Платформа Resolve AI увеличивает точность определения первопричин в два раза
Resolve AI, производственно-операционный стартап, поддерживаемый фондами Greylock и Lightspeed Venture Partners, сегодня объявил о масштабном расширении своей платформы. Обновление включает в себя постоянно работающие фоновые агенты, переработанную архитектуру расследований, а также общее рабочее пространство, где инженеры и ИИ-агенты в режиме реального времени совместно работают над действующими инцидентами.
Центральным элементом релиза стала новая многоагентная система расследований, разработанная собственным исследовательским подразделением Resolve AI. Вместо того чтобы задействовать одного ИИ-агента для диагностики сбоя в продакшене — что аналогично дежурному инженеру на смене, — платформа теперь отправляет скоординированную команду специализированных агентов. Они параллельно проверяют множество гипотез, независимо подтверждают выводы друг друга и строят полные причинно-следственные цепочки от первопричины до симптомов. По заявлению компании, такая архитектура обеспечивает более чем двукратное улучшение точности определения первопричин на внутренних оценочных тестах по сравнению с предыдущими версиями платформы.
«Представьте себе одного дежурного агента, который работает так же, как человек, — рассказал Спирос Ксантос (Spiros Xanthos), генеральный директор и соучредитель Resolve AI, в эксклюзивном интервью VentureBeat в преддверии анонса. — Теперь у нас есть команда агентов, которые работают вместе, почти как команда людей, отлаживающих проблему, и это повысило качество в 2 раза».
Этот анонс появляется в момент острой напряженности в индустрии программного обеспечения. Популярность генерации кода с помощью ИИ взрывообразно выросла, позволив инженерным командам выпускать значительно больше программного обеспечения, чем два года назад. Однако поддержание этого ПО в работающем состоянии в продакшене — его отладка при сбоях, мониторинг после развертывания и аудит работоспособности — по-прежнему остается преимущественно ручным трудом. Привлекая 125 миллионов долларов в раунде серии A при оценке в 1 миллиард долларов ранее в этом году, Resolve AI делает ставку на то, что операционная сторона жизненного цикла ПО станет следующим крупным рубежом для инвестиций в ИИ.
Что сотни реальных тестовых сценариев говорят об утверждении о точности
Любые заявления стартапа о точности вызывают закономерные вопросы, и Ксантос честно рассказал как о масштабах, так и об ограничениях проведенной оценки. Показатель двукратного улучшения основан на внутренних бенчмарках, а не на независимом аудите, хотя набор тестов был сформирован так, чтобы отражать сложность, с которой клиенты Resolve AI из корпоративного сегмента сталкиваются ежедневно.
«Мы создали очень сложные и трудные тесты, которые со временем отражают реальные примеры, — пояснил Ксантос. — Это не клиентские данные, но данные тесты представляют собой сложные кейсы, аналогичные тем, с которыми мы сталкиваемся в крупнейших технологических компаниях, с которыми мы работаем». Он описал этот набор как состоящий из сотен случаев, отражающих сбои в продакшене, с которыми сталкиваются такие компании, как Coinbase, Salesforce, DoorDash и Zscaler, — все они являются клиентами Resolve AI.
Практический эффект от такого прироста точности весьма значителен. Теперь агенты Resolve AI выступают в роли специалистов первичного реагирования на любое дежурное оповещение, выполняя триаж обычно в течение пяти минут — еще до того, как к процессу подключается инженер-человек. В более ранних публичных отчетах компания упоминала, что DoorDash сократила время до выявления первопричины на 87 процентов. На просьбу прокомментировать эту цифру Ксантос описал типичные исходные показатели.
«Когда что-то идет не так, человеку может потребоваться от пяти до десяти минут, чтобы хотя бы достать ноутбук и подключиться, — сказал он. — Типичное время MTTR (среднее время восстановления) исчисляется десятками минут, а иногда и часами, в зависимости от степени тяжести. Так что улучшение более чем на 80 процентов — в четыре-пять раз быстрее — это на самом деле огромный результат. Мы никогда раньше не достигали такого с помощью ИИ, инструментов, данных или систем наблюдаемости».
Как ИИ-агенты перепроверяют друг друга, чтобы предотвратить галлюцинации в определении первопричин
Одна из главных проблем при применении больших языковых моделей в критически важных для продакшена средах — их склонность генерировать правдоподобные, но неверные ответы. В условиях реального сбоя такой сбой в работе модели может заставить инженерную команду искать неверное решение, пока сервис продолжает простаивать.
Ксантос прямо признал эту проблему. «Это очень распространенная проблема для моделей «из коробки», — сказал он. — Они всегда стараются дать вам ответ, и если у них недостаточно данных, они предложат наилучший из возможных ответов, который с большой вероятностью окажется неверным».
Ответом Resolve AI стала система многоуровневой верификации между агентами. Каждый агент, исследующий гипотезу, обязан сослаться на все доказательства, на которые он опирается, и представить их другому агенту для независимой проверки. Исследующий агент должен выстроить полную причинно-следственную цепочку — от первопричины до симптома, — а агенты-рецензенты активно пытаются опровергнуть эту теорию, выявляя пробелы в логике.
«Часто агенты действительно опровергают такие теории, потому что находят пробелы, — отметил Ксантос. — Существует множество уровней защиты и агентских проверок, которые позволяют Resolve работать с высокой точностью и не вводить в заблуждение».
Не менее важно, по его словам, и то, что система способна открыто заявить о незнании. «Планка для утверждения «у меня есть ответ» очень высока. В таких случаях система скажет: «Вот доказательства, которые я нашел. Вот три или четыре пути, которые вы можете предпринять отсюда, но я не смог полностью доказать, что это и есть проблема». Система такого рода, работающая в продакшене, не может быть «черным ящиком»». В сферах, где неверные ответы влекут за собой операционные последствия, откалиброванная неопределенность может оказаться ценнее самоуверенных результатов. Для ИИ-системы, интегрированной в рабочий процесс реагирования на инциденты, уверенное направление инженеров по ложному пути во время масштабного сбоя может лишь усугубить ущерб, для предотвращения которого она и создавалась.
Внутри новых фоновых агентов, которые никогда не покидают пост
Помимо реагирования на инциденты, Resolve AI представляет новый класс фоновых агентов, предназначенных для выполнения непрерывной, часто невидимой операционной работы, которую инженерные команды должны выполнять, но с трудом поддерживают в нужном масштабе.
Эти агенты работают по расписанию или автоматически активируются в ответ на события — новый деплой, сработавшее оповещение, слияние веток кода (pull request), — со временем накапливая институциональные знания на основе каждого расследования и взаимодействия с людьми. Когда инженер открывает интерфейс Resolve AI, агенты уже выполнили свою работу: провели предварительное расследование приоритетных проблем, проследили за развертываниями, провели аудит гигиены оповещений, зафиксировали дрейф конфигураций и выявили аномалии в расходах.
Ксантос провел различие между фоновыми агентами и агентами реагирования на инциденты, которые были основным продуктом Resolve AI ранее. «Теперь вы можете запускать этих агентов в фоновом режиме постоянно — не только тогда, когда человек просит агента отладить проблему или когда срабатывает оповещение, — сказал он. — Многие наши клиенты теперь отслеживают изменения, попадающие в продакшн, до того, как они вызовут проблему. Существует агент, который следит за этим постоянно».
Он описал этих фоновых агентов как «SRE-агентов общего назначения, доступных каждому разработчику», способных справляться с самыми разными задачами: от мониторинга изменений инфраструктуры, которые могут увеличить расходы на облако, до выполнения пост-инцидентной работы вроде генерации исправлений кода на основе извлеченных из инцидента уроков. Эта концепция решает структурную проблему в работе с ПО: ежедневные задачи, необходимые для поддержания работоспособности продакшн-систем (мониторинг деплоев, расследование алертов, отслеживание изменений в сложных средах), критически важны, но носят реактивный и ручной характер. Инженерные организации знают, что эту работу необходимо делать, но она конкурирует за внимание с разработкой новых функций. Автоматизированные агенты, выполняющие эту работу непрерывно, могут переключить фокус команд с тушения пожаров на проактивное управление.
Общее рабочее пространство, где инженеры и ИИ-агенты проводят расследования вместе
Третьим ключевым компонентом релиза является то, что компания называет общей поверхностью для расследований — рабочим пространством, где инженеры и ИИ-агенты работают с одними и теми же актуальными данными во время активного инцидента. Отчеты обновляются динамически по мере развития расследования. Каждая находка доступна для детального изучения. Инженеры могут исследовать побочные версии без ущерба для основного рабочего процесса. Исходные запросы можно извлекать и изменять прямо на месте, улики и данные встраиваются непосредственно в рабочее пространство, а действия по устранению последствий могут быть запущены из того же интерфейса без переключения между инструментами.
«Думайте об этом как об интерфейсе ко всем производственным инструментам, а также как об интерфейсе, где люди и агенты могут сотрудничать друг с другом — или агенты с агентами, — сказал Ксантос. — Именно это постепенно ведет к росту доверия и автоматизации, потому что вы работаете с агентом, обучаете его и видите результаты».
Компания также делает свою платформу доступной в виде REST API и сервера MCP (Model Context Protocol), что позволяет инженерным командам интегрировать Resolve AI в более широкие агентские рабочие процессы и инфраструктуру. По словам Ксантоса, это уже происходит на практике. «Если компания создала агента общего назначения, при возникновении проблем с отладкой этот агент может обратиться к Resolve, — сказал он. — Или кто-то работает над своим агентом для кодирования на ноутбуке, и Resolve появляется там в качестве MCP. Если есть какая-то активность, связанная с продакшеном, агент для кодирования может вызвать его». Такой упор на совместимость сигнализирует о том, что Resolve AI видит себя не замкнутой системой, а специализированным узлом в более широкой экосистеме ИИ-агентов, которые будут все чаще передавать задачи друг другу. Эту модель Ксантос сравнил с открытой архитектурой интернета, противопоставив ее концепции закрытого сада (walled garden) магазина приложений.
Почему в Resolve AI заявляют, что могут превзойти Datadog, PagerDuty и облачных гигантов
Пространство агентских операций за последний год стало очень конкурентным. Datadog, PagerDuty и крупнейшие облачные провайдеры — все они анонсировали возможности операционной деятельности с поддержкой ИИ. На вопрос о том, что отличает Resolve AI от этих устоявшихся игроков, Ксантос указал на глубину технической базы компании.
«Мы находимся на передовой. Не существует готового чертежа для создания такой системы, как Resolve», — заявил он. Он отметил, что они с соучредителем Маянком Агаровалом (Mayank Agarwal) являются соавторами OpenTelemetry — самого популярного open-source проекта в области наблюдаемости, который сегодня служит де-факто стандартом для сбора метрик, логов и трейсов из современных программных систем.
Ксантос также выделил недавнюю ИИ-лабораторию компании, которую возглавляет исследователь, ранее руководивший посттренингом моделей Llama в Meta. «Ему удалось объединить глубокие знания в области производственной наблюдаемости с ИИ и моделями, и я думаю, что это уникально, — подчеркнул Ксантос. — Я не думаю, что какая-либо другая компания — будь то выходцы из сферы наблюдаемости или стартап — обладает всем этим в комплексе».
По словам Ксантоса, структурную защиту компании обеспечивают полная модель окружения, которую Resolve строит для каждого клиента, система памяти, которая обучается в специфической продакшн-среде заказчика, и многоагентная архитектура. Сейчас лаборатория занимается посттренингом передовых моделей на данных, специфичных для продакшна, — это те процедурные знания, которые опытные инженеры используют для устранения производственных проблем, но которые отсутствуют в стандартных наборах для обучения моделей. Такой подход отражает все более распространенную тенденцию среди компаний, разрабатывающих ИИ-приложения: использование базовых передовых моделей в качестве фундамента при одновременном серьезном инвестировании в дообучение (fine-tuning), извлечение данных (retrieval) и агентские архитектуры для достижения точности, недоступной для универсальных моделей в одиночку.
Как модель ценообразования на основе результатов меняет экономику ИИ в продакшене
Модель ценообразования Resolve AI отличается от традиционного лицензирования корпоративного программного обеспечения. Компания продает кредиты, которые списываются при выполнении агентами реальной работы — подход, основанный на результатах, при котором затраты напрямую привязаны к созданной ценности.
«Мы не продаем программное обеспечение, — сказал Ксантос. — Вы покупаете и используете Resolve, приобретая кредиты, которые расходуются, когда Resolve выполняет действие. Это оплата за результат. Кредиты списываются только тогда, когда Resolve устраняет неполадки в рамках алерта».
Он напрямую затронул вопрос стоимости, заявив, что Resolve AI на самом деле обходится дешевле, чем попытка создать аналогичную систему с нуля с использованием передовых моделей и интеграций MCP. «Если бы вы взяли Opus или GPT-5.4 и попытались построить решение вроде Resolve с помощью MCP, мы подсчитали: в итоге вы потратите гораздо больше токенов, чем заплатили бы Resolve, потому что наша система крайне оптимизирована с точки зрения контекста и чтения временных рядов».
Что касается постоянно работающих фоновых агентов, то, по словам Ксантоса, их непрерывный характер не ведет к автоматическому росту затрат. «Фоновый агент не означает, что он постоянно выполняет интенсивную работу. Это значит, что он может присутствовать в системе, и вы можете поручить ему любую задачу. Многие из таких задач запускаются по определенному триггеру: происходит сбой, кто-то объединяет ветку кода в PR, и вы хотите проверить, повлияет ли это на продакшн». Для корпоративных клиентов в регулируемых отраслях — таких как Coinbase и Zscaler — вопросы резидентности данных и безопасности не подлежат обсуждению. Resolve AI учитывает это благодаря гибкой модели развертывания: уровень данных находится там же, где уже живут существующие инструменты клиента, а уровень инференса может работать как стандартное SaaS-решение или внутри изолированного виртуального облака (VPC) заказчика. «Мы спроектировали Resolve для работы с крупными предприятиями, где стандарты безопасности максимальны, — сказал Ксантос. — Мы принимаем множество мер для обеспечения безопасности Resolve, включая отказ от хранения данных».
Почему инженерные руководители постепенно учатся доверять ИИ-агентам продакшн-системы
Вопрос о том, доверят ли инженерные команды ИИ-агентам автономные действия в продакшене — откат деплоя, добавление вычислительных мощностей, создание пулл-реквеста, — является одним из определяющих культурных вызовов этой технологической волны. Ксантос провел аналогию с беспилотными автомобилями.
«Чтобы разрешить машине самостоятельно ездить по улице, мы должны доказать, что она безопаснее человека. Агенты в продакшене — очень похожая концепция», — пояснил он. Он признал, что не каждый клиент готов к тому, чтобы агенты совершали действия автоматически, но описал градиент доверия, который, по его ожиданиям, будет быстро эволюционировать.
«Существует набор относительно безопасных действий, выполнение которых большинство технологических компаний, вероятно, готовы доверить агенту, и, вероятно, есть другой набор действий, для которых требуется одобрение человека, — сказал он. — Но по мере того, как качество продолжает расти так, как мы это видим в Resolve, я бы сказал, что в этом году мы перейдем порог, когда большинство действий будет выполняться агентом автоматически».
Он описал типичную траекторию внедрения: компании начинают с того, что агенты выдают рекомендации, а человек решает, нажимать ли кнопку. С течением недель или месяцев доверие постепенно укрепляется. «Я не думаю, что здесь применим подход, при котором мы просто пускаем агентов на самотек с самого начала», — отметил Ксантос. Такой инкрементальный подход отражает то, как всегда происходило внедрение корпоративных технологий — от миграции в облако до оркестрации контейнеров: организации движутся со скоростью доверия, а не со скоростью возможностей.
Аргумент о том, что код, сгенерированный ИИ, не решает, а усугубляет кризис в продакшене
Пожалуй, самый провокационный аргумент в тезисах Resolve AI заключается в том, что бум ИИ-кода на самом деле усиливает проблему производственных операций. В недавнем посте в LinkedIn Ксантос обрисовал эту динамику в жестких тонах, заявив, что инженерные лидеры, празднующие ускорение выпуска кода без инвестиций в производственные операции, фактически заставляют старших инженеров «субсидировать скорость» за счет увеличения нагрузки по реагированию на инциденты.
В интервью VentureBeat он вернулся к этой теме. «Теперь, когда агенты для кодирования пишут код, мы производим гораздо больше кода, с которым менее знакомы — люди менее с ним знакомы, — поэтому вам нужен ИИ в качестве защиты», — сказал он.
Такая формулировка позиционирует Resolve AI не просто как инструмент повышения производительности, а как необходимый противовес революции ИИ-кодинга. По мере того как организации развертывают все больше кода, написанного инструментами, которые их инженеры могут не до конца понимать, и работающего в продакшн-системах, которые эти инженеры не создавали, операционная сложность — и последствия возможных сбоев — будут расти пропорционально. В эфире подкаста Stack Overflow в октябре прошлого года Ксантос подкрепил это утверждение цифрами, оценив, что инженеры тратят более 70 процентов своего времени на поддержку и устранение неполадок в продакшн-системах, а не на создание новых функций. «Мы сталкиваемся с новым кризисом, когда мы создаем технологии быстрее, чем успеваем ими управлять», — заявил он в ходе той беседы.
Resolve AI была основана в начале 2024 года Ксантосом и Агаровалом, которые познакомились во время учебы в аспирантуре Иллинойсского университета и работают вместе уже более десяти лет. Ранее Ксантос был соучредителем компаний Pattern Insight (приобретена VMware) и Omnition (приобретена Splunk), где они вместе участвовали в создании OpenTelemetry. Компания привлекла посевные инвестиции в размере 35 миллионов долларов от Greylock в 2024 году, за которыми последовал раунд серии A на 125 миллионов долларов под руководством Lightspeed при оценке в 1 миллиард долларов ранее в этом году. Среди официально объявленных клиентов компании — Coinbase, DoorDash, MSCI, Salesforce, MongoDB и Zscaler.
Долгосрочное видение Ксантоса весьма масштабно. «В долгосрочной перспективе, как только возможности агентов превзойдут возможности инженера-программиста-человека, конечным результатом станет гораздо большее количество технологий и программного обеспечения, — сказал он. — Дело не в том, что над этим будет работать меньше людей. Технологии станут дешевле, доступнее и принесут миру гораздо больше пользы».
На реализацию этого видения уйдут годы. Но более близкое обещание сегодняшнего анонса сводится к тому, что интуитивно понятно каждому дежурному инженеру: ночной звонок в 2 часа ночи, судорожные поиски ноутбука, лихорадочный просмотр дашбордов и логов в поисках ответа, на поиски которого могут уйти минуты, а могут — часы. Resolve AI делает ставку на то, что в следующий раз, когда сработает тревога, команда агентов уже исследует, проверит и задокументирует первопричину еще до того, как телефон инженера успеет загореться. Для профессии, которая долгое время измеряла свои ночи средним временем устранения неполадок (MTTR), вопрос больше не в том, может ли помочь ИИ, — вопрос в том, позволят ли ему это сделать инженеры.
