Yapay zekâ SRE’sini büyütmek için Traversal, 1 milyar dolar değerleme üzerinden 120 milyon dolarlık B Serisi yatırım aldı

Traversal, kendi kendini yöneten üretim sistemleri geliştirme çalışmalarını hızlandırmak ve araştırma, mühendislik ve pazara açılma ekiplerindeki işe alımları genişletmek amacıyla 3 Kasım 2026’da, 1 milyar dolar değerleme üzerinden 120 milyon dolarlık B Serisi yatırım turunu duyurdu.

Yatırım turuna Kleiner Perkins, Redpoint Ventures ve Khosla Ventures eş liderlik ederken Sequoia Capital, Battery Ventures ve Amex Ventures da katıldı. Daha önce şirkete yatırım yapan Kleiner Perkins ve Sequoia yatırımlarını artırdı. Traversal’ın Haziran 2025’te gizlilikten çıkarak duyurduğu 48 milyon doların ve Aralık 2025’te Amex Ventures’tan aldığı stratejik yatırımın ardından şirketin bugüne kadarki toplam yatırımı 173 milyon dolara ulaştı.

Yazılım Operasyonlarının Dış Döngüsünü Oluşturmak

Traversal, olayların temel nedenlerini analiz etmeye odaklanarak yola çıktı; bu yaklaşım, üç kurucu ortağın nedensel makine öğrenimi ve pekiştirmeli öğrenme alanlarındaki akademik araştırmalarından besleniyordu. Temel çıkış noktası şu: Bir olay aynı anda çok sayıda sinyal üretir; dolayısıyla makul görünen bir korelasyon, sistemin neden arızalandığını ortaya koymaya yetmez. Production World Model, ham telemetriyi, kodu, dağıtım geçmişini ve kurumsal bilgiyi, üretim ortamının sürekli güncellenen ve yapay zekânın okuyabileceği bir temsiline dönüştürür. Causal Search Engine, binlerce hipotezi paralel olarak sınamak, sistemler arasındaki bağımlılıkları ve zamanlamayı izlemek, ardından kanıtlarla desteklenen nedenleri belirlemek üzere tasarlanmıştır.

Traversal, yaklaşık iki yıllık araştırma ve mühendislik çalışmasının ardından bu iki sistemi Mart 2026’da resmen tanıttı. Çalışanlar artık olaylar veya uyarılar ortaya çıktığında bağlam toplayan, inceleme yapan ve çözüm çalışmalarına yardımcı olan proaktif, uzun süre çalışan ajanlar olarak görev yapıyor. Traversal MCP, bu üretim ortamı zekâsını kodlama ajanlarının kullanımına sunarak operasyonel kanıtları olayları önlemeyi amaçlayan geliştirme çalışmalarıyla buluşturuyor.

Uzun vadeli hedef; sorunları tespit eden, nedenlerini anlayan, düzeltici adımlar atan, bu adımların işe yaradığını doğrulayan ve sorunların tekrarlanmasını önleyen yazılımlar geliştirmek. Bu yol haritası, yatırım turunun yalnızca mevcut bir inceleme ürününü büyütmeye değil, daha özerk operasyonlar geliştirme hedefine de yönelik olduğunu gösteriyor.

Temel Neden Analizinin Ötesindeki Büyüme

Traversal’ın bildirdiğine göre, 2026 boyunca aylık inceleme sayısı 513’ten yaklaşık 73.000’e çıkarak 100 kattan fazla arttı. Ürün kullanımının yaklaşık üçte ikisi artık temel neden analizinin ötesine geçerek uyarıların önceliklendirilmesini, sürüm riskini, CMDB doğrulamasını, güvenliği, müşteri yolculuğunun sağlığını ve üretim desteğine ilişkin soruları kapsıyor. Bu dağılım, olay sonrası teşhisin yanı sıra devam eden operasyonel kararlarda da daha geniş bir kullanım alanına işaret ediyor.

Yatırım turuna eşlik eden duyuruda Traversal, yılbaşından bu yana yinelenen yıllık gelirinin dokuz katına çıktığını, en son çeyrekte 150.000’den fazla müşteri incelemesi gerçekleştirdiğini ve 4.000’den fazla mühendise destek verdiğini bildiriyor. Nubank, Harvey, DigitalOcean ve PepsiCo, platformu kullanan kurumsal şirketler arasında yer alıyor. Nubank CEO’su David Vélez, şirketinin platformu kullanmaya başlayalı henüz beş hafta olduğunu ve sonuçlar olumlu geldikçe kullanımın dalgalar hâlinde genişlediğini belirtti; bu da benimseme rakamlarının henüz erken bir aşamayı yansıttığını gösteriyor.

Kıyaslama Bulguları ve Sınırları

Teknik zorluklar, Cornell Tech, Traversal ve Columbia University ile bağlantılı araştırmacıların hazırladığı ORCA-bench adlı makalede ayrıca belgeleniyor. Makale, 19 mikro hizmetten oluşan ve OpenTelemetry ile izlenen bir sistemden alınan altı günlük, 50 GB’tan fazla ölçüm, günlük ve iz verisini temel alan 1.079 temel neden analizi görevi içeriyor. Ajanlar gerçek gözlemlenebilirlik arayüzlerini ve kaynak kodunu kullandı; görevlerde raporların ayrıntı düzeyi, tespit gecikmeleri ve eş zamanlı arızalar değişiklik gösterdi.

Makale, değerlendirilen beş genel amaçlı ajan arasında temel neden analizinde ulaşılan en yüksek doğruluk oranının orta zorluktaki görevlerde %25,3, zor görevlerde ise %10,0 olduğunu bildiriyor. Modele bağlı olarak, olay raporlarının %7 ila %40’ında makul olmayan temel nedenler uyduruldu. Kaynak koda erişimin kaldırılması, her modelde doğruluğu düşürüp halüsinasyonları artırdı. Bu bulgu, akıcı kod yazma becerisinin güvenilir nöbetçi teşhisine doğrudan dönüşmediğini destekliyor.

Bu puanlar Traversal’ın kendi üretim ortamındaki performansını ölçmüyor. Yazarlar, bulguların altı günü kapsayan kontrollü ve herkese açık bir test ortamından geldiğini ve her görevin ayrı ayrı ele alındığını vurguluyor. Sonuçların daha büyük ve sürekli değişen özel ortamlara genellenip genellenemeyeceği henüz sınanmadı. Dolayısıyla kıyaslama, özerk nöbetçi çalışmalarının önündeki araştırma açığını ortaya koyuyor; şirketin kendi kendini yöneten üretim yol haritasını doğrulamıyor.

Traversal’ın bildirdiği benimseme düzeyi ile kıyaslama sonuçları, aynı hedefin farklı aşamalarını yansıtıyor. Mevcut iş modeli, incelemeler ve üretim ortamına ilişkin daha geniş kapsamlı sorular üzerine kurulu. Kendi kendini yöneten üretim hedefinin henüz yanıtlanmamış temel sorusu ise şirketin nedensel sisteminin, karmaşık müşteri ortamlarında düzeltici adımlar atıp sonuçları doğrulayarak sorunların tekrarlanmasını önleyip önleyemeyeceği.