Traversal tar in 120 miljoner dollar i en Series B-runda till en värdering på 1 miljard dollar för att utveckla AI-SRE

Traversal meddelade den 3 november 2026 att bolaget tagit in 120 miljoner dollar i en Series B-runda till en värdering på 1 miljard dollar. Kapitalet ska påskynda arbetet med självkörande produktionssystem och utöka rekryteringen inom forskning, teknik och marknadsföring och försäljning.

Kleiner Perkins, Redpoint Ventures och Khosla Ventures ledde rundan gemensamt, med deltagande från Sequoia Capital, Battery Ventures och Amex Ventures. De tidigare investerarna Kleiner Perkins och Sequoia ökade sina investeringar. Den totala finansieringen uppgår nu till 173 miljoner dollar, efter de 48 miljoner dollar som Traversal meddelade när bolaget lämnade stealthfasen i juni 2025 och en strategisk investering från Amex Ventures i december 2025.

Att bygga den yttre loopen för programvarudrift

Traversal började med rotorsaksanalys av incidenter, med utgångspunkt i de tre medgrundarnas akademiska forskning inom kausal maskininlärning och förstärkningsinlärning. Grundtanken är att en incident ger upphov till många samtidiga signaler, så en rimlig korrelation kan inte fastställa varför ett system slutade fungera. Production World Model omvandlar rå telemetri, kod, driftsättningshistorik och organisatorisk kunskap till en kontinuerligt uppdaterad, AI-läsbar representation av en produktionsmiljö. Causal Search Engine är utformad för att testa tusentals hypoteser parallellt, följa beroenden och tidsförlopp mellan system samt ringa in orsaker som stöds av belägg.

Traversal presenterade formellt de två systemen i mars 2026, efter nästan två års forskning och teknikutveckling. Arbetarna fungerar nu som proaktiva, långvariga agenter som samlar in sammanhang, utreder och hjälper till med åtgärder när incidenter eller larm inträffar. Traversal MCP gör den här produktionsinformationen tillgänglig för kodningsagenter och kopplar samman driftsrelaterade belägg med utvecklingsarbete som syftar till att förebygga incidenter.

Det långsiktiga målet är programvara som upptäcker problem, förstår deras orsaker, vidtar korrigerande åtgärder, verifierar att åtgärderna fungerade och förebygger att problemen återkommer. Den färdplanen innebär att finansieringsrundan både ska utöka en befintlig produkt för utredningar och stödja en satsning på mer autonom drift.

Rapporterad tillväxt bortom rotorsaksanalys

Traversal uppger att antalet utredningar per månad ökade mer än 100 gånger under 2026, från 513 till nästan 73 000. Ungefär två tredjedelar av produktanvändningen omfattar nu mer än rotorsaksanalys och gäller även prioritering av larm, risker vid releaser, CMDB-validering, säkerhet, kundresans hälsa och frågor om produktionssupport. Fördelningen tyder på en bredare användning i löpande driftsbeslut, vid sidan av diagnos efter incidenter.

I ett medföljande pressmeddelande om finansieringen uppger Traversal att de årliga återkommande intäkterna har vuxit niofalt hittills i år, att bolaget genomförde över 150 000 kundutredningar under det senaste kvartalet och att plattformen används av fler än 4 000 ingenjörer. Nubank, Harvey, DigitalOcean och PepsiCo hör till de företagsmiljöer där plattformen används. Nubanks vd David Vélez beskrev företagets driftsättning som bara fem veckor gammal och uppgav att den byggdes ut i etapper i takt med att resultaten höll i sig, en tidig reservation när man tolkar användningssiffrorna.

Belägg från riktmärket och dess begränsningar

Den tekniska svårighetsgraden dokumenteras separat i ORCA-bench, en uppsats av forskare knutna till Cornell Tech, Traversal och Columbia University. Den omfattar 1 079 uppgifter inom rotorsaksanalys, baserade på sex dagar och mer än 50 GB mätvärden, loggar och spårdata från ett system med 19 mikrotjänster instrumenterat med OpenTelemetry. Agenterna använde verkliga gränssnitt för observerbarhet och källkod, medan uppgifterna varierade vad gäller rapporternas detaljnivå, fördröjningar i upptäckten och samtidiga fel.

Bland fem utvärderade agenter för allmänna ändamål rapporterar uppsatsen en högsta träffsäkerhet på 25,3 % för rotorsaksanalys av uppgifter med medelhög svårighetsgrad och 10,0 % för svåra uppgifter. Hallucinerade, osannolika rotorsaker förekom i 7–40 % av incidentrapporterna, beroende på modell. När åtkomsten till källkod togs bort sjönk träffsäkerheten och hallucinationerna ökade för samtliga modeller. Det stärker slutsatsen att förmåga att skriva flytande kod inte automatiskt innebär tillförlitlig diagnostik i beredskapssituationer.

Dessa resultat mäter inte Traversals egen prestanda i produktion. Författarna framhåller att beläggen kommer från en kontrollerad, offentlig testmiljö som omfattar sex dagar, där varje uppgift hanterades separat. Det är inte testat om resultaten kan överföras till större, föränderliga och proprietära miljöer. Riktmärket ringar därför in forskningsgapet för autonomt beredskapsarbete; det bekräftar inte företagets färdplan för självkörande produktion.

Traversals rapporterade användning och resultaten från riktmärket belyser olika stadier av samma ambition. Den nuvarande verksamheten bygger på utredningar och bredare frågor om produktion. Det återstår att visa om det kausala systemet kan vidta korrigerande åtgärder, verifiera resultatet och förebygga återkommande problem i komplexa kundmiljöer – det är det öppna testet för självkörande produktion.