Autoheal хочет управлять работой, оставшейся после ИИ-агентов для написания кода, заявляя о сокращении затрат до 30% на задачу

Инструменты ИИ для написания кода уже генерируют новый код быстрее, чем корпоративные команды успевают его оценивать.

Каждое новое приложение и каждое изменение кода по-прежнему требуют мониторинга, реагирования на инциденты, устранения уязвимостей и проверок перед выпуском. Именно поэтому Autoheal, новый стартап из Сан-Франциско, разработал платформу, призванную учитывать весь этот дополнительный объём работы.

В Autoheal говорят, что команды могут использовать платформу для расследования инцидентов, устранения уязвимостей, подготовки к выпуску, эскалации обращений в службу поддержки и управления затратами на написание кода с помощью ИИ. Компания предлагает готовых агентов, а также инструменты для создания собственных.

На сайте Autoheal называет продукт «самосовершенствующейся программной фабрикой».

Так называют систему, которая предоставляет нескольким специализированным агентам доступ к одному и тому же инженерному контексту, оценивает результаты их работы и предлагает изменения, если их эффективность снижается.

Сегодня компания объявила о привлечении посевного раунда на 7,9 млн долларов под руководством Innovation Endeavors, а также о широком запуске своей платформы.

На сайте компании потенциальным клиентам предлагают записаться на демонстрацию и описывают трёхнедельную оценку платформы под руководством встроенного в команду инженера: определить желаемые результаты, подключить системы клиента, запустить агентов на реальных задачах и оценить результаты, прежде чем принимать решение о дальнейшем сотрудничестве.

Объединение разрозненных ИИ-агентов для написания кода

На практике основная проблема — разрозненность данных. Чтобы разобраться в сбое в рабочей среде, инженеру может потребоваться свести воедино оповещения мониторинга, последние изменения кода, действия в облачной инфраструктуре, записи о развёртывании и внутреннюю документацию. Агент, которому доступен лишь один из этих источников, может предложить правдоподобное, но неполное объяснение.

Autoheal объединяет ИИ-агентов для написания кода, репозитории, инструменты сборки и развёртывания, системы мониторинга, облачные среды и системы отслеживания задач в общий контекстный слой. По словам компании, агенты могут работать со всеми этими источниками в соответствии с правилами доступа организации.

На странице, посвящённой реагированию на инциденты, показано, как это может работать на практике. По словам Autoheal, перед передачей расследования агенту система группирует оповещения с помощью традиционных правил. Агент сопоставляет журналы, трассировки, недавние развёртывания и различия в коде, а затем публикует доказательства и предполагаемую первопричину в канале инцидента. Для инцидентов низкой степени серьёзности, утверждает компания, агент может проверить исправление в изолированной среде и открыть запрос на внесение изменений для ответственной команды; решение об объединении изменений остаётся за инженерами. Агент также может подготовить отчёт о разборе инцидента по его хронологии. Это описанные возможности продукта, а не результаты независимой проверки каждого развёртывания.

«Наш опыт показал: создать первую версию ИИ-агента легко, а вот обеспечить его стабильную работу в масштабе корпоративного цикла разработки ПО — настоящая сложность», — заявил сооснователь и генеральный директор Sid Choudhury в письменном пресс-релизе, предоставленном VentureBeat.

Autoheal предлагает платформенным командам общий способ развёртывать агентов, управлять ими и совершенствовать их в разных инженерных подразделениях.

Агенты, которые проверяют работу других агентов

Отличительная особенность системы — предложенный компанией цикл обратной связи.

1. Агент-оценщик оценивает работу других агентов, анализируя такие сигналы, как комментарии к проверке кода, неудачные проверки сборки и инциденты в рабочей среде, чтобы оценить результат работы агента для написания кода.

2. Агент-исправитель может открыть запрос на внесение изменений в инструкции, навыки, инструменты или выбор модели для агента, работающего ниже ожидаемого уровня. Перед проверкой инженером он сверяет предложенные изменения с результатами исторических тестов. По данным Autoheal, изменения поведения отслеживаются в Git и требуют одобрения человека.

На странице продукта описаны две составляющие этого цикла: обновление инструкций и инструментов агента, а также улучшение общего контекста, к которому он обращается. Например, замечание человека во время инцидента может стать источником информации для последующих запусков.

На странице также говорится, что команды могут задавать бюджеты и пороги уверенности для каждого агента, повторно запускать и сравнивать задачи, а также анализировать затраты, задержки и точность в разрезе агентов и команд. Вызывать агентов можно через интерфейс командной строки, API или вебхук, MCP, Slack или Microsoft Teams.

Такая система может помочь решить распространённую проблему сопровождения: агент, хорошо работающий для одной команды, может начать давать сбои по мере изменения приложений, инструментов и организационных правил.

В центре предложения Autoheal также оказывается вопрос, на который можно найти проверяемый ответ: может ли платформа показать, что предлагаемые ею изменения улучшают результаты работы команд и при этом не приводят к новым сбоям? Компания рассказывает о закрытых оценках и проверках на регрессии, однако материалы, предоставленные VentureBeat, не содержат независимых сравнительных тестов или результатов работы этого цикла обратной связи.

По словам Autoheal, платформа обеспечивает защищённые изолированные среды, журналы аудита, контроль затрат и маршрутизацию запросов к моделям. В письменной справке о компании Choudhury сообщил, что она может направлять задачи с большим объёмом операций к менее дорогим моделям с открытыми весами, оставляя более дорогие передовые модели для сложной оркестрации.

По его словам, клиенты, использующие собственные ключи API моделей, получают эту экономию за счёт маршрутизации. Коммерческая модель компании основана преимущественно на потреблении и привязана к использованию агентов; тарифы и типичный счёт клиента компания не предоставила.

На странице о сокращении затрат на написание кода описан более конкретный сценарий: считывать трассировки выполнения существующих у команды ИИ-агентов для написания кода, превращать реальные сеансы работы с кодом в оценочные задачи, сравнивать на них модели и настройки, а затем предлагать изменение навыка или конфигурации через запрос на внесение изменений.

В качестве примера приводится сокращение затрат на задачу на 30% за счёт снижения уровня усилий модели и ещё на 10% — благодаря передаче рутинной работы меньшей вспомогательной модели.

На странице не указаны исходная рабочая нагрузка, выборка или клиент, на которых основаны эти цифры. Поэтому их следует рассматривать как пример подхода, а не как измеренную экономию, на которую могут рассчитывать покупатели.

Продукт также рассчитан на работу с уже существующими ИИ-агентами для написания кода. Choudhury назвал Claude Code, Codex и GitHub Copilot среди внешних инструментов, рабочие процессы которых Autoheal намерена оценивать и улучшать. В качестве конкурентов он назвал Factory.ai и Devin от Cognition, отметив, что одни лишь ИИ-агенты для написания кода не охватывают повторяющиеся операционные задачи, общие для разных команд, на которых сосредоточена его компания.

Эти сравнения отражают точку зрения Autoheal; VentureBeat не проводил независимого тестирования этих продуктов друг против друга.

На сайте также упоминаются Cursor и пользовательские агенты как возможные источники данных. По словам Autoheal, платформа поддерживает развёртывание в формате SaaS, гибридную модель и изолированное размещение в облаке клиента с использованием одобренных моделей. Компания сообщает об ограничении доступа политиками, временных учётных данных и ведении журналов действий агентов.

На сайте указаны ISO 27001, SOC 2 Type II и отсутствие хранения данных, однако предоставленные материалы не подтверждают область действия этих гарантий и их независимую проверку; корпоративному покупателю потребуется изучить соответствующую документацию.

Вопрос ценообразования

Autoheal заявляет, что агенты можно быстро настроить, однако это не то же самое, что развёртывание платформы и её оценка в масштабах предприятия. На сайте нет цен для самостоятельного подключения или стандартного пробного тарифа.

На прямой вопрос о конкретных затратах и тарифных планах представитель компании ответил, что она взимает плату в «долларах за сеанс работы агента».

Администратор компании-клиента устанавливает бюджет для каждого сеанса. Однако общий бюджет сеанса можно расходовать по-разному: например, сложное реагирование на инцидент в рабочей среде может обойтись в 20 долларов, а простое устранение уязвимости — в 2 доллара.

Для корпоративных покупателей этот диапазон имеет значение: суммы в примерах различаются в десять раз, поэтому расходы будут зависеть от количества и сложности сеансов, даже если администраторы задают бюджеты.

Autoheal не уточнила, когда сеанс начинается и заканчивается, что происходит, если агент исчерпывает бюджет до завершения задачи, взимается ли плата за неудачные или повторные попытки и включены ли в стоимость расходы на используемые модели.

Компания также не раскрыла минимальные обязательства по объёму закупок, скидки за большой объём, плату за платформу или поддержку и стоимость трёхнедельной оценки. Без этих сведений нельзя спрогнозировать ежемесячный счёт или сравнить услугу с внутренней системой.

По словам Autoheal, маршрутизация позволяет направлять задачи с большим объёмом операций к более дешёвым моделям с открытыми весами, а передовые модели оставлять для более сложной оркестрации. Компания утверждает, что при развёртывании с собственными ключами API моделей клиента передаёт ему полученную за счёт маршрутизации экономию без дополнительной платы. Это снижает одну из составляющих эксплуатационных затрат, но не гарантирует общей экономии с учётом платы Autoheal за сеансы.

Приведённый на сайте отдельный пример сокращения затрат на задачу на 30% касается настройки существующего ИИ-агента для написания кода, а не скидки на услуги Autoheal.

Что говорят клиенты

Autoheal привела примеры использования платформы конкретными клиентами, которые помогают нагляднее представить её возможную пользу. Компания утверждает, что Nomura сократила среднее время разрешения инцидентов с двух часов до 15 минут, используя платформу для анализа данных мониторинга, кода, облачных систем, конвейеров развёртывания и баз знаний. Sameer Jain, ИТ-директор оптового подразделения Nomura, заявил в переданном Autoheal комментарии, что платформа сокращает расследования «с часов до минут» и работает в рамках собственных облачных механизмов контроля банка. Компания не предоставила период, размер выборки или методику расчёта показателя сокращения времени с двух часов до 15 минут.

Согласно справке о компании, AvidXchange использует Autoheal для реагирования на инциденты, проверки готовности к выпуску и адаптации новых инженеров. Autoheal утверждает, что эта работа позволяет экономить тысячи инженерных часов в месяц. Технический директор и старший вице-президент AvidXchange Krish Shetty заявил, что инструмент для работы с инцидентами помогает инженерам за считаные минуты определить вероятную первопричину. Это сведения, предоставленные компаниями-клиентами, а не результаты независимого аудита.

Примеры использования не ограничиваются инцидентами в рабочей среде. По словам Autoheal, компания Nauto, работающая в сфере безопасности автопарков, использует платформу для объединения журналов устройств, данных складских систем, сведений о недавних выпусках и внутренних записей о проблемах, когда клиенты сообщают о неисправности. Компания утверждает, что инженеры Nauto, дежурящие по вызову, решают такие проблемы на 50% быстрее. В отдельном комментарии, предоставленном Autoheal, вице-президент Oscilar Joby Babu рассказал об агенте, который собирает данные из Grafana, Slack, ClickHouse, продуктовой документации и Pylon для сортировки обращений в службу поддержки. Компания Empiric Earth также предоставила комментарий о затратах на устранение неполадок и мониторинг. Autoheal не привела независимо проверяемые исходные данные для этих примеров.

Это различие важно, поскольку продукт охватывает несколько разных типов работы. Более быстрая первичная диагностика не обязательно означает, что окончательное исправление будет выполнено быстрее, а экономия инженерного времени зависит от того, как команды учитывают затраты до и после внедрения. Потенциальным покупателям следует запросить результаты по отдельным задачам, стоимость каждой успешно выполненной задачи и данные о том, как часто инженеры отклоняют рекомендации агента.

На общедоступном сайте также приведены иллюстрации показателей до и после внедрения: времени от внесения изменения до его выпуска, количества инцидентов и устранения уязвимостей. Эти иллюстрации не обозначены как результаты измерений у клиентов. Поэтому их следует рассматривать отдельно от заявлений названных клиентов и более конкретного утверждения компании о Nomura.

Финансирование, запуск и дальнейшие планы

Посевной раунд возглавила Innovation Endeavors, а её представитель Harpinder Singh вошёл в совет директоров Autoheal. Среди других инвесторов компания назвала Emergent Ventures, U&I Ventures, Darkmode Ventures, Batch Ventures и Param Hansa Values. По словам Choudhury, в Autoheal работают 13 инженеров в Кремниевой долине и Бенгалуру. Компания начала продавать платформу три месяца назад и рассчитывает, что к концу года выручка достигнет семизначной суммы, сообщил он в письменных ответах; текущую регулярную годовую выручку, маржинальность и денежный поток компания не раскрыла.

На странице «О компании» говорится, что Choudhury ранее занимал руководящие должности в Harness и Yugabyte, технический директор Utkarsh Ohm руководил разработкой ИИ и машинного обучения в ThoughtSpot, а директор по разработке Puneet Saraswat ранее занимал руководящие инженерные должности в Harness и Microsoft.

Долгосрочный план компании — обучать небольшие модели на закрытых инженерных данных каждого клиента, используя обратную связь по повторяющимся задачам, например анализу инцидентов. Autoheal считает, что такие модели в перспективе помогут снизить эксплуатационные расходы и повысить эффективность работы с задачами, специфичными для конкретной организации.

В предоставленных материалах эта возможность описана как направление развития, а не как подтверждённый результат. При этом на странице текущего продукта в разделе о развёртывании есть отметка «Обучение моделей не проводится», но не объясняется, к чему именно она относится и как соотносится с будущим планом создания моделей для отдельных клиентов. Компания также видит потенциальные возможности применения платформы в сфере безопасности, работы с данными, поддержки и инженерии продаж.

Пока предложение компании сформулировано уже и его проще оценить: может ли инженерная команда предоставить агентам нужный контекст, контролировать их действия и повышать эффективность по мере изменения своих систем. Широкий запуск Autoheal даёт компаниям возможность проверить это на реальных задачах, накапливающихся после написания кода.