Стартап Deductive AI вышел из скрытого режима с технологией, которая автоматизирует диагностику программных сбоев в продакшене. Компания привлекла $7,5 млн начального финансирования и уже продемонстрировала впечатляющие результаты у клиентов, включая DoorDash и Foursquare.
Проблема современной разработки: инженеры тонут в отладке
По мере усложнения программных систем и ускорения генерации кода с помощью ИИ фундаментальная проблема становится острее: инженеры тратят до половины времени на отладку, охотясь за причинами сбоев вместо создания новых продуктов. Ассоциация вычислительной техники сообщает, что разработчики тратят 35-50% времени на валидацию и отладку программного обеспечения.
Современные инструменты мониторинга показывают, что что-то сломалось, но редко объясняют, почему. Когда производственная система падает в 3 часа ночи, инженеры все еще сталкиваются с часами ручной детективной работы.
ИИ-ассистенты для кодинга создают код быстрее, чем когда-либо, но результатирующее программное обеспечение часто сложнее понимать и поддерживать. Мы получаем парадокс: инструменты ИИ генерируют проблемы быстрее, чем люди могут их решать.
Как работает технология Deductive AI
Deductive применяет обучение с подкреплением — ту же технологию, что питает ИИ-системы для игр, — к хаотичному миру инцидентов в продакшене. Система строит то, что компания называет «графом знаний», который отображает отношения между кодбазами, телеметрическими данными, инженерными обсуждениями и внутренней документацией.
Когда происходит инцидент, несколько ИИ-агентов работают вместе, чтобы:
- Формировать гипотезы о причинах сбоя
- Тестировать их против доказательств из работающей системы
- Сходиться к корневой причине за минуты вместо часов
Критическое отличие от правиловой автоматизации — использование обучения с подкреплением. Система учится на каждом инциденте, какие шаги расследования привели к правильным диагнозам, а какие оказались тупиковыми.
Реальные результаты у крупных клиентов
Технология уже показала измеримое влияние в некоторых из самых требовательных производственных сред. Рекламная платформа DoorDash, которая проводит аукционы в реальном времени, должна завершать их менее чем за 100 миллисекунд. Компания поставила амбициозную цель на 2026 год — разрешать производственные инциденты в течение 10 минут.
По оценкам DoorDash, Deductive определил корневые причины примерно 100 производственных инцидентов за последние несколько месяцев, что переводится в более чем 1000 часов годовой инженерной продуктивности и влияние на выручку «в миллионах долларов».
В компании Foursquare Deductive сократил время диагностики сбоев заданий Apache Spark на 90% — превратив процесс, который ранее занимал часы или дни, в тот, что завершается менее чем за 10 минут, — при этом генерируя более $275 000 годовой экономии.
Кризис отладки ИИ-генерации кода
Запуск Deductive отражает назревающее напряжение в разработке программного обеспечения: ИИ-ассистенты для кодинга позволяют инженерам генерировать код быстрее, чем когда-либо, но результирующее программное обеспечение часто сложнее понимать и поддерживать.
Термин «vibe coding», популяризированный исследователем ИИ Андреем Карпати, относится к использованию prompts на естественном языке для генерации кода через ИИ-ассистентов. Хотя эти инструменты ускоряют разработку, они могут вводить то, что сооснователь Deductive Самир Агарвал описывает как «избыточности, нарушения архитектурных границ, предположения или игнорирование установленных шаблонов проектирования», которые накапливаются со временем.
Недавний отчет Harness State of Software Delivery 2025 показал, что 67% разработчиков тратят больше времени на отладку ИИ-сгенерированного кода.
Технический подход Deductive существенно отличается от ИИ-функций, добавляемых к существующим платформам мониторинга. Большинство этих систем используют большие языковые модели для обобщения данных или идентификации корреляций, но им не хватает того, что Агарвал называет «рассуждением с пониманием кода» — способности понимать не только то, что что-то сломалось, но и почему код ведет себя именно так.
Система подключается к существующей инфраструктуре, используя доступ только для чтения к API платформ мониторинга, репозиториям кода, инструментам управления инцидентами и чат-системам. Затем она непрерывно строит и обновляет свой граф знаний, отображая зависимости между сервисами и отслеживая историю развертываний.
По сообщению VentureBeat, технология уже доказала свою эффективность в реальных условиях, и инвесторы видят в этом перспективное направление для автоматизации DevOps-процессов.