs.

Den långsiktiga implikationen är en förändring mot miljöer där AI-system och mänskliga ingenjörer arbetar tillsammans, med maskiner som hanterar komplexiteten i produktion och människor som fokuserar på högre nivå design, strategi och innovation.