Autoheal a annoncé une levée de fonds seed de $7.9 million pour développer et mettre à l’échelle une « software factory » auto‑améliorante destinée aux équipes d’ingénierie plateforme en entreprise. Le tour a été dirigé par Innovation Endeavors, avec Harpinder Singh rejoignant le conseil d’administration. Emergent Ventures, U&I Ventures, Darkmode Ventures, Batch Ventures et Param Hansa Values ont également participé.
Pourquoi l’ingénierie plateforme a besoin d’un nouveau modèle opérationnel
AI accélère la livraison de code, mais cette accélération crée un fardeau opérationnel croissant: davantage d’incidents en production à traiter, plus de vulnérabilités à corriger et des coûts de tokens qui flambent. Autoheal se présente comme une réponse à ces défis et est déjà « battle tested » chez des clients tels que Nomura Bank et AvidXchange, où des agents pointus prêts à l’emploi n’ont pas suffi.
Des workflows répétitifs du cycle de vie du logiciel, comme la gestion des incidents et la remédiation des vulnérabilités, mobilisent plus d’un tiers de la capacité des équipes d’ingénierie. À mesure que les agents de code se multiplient, maîtriser les dépenses LLM et gérer le contexte deviennent des priorités supplémentaires. Or, le déploiement à grande échelle de ces agents échoue souvent à cause d’outils fragmentés, d’un manque de contexte partagé et de contraintes de sécurité strictes. Une plateforme unifiée pour créer, gérer et améliorer itérativement tous les agents de la « software factory » est devenue une priorité immédiate afin d’assurer accès sécurisé en production, infrastructure d’évaluation privée, et contrôles de coûts.
« Notre expérience nous a appris que si la création de la première version d’un agent IA est simple, le véritable défi est de le faire évoluer de façon cohérente sur l’ensemble du SDLC en entreprise », explique Sid Choudhury, cofondateur et CEO d’Autoheal. « Les ingénieurs plateforme ont besoin d’une plateforme unifiée pour déployer des agents qui n’exécutent pas seulement des tâches, mais qui s’améliorent continuellement aux côtés de workflows d’entreprise complexes. Nous avons construit Autoheal pour qu’ils puissent immédiatement endosser le rôle d’ingénieurs IA et accélérer le ROI, sans passer une année à construire l’infrastructure sous-jacente. »
Ce que construit Autoheal
La « software factory » d’Autoheal fournit l’infrastructure et les outils pour transformer une organisation d’ingénierie en une machine auto‑améliorante. La plateforme connecte des agents de codage existants, les dépôts de code, les pipelines CI/CD, les outils d’observabilité, les environnements cloud et les systèmes de suivi des tickets. Tous les agents « workers » partagent ainsi un graphe de contexte d’ingénierie commun.
Deux agents de métagestion opèrent en permanence en arrière-plan. L’agent Evaluator note chaque exécution d’un agent worker: par exemple, un agent de codage peut être évalué sur les spécifications et les pull requests qu’il génère; les signaux amont tels que les commentaires en revue, les échecs CI et les incidents causés servent de critères d’évaluation. L’agent Healer corrige les agents dont le score est faible en ouvrant des pull requests visant à améliorer des compétences, des invites, des outils ou les sélections de modèles. Il vérifie même ces changements par rapport à des benchmarks historiques pour détecter des régressions, avant la revue par un ingénieur.
Chaque changement de comportement est versionné dans Git et nécessite l’approbation d’un ingénieur. Les actions restent gouvernées et auditées, avec visibilité sur les accès, le raisonnement et les coûts. L’objectif est d’augmenter la précision, d’accélérer l’exécution et de réduire le coût par tâche réussie, tout en permettant d’augmenter l’autonomie des agents au fur et à mesure qu’ils prouvent leur fiabilité.
Traction
Autoheal fonctionne déjà dans des environnements réglementés complexes, où des équipes l’utilisent pour réduire les temps de réponse aux incidents, traiter les escalades du support client et libérer des milliers d’heures de capacité d’ingénierie.
« Nos équipes d’opérations de production passent un temps précieux à trier les alertes et à gérer les incidents, tout en détournant des ingénieurs de leurs activités de développement logiciel. Autoheal nous fournit une plateforme qui ramène les délais d’investigation de heures à minutes. Le fait qu’elle s’exécute entièrement dans notre propre cloud, en conformité avec nos contrôles, en fait un choix naturel pour notre mode d’opération », dit Sameer Jain, CIO Wholesale chez Nomura Bank.
« En réponse aux incidents en production, Autoheal a réduit notre temps pour trouver la cause racine à quelques minutes, avec des preuves auxquelles nos ingénieurs font confiance. C’est du temps que nos développeurs peuvent consacrer aux nouvelles fonctionnalités. Nous allons ensuite l’étendre à d’autres parties critiques du SDLC, car chaque heure d’ingénierie récupérée nous permet de livrer plus vite pour nos clients », indique Krish Shetty, CTO & SVP chez AvidXchange.
« Autoheal nous a aidés à résoudre deux défis majeurs à la fois: accélérer le dépannage de nos ingénieurs dans un environnement complexe, et optimiser significativement nos coûts logiciels liés à la supervision », ajoute Vijay Pendyala, SVP Engineering & Customer Success chez Empiric Earth.
Origine et perspectives
Autoheal est né de l’expérience des fondateurs dans la construction de plateformes d’ingénierie et d’IA en entreprise chez Harness, Microsoft Azure, ThoughtSpot et AppDynamics. Après avoir fait évoluer Harness à plus de $200M ARR, l’équipe a constaté qu’il était devenu facile de créer des agents IA individuels, mais très coûteux en temps et en tokens de les déployer en toute sécurité sur l’ensemble du SDLC et des équipes. Pour éviter la prolifération d’agents et garantir la gouvernance de jour 2, une plateforme doit gérer les agents comme du code, sous la supervision de méta-agents qui apprennent en continu — ce constat a donné naissance à la « software factory » d’Autoheal.
« Les entreprises passent rapidement de l’expérimentation d’agents IA à la question de leur exploitation sûre et efficace à grande échelle sur l’ensemble de la software factory », commente Harpinder Singh d’Innovation Endeavors. « Autoheal construit la couche d’infrastructure d’agents qui rend cela possible. L’opportunité dépasse largement un agent ou un workflow: il s’agit d’offrir aux équipes plateforme un moyen répétable et scalable de déployer de l’intelligence spécialisée dans l’organisation d’ingénierie. »
Autoheal prévoit de développer une « sovereign intelligence » en appliquant le reinforcement learning aux données d’ingénierie privées de chaque entreprise, afin de former des petits modèles de langage spécifiques à l’entreprise à l’intérieur d’une frontière de sécurité approuvée. Ces modèles alimenteront les agents de la software factory à moindre coût et répondront à la limite des modèles de pointe qui connaissent bien le monde externe mais peu les rouages internes d’une entreprise. À plus long terme, l’architecture pourra s’étendre au-delà du génie logiciel vers l’ingénierie des données et de la sécurité.
À propos d’Autoheal
Autoheal est une software factory auto‑améliorante pour les équipes d’ingénierie d’entreprise. Elle combine une couche de contexte qui apprend en continu à partir de données d’ingénierie privées et un plan de contrôle gouverné pour des agents IA sur l’ensemble du SDLC, y compris des agents de codage populaires. Les équipes accélèrent la livraison de fonctionnalités tout en réduisant les coûts de tokens LLM, en diminuant le MTTR des incidents de production et en accélérant la remédiation des vulnérabilités. Pour plus d’informations: autoheal.ai.
