Traversal ระดมทุน Series B ได้ 120 ล้านดอลลาร์สหรัฐ ที่มูลค่าบริษัท 1 พันล้านดอลลาร์ เพื่อขยายระบบ SRE ที่ใช้ AI

Traversal ประกาศการระดมทุนรอบ Series B มูลค่า 120 ล้านดอลลาร์สหรัฐ ที่มูลค่าบริษัท 1 พันล้านดอลลาร์ เมื่อวันที่ 3 พฤศจิกายน 2026 เพื่อเร่งพัฒนาระบบโปรดักชันที่ทำงานได้ด้วยตัวเอง และขยายการรับสมัครบุคลากรในสายวิจัย วิศวกรรม และการนำผลิตภัณฑ์ออกสู่ตลาด

Kleiner Perkins, Redpoint Ventures และ Khosla Ventures ร่วมเป็นผู้นำการระดมทุนรอบนี้ โดยมี Sequoia Capital, Battery Ventures และ Amex Ventures เข้าร่วมด้วย ผู้ลงทุนเดิมอย่าง Kleiner Perkins และ Sequoia เพิ่มเงินลงทุนของตน ขณะนี้บริษัทระดมทุนได้รวม 173 ล้านดอลลาร์สหรัฐ หลังจากระดมทุนได้ 48 ล้านดอลลาร์สหรัฐเมื่อ Traversal เปิดตัวจากโหมดสเตลธ์ในเดือนมิถุนายน 2025 และได้รับเงินลงทุนเชิงกลยุทธ์จาก Amex Ventures ในเดือนธันวาคม 2025

สร้างวงจรการทำงานส่วนต่อขยายสำหรับปฏิบัติการซอฟต์แวร์

Traversal เริ่มต้นจากการวิเคราะห์หาสาเหตุรากของเหตุขัดข้อง โดยต่อยอดจากงานวิจัยเชิงวิชาการของผู้ร่วมก่อตั้งทั้งสามคนในด้านการเรียนรู้ของเครื่องเชิงสาเหตุและการเรียนรู้แบบเสริมกำลัง แนวคิดหลักคือ เหตุขัดข้องหนึ่งครั้งก่อให้เกิดสัญญาณหลายอย่างพร้อมกัน ดังนั้นความสัมพันธ์ที่ดูเป็นไปได้จึงไม่อาจยืนยันได้ว่าระบบขัดข้องเพราะเหตุใด Production World Model แปลงข้อมูลเทเลเมทรีดิบ โค้ด ประวัติการนำระบบขึ้นใช้งาน และความรู้ขององค์กร ให้เป็นภาพแทนสภาพแวดล้อมโปรดักชันที่อัปเดตอย่างต่อเนื่องและ AI สามารถอ่านได้ ส่วน Causal Search Engine ออกแบบมาเพื่อทดสอบสมมติฐานหลายพันข้อพร้อมกัน ติดตามการพึ่งพากันและลำดับเวลาของระบบต่าง ๆ และหาข้อสรุปไปสู่สาเหตุที่มีหลักฐานรองรับ

Traversal เปิดตัวระบบทั้งสองอย่างเป็นทางการในเดือนมีนาคม 2026 หลังจากใช้เวลาเกือบสองปีในการวิจัยและพัฒนา ปัจจุบันเวิร์กเกอร์ทำหน้าที่เป็นเอเจนต์เชิงรุกที่ทำงานต่อเนื่องเป็นเวลานาน โดยรวบรวมบริบท ตรวจสอบเหตุการณ์ และช่วยแก้ไขปัญหาเมื่อเกิดเหตุขัดข้องหรือมีการแจ้งเตือน Traversal MCP ทำให้เอเจนต์เขียนโค้ดเข้าถึงข้อมูลเชิงลึกจากโปรดักชันได้ โดยเชื่อมโยงหลักฐานด้านปฏิบัติการเข้ากับงานพัฒนาที่มุ่งป้องกันเหตุขัดข้อง

เป้าหมายระยะยาวคือซอฟต์แวร์ที่ตรวจพบปัญหา เข้าใจสาเหตุ ดำเนินการแก้ไข ตรวจสอบว่าการดำเนินการได้ผล และป้องกันไม่ให้ปัญหาเกิดซ้ำ แผนงานดังกล่าวทำให้การระดมทุนรอบนี้เป็นทั้งการขยายผลิตภัณฑ์ตรวจสอบเหตุการณ์ที่มีอยู่แล้ว และการเดิมพันกับปฏิบัติการที่ทำงานได้อย่างอัตโนมัติมากขึ้น

การเติบโตที่รายงานนอกเหนือจากการวิเคราะห์หาสาเหตุราก

Traversal รายงานว่า ในปี 2026 จำนวนการตรวจสอบเหตุการณ์ต่อเดือนเพิ่มขึ้นมากกว่า 100 เท่า จาก 513 ครั้งเป็นเกือบ 73,000 ครั้ง ปัจจุบันการใช้งานผลิตภัณฑ์ราวสองในสามครอบคลุมเรื่องอื่นนอกเหนือจากการวิเคราะห์หาสาเหตุราก ได้แก่ การคัดกรองการแจ้งเตือน ความเสี่ยงในการปล่อยเวอร์ชัน การตรวจสอบความถูกต้องของ CMDB ความปลอดภัย สุขภาวะของเส้นทางการใช้งานของลูกค้า และคำถามเกี่ยวกับการสนับสนุนโปรดักชัน รูปแบบการใช้งานนี้ชี้ให้เห็นถึงการนำผลิตภัณฑ์ไปใช้ตัดสินใจด้านปฏิบัติการอย่างต่อเนื่องในวงกว้างขึ้น ควบคู่กับการวินิจฉัยหลังเกิดเหตุ

ในข่าวประชาสัมพันธ์เกี่ยวกับการระดมทุนที่เผยแพร่พร้อมกัน Traversal รายงานว่ารายได้ประจำต่อปีเพิ่มขึ้น 9 เท่านับตั้งแต่ต้นปี มีการตรวจสอบเหตุการณ์ของลูกค้ามากกว่า 150,000 ครั้งในไตรมาสล่าสุด และรองรับวิศวกรกว่า 4,000 คน Nubank, Harvey, DigitalOcean และ PepsiCo เป็นส่วนหนึ่งขององค์กรที่ใช้แพลตฟอร์มนี้ David Vélez ซีอีโอของ Nubank ระบุว่าบริษัทของเขาเพิ่งเริ่มใช้แพลตฟอร์มได้เพียงห้าสัปดาห์ และกำลังขยายการใช้งานเป็นระลอกเมื่อผลลัพธ์ยังคงเป็นที่น่าพอใจ ซึ่งเป็นข้อควรคำนึงถึงในระยะเริ่มต้นเมื่อพิจารณาตัวเลขการนำไปใช้

หลักฐานจากการทดสอบมาตรฐานและข้อจำกัด

ความยากทางเทคนิคได้รับการบันทึกไว้แยกต่างหากในORCA-bench ซึ่งเป็นงานวิจัยของนักวิจัยจาก Cornell Tech, Traversal และ Columbia University งานนี้ประกอบด้วยโจทย์วิเคราะห์หาสาเหตุราก 1,079 ข้อ โดยอิงข้อมูลเมตริก บันทึกล็อก และเทรซปริมาณมากกว่า 50 GB จากระบบที่ติดตั้ง OpenTelemetry ซึ่งมีไมโครเซอร์วิส 19 รายการ และครอบคลุมระยะเวลาหกวัน เอเจนต์ใช้ส่วนเชื่อมต่อจริงสำหรับการสังเกตการณ์ระบบและซอร์สโค้ด ขณะที่โจทย์แต่ละข้อมีรายละเอียดของรายงาน ระยะเวลาหน่วงในการตรวจจับ และข้อขัดข้องที่เกิดร่วมกันแตกต่างกัน

จากเอเจนต์ใช้งานทั่วไป 5 รายที่นำมาประเมิน งานวิจัยรายงานว่าความแม่นยำสูงสุดในการวิเคราะห์หาสาเหตุรากอยู่ที่ 25.3% สำหรับโจทย์ความยากปานกลาง และ 10.0% สำหรับโจทย์ยาก รายงานเหตุขัดข้องมีการแต่งสาเหตุรากที่ไม่น่าเป็นไปได้ขึ้นมาเองในสัดส่วน 7% ถึง 40% ขึ้นอยู่กับโมเดล การตัดสิทธิ์เข้าถึงซอร์สโค้ดออกทำให้ความแม่นยำลดลงและการหลอนข้อมูลเพิ่มขึ้นในทุกโมเดล ซึ่งยิ่งตอกย้ำว่าความสามารถในการสร้างโค้ดที่ลื่นไหลไม่ได้แปลว่าจะวินิจฉัยเหตุขัดข้องระหว่างเวรได้อย่างน่าเชื่อถือโดยตรง

คะแนนเหล่านี้ไม่ได้วัดประสิทธิภาพของ Traversal ในสภาพแวดล้อมโปรดักชัน ผู้เขียนเตือนว่าหลักฐานมาจากชุดทดสอบสาธารณะแบบควบคุม ซึ่งครอบคลุมหกวัน โดยจัดการโจทย์แต่ละข้อแยกจากกัน ยังไม่มีการทดสอบว่าผลลัพธ์จะใช้ได้กับสภาพแวดล้อมเฉพาะขององค์กรที่ใหญ่กว่าและเปลี่ยนแปลงอยู่เสมอหรือไม่ ดังนั้นเกณฑ์ทดสอบนี้จึงชี้ให้เห็นช่องว่างด้านการวิจัยที่งานเวรแบบอัตโนมัติต้องเผชิญ แต่ไม่ได้ยืนยันความถูกต้องของแผนงานระบบโปรดักชันที่ทำงานได้ด้วยตัวเองของบริษัท

ตัวเลขการนำไปใช้ที่ Traversal รายงานและผลการทดสอบมาตรฐานสะท้อนความมุ่งหวังเดียวกันในคนละขั้น ปัจจุบันธุรกิจสร้างขึ้นบนการตรวจสอบเหตุการณ์และการตอบคำถามด้านโปรดักชันในวงกว้างขึ้น ส่วนบททดสอบที่ยังเปิดอยู่สำหรับระบบโปรดักชันที่ทำงานได้ด้วยตัวเองคือ ระบบเชิงสาเหตุของบริษัทจะดำเนินการแก้ไข ตรวจสอบผลลัพธ์ และป้องกันการเกิดซ้ำในสภาพแวดล้อมของลูกค้าที่ซับซ้อนได้หรือไม่