Contexte et enjeux
Autoheal AI Inc. a levé 7,9 M$ en seed, un tour mené par Innovation Endeavors avec la participation d’Emergent Ventures, U&I Ventures, Darkmode Ventures, Batch Ventures et Param Hansa Values. Cette enveloppe finance la création d’une plateforme destinée à contrôler les agents IA qui automatisent les étapes du cycle de vie logiciel. Les entreprises, en adoptant des usines logicielles pilotées par des dizaines d’agents spécialisés, constatent une hausse des incidents de production, des vulnérabilités et des coûts de tokenisation, ce qui rend indispensable un cadre unifié de gouvernance.
Architecture de la plateforme Autoheal
Le produit s’installe dans le cloud privé de l’entreprise, préservant la conformité aux contrôles internes. Il se connecte aux dépôts de code, aux pipelines CI/CD et aux outils d’observabilité existants. Deux agents métas, l’Evaluator et le Healer, partagent un graph de contexte d’ingénierie commun, garantissant que chaque agent opérationnel dispose des mêmes informations sur les métriques de build, les rapports d’incident et les contraintes de sécurité.
Mécanismes d’évaluation et de guérison
L’Evaluator agent attribue un score aux agents de travail en fonction de critères mesurables : taux d’échecs CI, nombre d’incidents signalés et consommation de tokens. Lorsqu’un score chute, l’Healer agent génère automatiquement une pull request qui ajuste le modèle, le prompt, les outils ou les compétences de l’agent concerné. Chaque modification est versionnée dans Git, comparée à des benchmarks historiques et validée par un superviseur humain avant d’être déployée.
Perspectives et limites
Autoheal prévoit d’introduire des techniques de reinforcement learning pour entraîner des small language models (SLM) sur les données d’ingénierie privées des clients, limitant ainsi les coûts et renforçant la connaissance sectorielle. Les fondateurs, anciens de Microsoft, ThoughtSpot et Harness, envisagent d’étendre l’architecture aux domaines de la donnée et de la sécurité. Toutefois, la dépendance à un modèle d’évaluation quantitatif peut masquer des défauts qualitatifs, et la nécessité d’une supervision humaine introduit un goulot potentiel dans les cycles de correction à grande échelle.
