«ترمیم خودکار»؛ استراتژی جدید الاستیک در مواجهه با خطاهای هوش مصنوعی

اگر شما یک مهندس SRE هستید که هر روز با سیل باگ‌های تولید شده توسط کدنویس‌های هوش مصنوعی می‌جنگید، دوران عیب‌یابی دستی شما رو به پایان است. بر اساس گزارش TechCrunch در ۱۹ ژوئن ۲۰۲۶، شرکت الاستیک (Elastic) برای خرید استارتاپ DeductiveAI تا سقف ۸۵ میلیون دلار توافق کرده است.

این خرید درست در نقطهٔ اوج بازار مهندسی قابلیت اطمینان سایت یا SRE رخ می‌دهد. در دنیای امروز، سازمان‌ها با استفاده از مدل‌های زبانی بزرگ (LLM) — که مثل کتابخانه‌داری است که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — حجم عظیمی از کد تولید می‌کنند، اما این سرعت بالا، تعداد باگ‌ها را هم به‌شدت زیاد کرده است. همان‌طور که در تحلیل قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، سرعت تولید کد نباید باعث نادیده گرفتن کیفیت شود. به همین دلیل، غول‌های نرم‌افزاری حالا به جای ابزارهای ساده‌ای که فقط «هشدار» می‌دهند، به دنبال ابزارهای عامل‌محور (Agentic) هستند؛ ابزارهایی که شبیه دستیارانی هستند که نه تنها مشکل را می‌بینند، بلکه آستین‌ها را بالا می‌زنند و آن را تعمیر می‌کنند. این رویکرد یادآور تلاشات شرکت General Intuition برای توسعه مدل‌های عامل‌محور است که هدف آن انتقال هوش مصنوعی از محیط‌های مجازی به کاربردهای عملیاتی و فیزیکی است.

استارتاپ DeductiveAI که در سال ۲۰۲۳ توسط راکیش کوثاری و سامیر آگاروال تأسیس شد، تخصصش یافتن و رفع خودکار باگ‌ها است. طبق مستندات این معامله، جزئیات کلیدی عبارت‌اند از:

• قیمت کل خرید: تا ۸۵ میلیون دلار
• تاریخچه تأمین مالی: ۷.۵ میلیون دلار سرمایهٔ اولیه در نوامبر ۲۰۲۳ به رهبری CRV و Databricks Ventures
• درآمد سالانه (ARR): حدود ۱ میلیون دلار
• تضاد ارزش‌گذاری: در حالی که DeductiveAI با ۸۵ میلیون دلار فروخته شد، رقیب آن یعنی Resolve AI در آپریل ۲۰۲۶ ارزشی معادل ۱.۵ میلیارد دلار داشت.

ادغام این فناوری در اکوسیستم الاستیک‌سرچ (Elasticsearch) باعث می‌شود کاربران از حالت «تشخیص تهدید» به حالت «رفع تهدید» منتقل شوند. دیگر خبری از هشدارهایی نیست که فقط می‌گویند «یک جای کار می‌لنگد»؛ بلکه پلتفرم می‌تواند به‌طور خودکار عملکرد را پایش کرده و خرابی‌ها را در لحظه تعمیر کند. این تمایل به اتوماسیون کامل عملیات، مشابه تغییر استراتژیک Opendoor در جایگزینی نیروی انسانی با تیم‌های AI-Native است تا بهره‌وری و دقت در مقیاس بالا افزایش یابد.

گام بعدی شما

• اگر از ابزارهای Observability استفاده می‌کنید، بررسی کنید آیا گردش‌کارهای شما برای پذیرش «ترمیم خودکار» آماده است یا خیر.
• مدل‌های هزینه-فایدهٔ جایگزینی مهندسان SRE با عامل‌های هوش مصنوعی را در تیم خود تحلیل کنید.
• منتظر واکنش رقبایی مثل Datadog یا Splunk در سه ماه آینده باشید.

اما تأثیر این خرید بر قیمت خدمات ابری الاستیک هنوز مبهم است؛ به تحلیل ما درباره‌ی هزینه‌های استنتاج در مقیاس صنعتی مراجعه کنید.