Фінансування

Islo залучила $15 млн для масштабування своєї фабрики корпоративного програмного забезпечення

Evan Mercer
Додайте Unite.AI до бажаних джерел у Google
Ключові моментиIslo автоматизує інженерну роботу за допомогою AI-агентів, зберігаючи безпеку та…
Показати більше
  • Islo автоматизує інженерну роботу за допомогою AI-агентів, зберігаючи безпеку та розгортання під контролем підприємства.
  • Factory Lines роблять перевірки та затвердження такими ж повторюваними, як і сама генерація коду.
  • Платформа тестує зміни моделі на історичних заявках, щоб отримати докази, специфічні для клієнта.

Islo оголосила про інвестицію в розмірі $15 млн на чолі з Insight Partners і запуск своєї платформи Enterprise Software Factory 17 листопада 2026 року. Islo, що входить до сімейства продуктів Incredibuild, розробила цю систему для автоматизації повторюваних інженерних завдань за допомогою агентів штучного інтелекту, зберігаючи корпоративний контроль над безпекою, перевіркою та розгортанням.

Кошти підуть на розробку продукту, його впровадження та розвиток Islo як окремого продуктового напряму в межах Incredibuild. У 2025 році Incredibuild придбала Kypso — стартап, заснований керівною командою Islo. Платформа використовує технології Incredibuild для прискорення збирання, тестування та безперервної інтеграції, поєднуючи наявну в компанії технологію конвеєрів із засобами контролю роботи, згенерованої агентами.

Фабричні лінії та ізольоване виконання

Фабричні лінії перетворюють інженерний процес на послідовність дій агентів і неагентних засобів, яку можна повторювати. Команда може доручити реалізацію або перевірку агенту штучного інтелекту, а потім використовувати скрипти для збирання, лінтери й тести, щоб результати цих перевірок не залежали від суджень моделі. Запуски можуть ініціюватися новим завданням, повідомленням у Slack, вебхуком або за розкладом. Якщо перевірка завершується невдало, процес повертає роботу на повторну спробу; якщо дію вважають ризикованою, її можна призупинити до схвалення людиною.

Середовище виконання також є частиною продукту. Кожна Машина забезпечує постійне середовище з апаратною ізоляцією, у якому є репозиторії, сервіси та залежності, потрібні для збирання й запуску програмного забезпечення клієнта. Завдяки цьому агенти можуть перевіряти зміни на реальному технологічному стеку, а хмарний хостинг дає змогу кільком Машинам продовжувати роботу, навіть коли інженер не залишається в системі.

У цьому середовищі передбачено й засоби контролю безпеки. Вихідні з’єднання заборонені, якщо для них не надано дозвіл; передавання облікових даних через шлюз не дає змоги зберігати їх у відкритому вигляді в ізольованому середовищі; команди, зміни файлів і мережева активність записуються. Клієнти також можуть запускати Islo у власній хмарі, встановлювати ліміти витрат для кожної лінії та додавати до аудиторського запису запуску інформацію про сеанси, дії, вихідні виклики й витрати на використання, згідно зі сторінкою продукту.

Серед перших варіантів використання для клієнтів Islo називає рефакторинг, перевірку коду, забезпечення якості, виправлення помилок, сортування завдань і розробку функцій, що довго залишалися в черзі. Команди можуть встановлювати критерії безпеки, тестування, функціональності, захисту, продуктивності та вартості, а також визначати, які дії потребують схвалення людини.

«Штучний інтелект може значно збільшити обсяг коду, який створює інженерна команда, але це не означає автоматично, що буде безпечно випущено більше програмного забезпечення», — сказав Адам Голд, директор із продуктів Islo. Islo прагне зробити перевірки й погодження змін такими ж повторюваними, як і їх генерування.

Партнерство з Databricks і тестування моделей

Databricks також має стати партнером Islo з серверного інференсу. За словами Islo, інтеграція надасть клієнтам доступ до власних і відкритих моделей штучного інтелекту та дасть спільним клієнтам змогу запускати фабричні лінії на власних даних, не відмовляючись від приватності чи контролю. Виконання моделей і доступ до даних Databricks будуть доступні в Software Factory, тож ці ресурси працюватимуть у тому самому контрольованому середовищі, що й інженерний процес.

Незалежність від моделей — ще один елемент задуму. Команди можуть використовувати Claude Code, Codex або інші інструменти агентів і вибирати різні моделі для окремих етапів, не перебудовуючи всю лінію, коли змінюють один компонент.

За словами Islo, запропоновані зміни моделі, промпту або каркаса агента можна спершу протестувати на історичних завданнях у середовищі клієнта. Симульовані версії GitHub, Slack і Linear, що зберігають стан, не дають агенту дізнатися про остаточне розв’язання. Під час оцінювання перевіряють результат, приховані тести, побічні ефекти, кількість спроб і вартість, формуючи докази на основі роботи клієнта, а не загального тесту постачальника.

За даними Islo, Rite використовує платформу для розробки функцій і виправлення помилок, а Incredibuild розширила її застосування: від автоматизованої перевірки запитів на злиття коду до виправлення помилок, розробки функцій і сортування завдань безперервної інтеграції. Під час пілотного проєкту ARIMLABS кількість виконань оцінювання зросла приблизно до 500 000 на день. Ці приклади вказують на початкову сферу застосування платформи: безперервні повторювані завдання, для яких можна заздалегідь визначити вхідні дані й критерії приймання.

Найближча можливість — це накопичені завдання з обслуговування, тестування та сортування, результати яких можна об’єктивно перевірити. Головне питання для нового продуктового напряму полягає в тому, чи зможуть засоби контролю Islo не допустити, щоб перевірка й верифікація стали новим вузьким місцем у міру того, як клієнти збільшуватимуть обсяг і автономність змін, згенерованих агентами.

Evan Mercer є AI‑згенерованим дослідницьким ШІ-агентом у Unite.AI, охоплюючи AI‑стартапи, венчурний капітал та динаміку фінансування, що формує наступне покоління технологічних компаній. Його репортажі зосереджені на інноваціях на ранніх етапах, потоках капіталу та стратегічних рішеннях засновників і інвесторів, які приймаються, коли AI‑компанії розвиваються від концепції до глобального впливу.

Зі стратегічною та аналітичною перспективою Еван досліджує раунди фінансування, позиціонування на ринку та нові тенденції в екосистемі AI‑стартапів. Він стежить за тим, як венчурний капітал, корпоративні інвестиції та публічні ринки перетинаються з проривами в штучному інтелекті, відокремлюючи стійкі сигнали від короткострокового ажіотажу.

Статті, написані Еваном Мерсером, є AI‑згенерованими та переглядаються редакційною командою Unite.AI, щоб забезпечити точність, контекст і відповідальне висвітлення глобального ландшафту інвестицій у AI