Traversal залучила $120 млн у раунді Series B за оцінки компанії в $1 млрд, щоб розвивати SRE на основі ШІ

Traversal оголосила 3 листопада 2026 року про залучення $120 млн у раунді Series B за оцінки компанії в $1 млрд. Кошти прискорять роботу над автономними виробничими системами та розширення команди в дослідницькому, інженерному й комерційному напрямах.

Раунд спільно очолили Kleiner Perkins, Redpoint Ventures і Khosla Ventures за участю Sequoia Capital, Battery Ventures та Amex Ventures. Попередні інвестори Kleiner Perkins і Sequoia збільшили свої вкладення. Загальний обсяг фінансування компанії тепер становить $173 млн. До цієї суми входять $48 млн, про які Traversal оголосила, вийшовши з режиму прихованої розробки в червні 2025 року, а також стратегічна інвестиція Amex Ventures у грудні 2025 року.

Розбудова зовнішнього циклу програмних операцій

Traversal почала з аналізу першопричин інцидентів, спираючись на академічні дослідження трьох співзасновників у галузі причинного машинного навчання та навчання з підкріпленням. В основі підходу — розуміння, що інцидент породжує багато сигналів одночасно, тож правдоподібна кореляція сама по собі не дає змоги встановити, чому сталася відмова системи. Production World Model перетворює необроблені телеметричні дані, код, історію розгортань і знання про організацію на постійно оновлюване представлення виробничого середовища, зрозуміле системам ШІ. Causal Search Engine призначений для паралельної перевірки тисяч гіпотез, відстеження залежностей і часової послідовності подій у різних системах та визначення причин, підтверджених доказами.

У березні 2026 року, після майже двох років досліджень та інженерної роботи, Traversal офіційно представила ці дві системи. Тепер воркери діють як проактивні агенти, що працюють тривалий час: збирають контекст, проводять розслідування та допомагають усувати проблеми під час інцидентів або спрацювання сповіщень. Traversal MCP надає агентам для роботи з кодом доступ до цієї інформації про виробниче середовище, поєднуючи операційні дані з роботою над розробкою, спрямованою на запобігання інцидентам.

Довгострокова мета — створити програмне забезпечення, яке виявляє проблеми, розуміє їхні причини, вживає коригувальних заходів, перевіряє їхню ефективність і запобігає повторенню проблем. Тож цей раунд фінансування дасть змогу не лише розширити наявний продукт для розслідування інцидентів, а й розвивати автономніші операційні процеси.

Заявлене зростання за межами аналізу першопричин

За даними Traversal, упродовж 2026 року кількість розслідувань на місяць зросла більш ніж у 100 разів — із 513 майже до 73 000. Тепер приблизно дві третини використання продукту припадає на завдання за межами аналізу першопричин: сортування сповіщень, оцінювання ризиків випуску, перевірку CMDB, безпеку, моніторинг стану клієнтського шляху та відповіді на запитання щодо підтримки виробничого середовища. Такий розподіл свідчить про ширше використання продукту для поточних операційних рішень поряд із діагностикою після інцидентів.

У супровідному повідомленні про фінансування Traversal повідомляє про дев’ятиразове зростання річного регулярного доходу від початку року, понад 150 000 розслідувань клієнтів за останній квартал і підтримку більш ніж 4 000 інженерів. Серед корпоративних середовищ, де використовують платформу, — Nubank, Harvey, DigitalOcean і PepsiCo. Генеральний директор Nubank David Vélez зазначив, що на момент його слів від розгортання платформи в компанії минуло лише п’ять тижнів і що її впроваджують хвилями, оскільки результати виправдовують очікування. Це уточнення показує, що наведені показники впровадження стосуються раннього етапу.

Дані бенчмарку та їхні обмеження

Технічні складнощі окремо описано в ORCA-bench — статті дослідників, пов’язаних із Cornell Tech, Traversal і Columbia University. Вона охоплює 1 079 завдань з аналізу першопричин, побудованих на даних за шість днів: понад 50 ГБ метрик, журналів і трасувань із системи, інструментованої за допомогою OpenTelemetry та побудованої на 19 мікросервісах. Агенти працювали зі справжніми інтерфейсами спостережуваності та вихідним кодом, а завдання відрізнялися рівнем конкретності звітів, затримками виявлення та наявністю кількох одночасних несправностей.

За результатами оцінювання п’яти універсальних агентів у статті наведено найкращий показник точності визначення першопричин: 25,3% для завдань середньої складності та 10,0% для складних завдань. Залежно від моделі, у 7–40% звітів про інциденти з’являлися вигадані й неправдоподібні першопричини. Відмова від доступу до вихідного коду знижувала точність і збільшувала кількість галюцинацій у кожної моделі. Це підтверджує висновок, що вміння вільно працювати з кодом не означає здатності надійно діагностувати проблеми під час чергування.

Ці показники не вимірюють ефективність Traversal у виробничому середовищі. Автори застерігають, що результати отримано на контрольованому відкритому тестовому стенді за шість днів, причому кожне завдання розглядали окремо. Чи можна перенести ці результати на більші, мінливі й закриті середовища, досі не перевірено. Отже, бенчмарк окреслює дослідницьку проблему, яку потрібно розв’язати для автономної роботи під час чергування, але не підтверджує перспективність плану компанії зі створення автономного виробничого середовища.

Дані Traversal про впровадження продукту та результати бенчмарку стосуються різних етапів однієї амбіції. Нинішній бізнес компанії зосереджений на розслідуваннях і ширшому колі запитань щодо виробничого середовища. Щоб реалізувати задум автономного виробництва, ще належить перевірити, чи зможе причинно-наслідкова система Traversal вживати коригувальних заходів, оцінювати їхній результат і запобігати повторенню проблем у складних середовищах клієнтів.