Deductive AI привлекает 7,5 млн долларов на сокращение времени отладки кода

Поскольку программные системы становятся всё более сложными, а инструменты на базе искусственного интеллекта генерируют код быстрее, чем когда-либо, фундаментальная проблема усугубляется: инженеры тонут в работе по отладке, тратя до половины своего времени на поиск причин сбоев ПО вместо создания новых продуктов. Эта проблема стала настолько острой, что порождает новую категорию инструментов — ИИ-агентов, способных диагностировать сбои в продакшене за считанные минуты вместо часов.

Стартап Deductive AI, вышедший в среду из тени (режима стелс), считает, что нашел решение этой проблемы, применив обучение с подкреплением — ту же технологию, которая лежит в основе ИИ-систем, играющих в игры, — в хаотичный и критически важный мир инцидентов с производственным программным обеспечением. Компания объявила о привлечении 7,5 млн долларов в рамках посевного раунда финансирования под руководством CRV при участии Databricks Ventures, Thomvest Ventures и PrimeSet. Цель финансирования — коммерциализация так называемых ИИ-агентов SRE, способных диагностировать и помогать устранять сбои программного обеспечения на машинно-быстрой скорости.

Этот подход находит отклик на фоне растущего разочарования в инженерных организациях: современные инструменты наблюдаемости могут показать, что что-то сломалось, но они редко объясняют почему. Когда производственная система выходит из строя в 3 часа ночи, инженеры по-прежнему сталкиваются с часами ручной детективной работы, сопоставляя логи, метрики, историю деплоев и изменения кода в десятках взаимосвязанных сервисов для выявления первопричины.

«Сложность и взаимозависимость современной инфраструктуры приводят к тому, что расследование первопричины сбоя или инцидента может ощущаться как поиск иголки в стоге сена, за исключением того, что стог сена размером с футбольное поле, состоит из миллиона других иголок, постоянно перемешивается и горит — и каждая секунда, пока вы её не нашли, означает упущенную выгоду», — рассказал Самеер Агарвал (Sameer Agarwal), соучредитель и технический директор Deductive, в эксклюзивном интервью VentureBeat.

Система Deductive создает так называемый «граф знаний», который отображает связи между кодовыми базами, телеметрическими данными, обсуждениями инженеров и внутренней документацией. Когда происходит инцидент, несколько ИИ-агентов работают вместе, чтобы формировать гипотезы, проверять их на основе реальных данных системы и находить первопричину, имитируя рабочий процесс расследования опытных инженеров по надежности сайта (SRE), но завершая этот процесс за минуты, а не часы.

Технология уже продемонстрировала измеримый эффект в некоторых из самых требовательных производственных сред мира. Рекламная платформа DoorDash, которая выполняет аукционы в реальном времени, завершающиеся менее чем за 100 миллисекунд, интегрировала Deductive в свой рабочий процесс реагирования на инциденты. Компания поставила амбициозную цель на 2026 год — решать производственные инциденты в течение 10 минут.

«Наша рекламная платформа работает в таком темпе, при котором ручные, медленные расследования больше не жизнеспособны. Каждая минута простоя напрямую влияет на выручку компании», — заявил Шахруз Ансари (Shahrooz Ansari), старший директор по инжинирингу в DoorDash, в интервью VentureBeat. «Deductive стала критически важным продолжением нашей команды, быстро синтезируя сигналы по десяткам сервисов и выводя на поверхность важные инсайты всего за несколько минут».

Deductive установила первопричины примерно 100 производственных инцидентов в компании DoorDash за последние несколько месяцев, причем ее точность повышается с каждым расследованием. По оценкам компании для организации масштаба DoorDash, это сэкономит более 1 000 часов инженерного рабочего времени ежегодно, а предполагаемое влияние на общую выручку составит «миллионы долларов», по словам Ансари. В компании, занимающейся геопространственной аналитикой, Foursquare компания Deductive сократила время диагностики сбоев заданий Apache Spark на 90%, превратив процесс, который раньше занимал часы или дни, в задачу, решаемую менее чем за 10 минут, и обеспечив более 275 000 долларов ежегодной экономии.

Почему генерируемый ИИ код создает кризис отладки

Момент запуска Deductive отражает назревающее напряжение в разработке программного обеспечения: ИИ-помощники по написанию кода позволяют инженерам генерировать код быстрее, чем когда-либо, но получающееся в результате ПО часто становится сложнее для понимания и поддержки.

«Vibe coding» (вайб-кодинг) — термин, популяризированный исследователем ИИ Андреем Карпатым — относится к использованию промптов на естественном языке для генерации кода с помощью ИИ-ассистентов. Хотя эти инструменты ускоряют разработку, они могут приводить к тому, что Агарвал описывает как «избыточность, нарушения архитектурных границ, необоснованные допущения или игнорирование шаблонов проектирования», которые со временем накапливаются.

«Большая часть сгенерированного ИИ кода по-прежнему привносит избыточность, нарушает архитектурные границы, делает предположения или игнорирует устоявшиеся шаблоны проектирования», — сказал Агарвал изданию Venturebeat. «Во многом нам теперь нужен ИИ, чтобы помочь разгрести тот беспорядок, который сам ИИ и создает».

Утверждение о том, что инженеры тратят примерно половину своего времени на отладку, — это не преувеличение. Ассоциация вычислительной техники (Association for Computing Machinery) сообщает, что разработчики тратят от 35% до 50% своего времени на валидацию и отладку программного обеспечения. Совсем недавно в отчете Harness’s State of Software Delivery 2025 было обнаружено, что 67% разработчиков тратят больше времени на отладку кода, сгенерированного ИИ.

«Мы видели, как инженеры мирового класса тратят половину своего времени на отладку вместо созидания», — сказал Ракеш Котари (Rakesh Kothari), соучредитель и генеральный директор Deductive. «И поскольку вайб-кодинг генерирует новый код с невиданной ранее скоростью, эта проблема будет только усугубляться».

Как ИИ-агенты Deductive на самом деле расследуют производственные сбои

Технический подход Deductive существенно отличается от функций ИИ, добавляемых в существующие платформы наблюдаемости, такие как Datadog или New Relic. Большинство этих систем используют большие языковые языковые модели для суммирования данных или выявления корреляций, но им не хватает того, что Агарвал называет «рассуждениями с учетом кода» (code-aware reasoning) — способности понимать не только то, что что-то сломалось, но и почему код ведет себя именно так.

«Большинство предприятий используют несколько инструментов наблюдаемости в разных командах и сервисах, поэтому ни у одного вендора нет единого целостного представления о том, как их системы работают, ломаются и восстанавливаются, и они не могут сопоставить это с пониманием кода, который определяет поведение системы», — пояснил Агарвал. «Это ключевые компоненты для устранения программных инцидентов, и именно этот пробел заполняет Deductive».

Система подключается к существующей инфраструктуре с помощью API с правами только на чтение для платформ наблюдаемости, репозиториев кода, инструментов управления инцидентами и систем чата. Затем она непрерывно строит и обновляет свой граф знаний, сопоставляя зависимости между сервисами и отслеживая историю деплоев.

При срабатывании оповещения Deductive запускает то, что компания описывает как многоагентное расследование. Разные агенты специализируются на различных аспектах проблемы: один может анализировать недавние изменения в коде, другой изучает данные трассировки, а третий сопоставляет время инцидента с недавними развертываниями. Агенты делятся полученными данными и итеративно уточняют свои гипотезы.

Ключевое отличие от автоматизации на основе правил заключается в использовании Deductive обучения с подкреплением. Система на каждом инциденте учится тому, какие шаги расследования привели к правильным диагнозам, а какие оказались тупиковыми. Когда инженеры оставляют отзыв, система учитывает этот сигнал в своей модели обучения.

«Каждый раз, когда система наблюдает за расследованием, она узнает, какие шаги, источники данных и решения привели к правильному результату», — сказал Агарвал. «Она учится мыслить в процессе решения проблем, а не просто указывать на них».

В DoorDash недавний скачок задержки (латентности) в API поначалу казался изолированной проблемой сервиса. Расследование Deductive показало, что первопричиной на самом деле были ошибки тайм-аута со стороны нижестоящей (downstream) платформы машинного обучения, на которой проводился деплой. Система связала эти точки воедино, проанализировав объемы логов, трассировки и метаданные развертывания по нескольким сервисам.

«Без Deductive нашей команде пришлось бы вручную сопоставлять всплеск задержки по всем логам, трассировкам и историям развертываний», — сказал Ансари. «Deductive смогла объяснить не только то, что изменилось, но и как и почему это повлияло на поведение продакшена».

Компания оставляет человека в контуре — пока что

Хотя технология Deductive теоретически может отправлять исправления напрямую в производственные системы, компания сознательно решила оставить человека в контуре — по крайней мере, на данный момент.

«Хотя наша система способна на более глубокую автоматизацию и может внедрять исправления в продакшн, в настоящее время мы рекомендуем точные исправления и меры по устранению, которые инженеры могут проверить, валидировать и применить», — сказал Агарвал. «Мы считаем, что сохранение человека в контуре необходимо для доверия, прозрачности и операционной безопасности».

Однако он признал, что «со временем мы действительно думаем, что появится более глубокая автоматизация и то, как люди действуют в контуре, будет развиваться».

Ветераны Databricks и ThoughtSpot делают ставку на рассуждения, а не на наблюдаемость

Команда основателей обладает глубоким опытом создания некоторых из самых успешных платформ инфраструктуры данных в Кремниевой долине. Агарвал получил степень доктора философии в Калифорнийском университете в Беркли, где он создал BlinkDB, влиятельную систему для приближенной обработки запросов. Он был одним из первых инженеров в Databricks, где помогал создавать Apache Spark. Котари был одним из первых инженеров в ThoughtSpot, где руководил командами, занимающимися распределенной обработкой запросов и оптимизацией крупномасштабных систем.

Инвесторский синдикат отражает как технический авторитет, так и рыночные возможности. Помимо Макса Газора (Max Gazor) из CRV, в раунде приняли участие Ион Стойка (Ion Stoica), основатель Databricks и Anyscale; Аджит Сингх (Ajeet Singh), основатель Nutanix и ThoughtSpot; и Бен Зигельман (Ben Sigelman), основатель Lightstep.

Вместо конкуренции с такими платформами, как Datadog или PagerDuty, Deductive позиционирует себя как дополнительный уровень, который располагается поверх существующих инструментов. Модель ценообразования отражает это: вместо взимания платы за объем данных Deductive берет оплату за количество исследованных инцидентов плюс базовую плату за пользование платформой.

Компания предлагает как облачные варианты развертывания, так и развертывание на собственных мощностях (self-hosted) и подчеркивает, что не хранит клиентские данные на своих серверах и не использует их для обучения моделей для других клиентов — важнейшая гарантия, учитывая проприетарный характер как кода, так и поведения производственных систем.

Имея свежий капитал и первых клиентов в таких компаниях, как DoorDash, Foursquare и Kumo AI, Deductive планирует расширить свою команду и углубить возможности рассуждений системы от реактивного анализа инцидентов до проактивного предотвращения. Ближнерочное видение: помощь командам в прогнозировании проблем до их возникновения.

Ансари из DoorDash дает прагматичную оценку текущему состоянию технологии: «Расследования, которые раньше были ручными и отнимали много времени, теперь автоматизированы, что позволяет инженерам переключить свою энергию на предотвращение, влияние на бизнес и инновации».

В индустрии, где каждая секунда простоя означает упущенную выгоду, этот переход от тушения пожаров к созиданию все больше выглядит не как роскошь, а как обязательное условие.