Traversal Inc. propose une IA autonome dédiée à l’ingénierie de fiabilité des sites (SRE). Après une levée de 120 M$ menée par Kleiner Perkins, Redpoint Ventures et Khosla Ventures, la société est évaluée à 1 Mrd de dollars. Le financement vise à accélérer le déploiement d’un agent capable d’analyser les journaux, métriques et traces afin de diagnostiquer et corriger les incidents d’infrastructure.

Contexte et enjeux

Un rapport de Splunk et Oxford Economics indique que les temps d’arrêt d’entreprise ont augmenté de plus de 50 % en deux ans, représentant jusqu’à 600 Mds $ de pertes annuelles. Cette hausse coïncide avec une hausse de 180 % de la production de code, ce qui surcharge les équipes SRE. Traversal se positionne comme une réponse à ce déséquilibre en automatisant les tâches de détection et de remédiation.

Architecture de l'AI SRE de Traversal

L’agent s’installe dans l’environnement IT du client et consomme en continu des flux de télémétrie (logs, métriques, traces). Il construit un modèle de comportement normal puis, à la survenue d’un incident, applique un apprentissage causal pour identifier la cause racine. Le co‑fondateur Anish Agarwal, spécialiste du causal machine learning, explique que cette discipline combine inférence causale et apprentissage statistique, permettant de simuler l’impact d’actions correctives plutôt que de se fier à des corrélations.

Le système repose sur un benchmark interne, ORCA‑bench, co‑développé avec Cornell Tech et Columbia University. Ce benchmark montre que les modèles de langage de pointe atteignent seulement 25 % de précision sur des tâches SRE de difficulté moyenne, avec des taux d’hallucination supérieurs à 40 %. Traversal affirme que son modèle dépasse largement ces performances grâce à l’intégration du raisonnement causal.

Évaluation et limites techniques

Sur le plan commercial, Traversal rapporte une croissance de revenu supérieure à neuf fois en un an et une multiplication par 20 du nombre d’utilisateurs actifs mensuels, avec des clients tels que PepsiCo, DigitalOcean, Nubank et Harvey AI. Cependant, l’efficacité de l’agent dépend de la qualité et de la granularité des données de télémétrie disponibles ; des environnements où les logs sont incomplets ou les métriques mal instrumentées limitent la capacité de l’IA à établir un modèle fiable.

Par ailleurs, le recours à l’apprentissage causal nécessite des modèles entraînés sur des scénarios d’incident spécifiques, ce qui implique un effort continu de collecte de données d’incidents réels. Le risque de « hallucination » persiste, même si les taux sont réduits, et la décision finale reste entre les mains de l’ingénieur humain, qui doit valider les recommandations avant l’application.

En résumé, Traversal introduit une approche basée sur le causal machine learning pour automatiser la résolution d’incidents SRE, s’appuyant sur des données de télémétrie massives et un benchmark interne qui quantifie les limites des modèles généraux. Le succès de la solution dépendra de la capacité à maintenir la qualité des données d’entrée et à gérer les scénarios hors distribution qui peuvent encore générer des réponses erronées.