InsightFinder lève $15M pour diagnostiquer les défaillances dans les systèmes avec agents IA

InsightFinder a levé $15 millions en investissements pour résoudre l'un des principaux et des moins résolus des problèmes de l'IA d'entreprise — l'incapacité à diagnostiquer rapidement et avec précision exactement où un système avec des agents IA gérant des processus de travail réels a échoué. Quand un agent IA commet une erreur ou s'arrête, trouver la cause est considérablement plus complexe que dépanner les logiciels traditionnels. L'erreur pourrait être dans le modèle de langage lui-même, dans les données qu'il a reçues, dans l'outil qu'il a appelé, dans l'orchestrateur gérant plusieurs agents, dans une API de service tiers ou dans l'infrastructure sous-jacente exécutant tout cela.

InsightFinder s'est engagée à résoudre ce problème diagnostique multicouche. Selon la PDG d'InsightFinder, Helen Gu, le principal défi de l'industrie aujourd'hui n'est pas simplement de surveiller les modèles d'IA individuels, mais de diagnostiquer le fonctionnement de toute la pile technologique lorsque l'IA en est devenue une partie intégrante. C'est fondamentalement un niveau différent de complexité : les systèmes de surveillance traditionnels peuvent suivre les journaux, les métriques et les traces, mais ne peuvent pas interpréter le comportement non déterministe des LLM dans le contexte d'une chaîne d'agents complexe.

Avec la prolifération des systèmes d'agents, le point de défaillance n'est plus un seul modèle. C'est maintenant une chaîne entière : appels LLM, invocations d'outils externes, intégrations d'API, bases de connaissances sous forme de magasins vectoriels, orchestrateurs gérant plusieurs agents parallèles et services externes. Diagnostiquer un tel système à l'aide de méthodes classiques signifie passer des heures à analyser manuellement des journaux fragmentés au lieu de corriger rapidement le problème.

InsightFinder se spécialise dans l'observabilité de l'IA — un domaine qui gagne rapidement en importance au fur et à mesure que les entreprises passent d'expériences de chatbot au déploiement d'agents autonomes dans les systèmes de production. La plateforme de l'entreprise peut non seulement suivre les appels vers les modèles d'IA, mais aussi les corréler avec l'état de l'ensemble de l'infrastructure — de la charge du serveur aux temps de réponse des services en aval. Cela permet de voir le tableau complet de ce qui se passe plutôt que des fragments isolés.

La levée de $15 millions permettra à InsightFinder d'étendre la plateforme et d'agrandir son équipe d'ingénierie. Le marché de l'observabilité de l'IA ne fait que se former ; cependant, la concurrence est déjà notable : Arize AI, LangSmith de LangChain, Weights & Biases, Honeycomb et plusieurs autres acteurs opèrent dans cet espace. InsightFinder mise sur une couverture plus large — non seulement le suivi des appels LLM, mais aussi la corrélation avec l'état de l'ensemble de l'infrastructure, ce qui distingue le produit des traceurs LLM spécialisés.

Pour les clients d'entreprise, le problème est particulièrement aigu. Quand un agent IA cesse de fonctionner un vendredi soir, l'équipe d'ingénierie doit comprendre en quelques minutes : est-ce un problème avec le modèle lui-même, un token d'autorisation expiré, une API tierce défaillante ou une dégradation de la base de données ? Sans outils spécialisés, une telle analyse devient du travail de détective sur des journaux bruts — coûteux et lent.

L'investissement dans InsightFinder reflète une tendance plus large du secteur. Au fur et à mesure que les agents IA prennent en charge des processus commerciaux réels — du support client aux opérations financières et à la gestion de la chaîne d'approvisionnement — les exigences en matière de fiabilité et de diagnosticabilité se rapprochent des normes des infrastructures critiques. Les entreprises ne peuvent plus se permettre des agents qui échouent simplement parfois pour des raisons peu claires — surtout quand il s'agit de prise de décision automatique.

InsightFinder se positionne comme une couche d'infrastructure pour l'ère de l'IA avec agents — un outil sans lequel le déploiement industriel d'agents dans les processus critiques pour la mission reste une entreprise risquée avec des points de défaillance imprévisibles.