120 millions de dollars pour réparer le code que l'IA contribue à produire

Valorisée un milliard de dollars, Traversal développe des agents capables de diagnostiquer les pannes logicielles et d'en rechercher les causes profondes.

Écrire du code devient plus rapide. Comprendre pourquoi il cesse de fonctionner en production ne suit pas nécessairement la même cadence. À mesure que les entreprises confient davantage de développement aux assistants IA, leurs systèmes accumulent des modifications, des dépendances et des comportements que les équipes doivent ensuite surveiller. Traversal entend automatiser une partie de ce travail, avec une levée de fonds de 120 millions de dollars qui porte sa valorisation à un milliard.

Cette série B, codirigée par Kleiner Perkins, Redpoint Ventures et Khosla Ventures, bénéficie également de la participation de Sequoia Capital et Battery Ventures. Fondée en 2023 par Anish Agarwal, Raaz Dwivedi, Raj Agrawal et Ahmed Lone, la startup américaine développe un système d'agents spécialisés dans le Site Reliability Engineering (SRE), la discipline chargée de maintenir la disponibilité et le bon fonctionnement des services informatiques.

D'après les informations recueillies par Forbes, les agents de Traversal ont participé à plus de 150 000 investigations au dernier trimestre. L'entreprise affirme avoir multiplié par neuf ses revenus annuels récurrents sur une période de six mois, sans communiquer leur montant absolu. Parmi les organisations utilisatrices figurent Nubank, Harvey, DigitalOcean et PepsiCo, ainsi que plusieurs grandes entreprises américaines. Une panne peut avoir des milliers de causes apparentes

Lorsqu'un service devient inaccessible, les équipes techniques disposent généralement d'une quantité considérable de signaux : journaux d'exécution, alertes, mesures de performance, historiques de déploiement et traces des communications entre applications. Le défi consiste à déterminer lesquels expliquent réellement l'incident.

Une base de données qui ralentit peut provoquer une succession d'erreurs dans plusieurs applications. Les tableaux de surveillance signalent alors simultanément des dizaines de symptômes, sans nécessairement révéler la défaillance initiale. Un modèle de langage peut proposer une explication plausible à partir de ces informations, mais une corrélation temporelle ne suffit pas à établir une relation de cause à effet.

C'est sur cette distinction que repose le Causal Search Engine. Développé à partir des recherches des fondateurs en apprentissage causal et en apprentissage par renforcement, il confronte différentes hypothèses aux dépendances réelles des systèmes, à la chronologie des événements et aux changements intervenus avant la panne.

Les investigations peuvent être réalisées simultanément sur un grand nombre de pistes. Une hypothèse est écartée si elle ne correspond pas aux relations entre les composants ou à la propagation observée des erreurs. Le diagnostic doit ainsi reposer sur une chaîne d'éléments vérifiables plutôt que sur le seul rapprochement de signaux inhabituels.

Cette démarche nécessite toutefois une représentation suffisamment complète de l'infrastructure pour distinguer les conséquences d'une panne de son origine. Une cartographie vivante des infrastructures

La seconde composante de Traversal, appelée Production World Model, rassemble les informations dispersées dans les outils d'observabilité, les dépôts de code, les historiques de déploiement et les comptes rendus d'incidents.

Au lieu de consulter séparément chaque source, les agents travaillent à partir d'une représentation actualisée des services, de leurs dépendances et de leurs comportements. Un changement dans une application peut être relié aux composants qu'elle sollicite, aux opérations effectuées sur les bases de données et aux incidents antérieurs présentant des caractéristiques similaires.

Cette représentation s'enrichit des connaissances opérationnelles accumulées par les équipes, y compris des informations rarement consignées dans les documentations officielles. Le système cherche ainsi à reconstruire les relations effectives entre les éléments d'une infrastructure, qui peuvent différer des schémas théoriques établis lors de sa conception.

Selon Traversal, près de deux années de recherche ont été nécessaires pour développer cette architecture, dont les deux composantes principales ont été présentées en mars 2026.

Les volumes d'utilisation revendiqués témoignent d'une adoption rapide : le nombre mensuel d'investigations serait passé de 513 à près de 73 000 au cours de l'année. Ces chiffres mesurent l'activité de la plateforme, et non le nombre de pannes résolues automatiquement. La communication officielle de l'entreprise ne fournit pas de protocole indépendant permettant d'évaluer la précision des diagnostics sur l'ensemble de ses clients. Des agents qui interviennent avant les ingénieurs

L'activité de Traversal ne se limite plus à rechercher l'origine des interruptions de service. Environ deux tiers des utilisations concernent désormais d'autres opérations, comme le tri des alertes, l'évaluation des risques avant un déploiement, la vérification des inventaires informatiques ou l'analyse du fonctionnement des parcours clients.

Depuis septembre, les Traversal Workers peuvent déclencher des investigations lorsqu'une anomalie est détectée, sans attendre qu'un ingénieur formule une demande. Ces agents persistants recueillent les informations nécessaires, examinent les causes possibles et préparent les opérations de correction.

Le dispositif s'étend également aux outils de développement grâce à Traversal MCP. Les assistants de programmation peuvent consulter les informations issues de l'environnement de production pour mieux comprendre les conséquences potentielles d'une modification avant sa mise en service. Les observations recueillies lors d'incidents passés deviennent ainsi exploitables pendant la création de nouvelles fonctionnalités.

L'ambition est de relier deux étapes traditionnellement distinctes du développement logiciel : produire du code et garantir son fonctionnement après son déploiement. Les entreprises pourraient alors disposer d'un circuit dans lequel les problèmes rencontrés en