Nu softwaresystemen complexer worden en AI-tools sneller dan ooit code genereren, wordt een fundamenteel probleem steeds groter: Ingenieurs verdrinken in het debuggendie tot de helft van hun tijd besteden aan het opsporen van de oorzaken van softwarefouten in plaats van aan het bouwen van nieuwe producten. De uitdaging is zo acuut geworden dat er een nieuwe categorie gereedschappen ontstaat: AI-agenten die productiestoringen binnen enkele minuten in plaats van uren kunnen diagnosticeren.
Deductieve AIeen startup die dinsdag uit de stealth-modus komt, gelooft dat het een oplossing heeft gevonden door versterkend leren – dezelfde technologie die AI-systemen voor het spelen van games aanstuurt – toe te passen op de rommelige wereld van productiesoftware-incidenten met hoge inzet. Het bedrijf kondigde aan dat het $7,5 miljoen aan startfinanciering heeft opgehaald onder leiding van CRVmet deelname van Databricks Ventures, Thomvest VenturesEn PrimeSetom te commercialiseren wat het noemt “AI SRE-agenten” die softwarefouten op machinesnelheid kan diagnosticeren en helpen oplossen.
De pitch weerspiegelt de groeiende frustratie binnen technische organisaties: moderne observatietools kunnen aantonen dat er iets kapot is gegaan, maar verklaren zelden waarom. Wanneer een productiesysteem om drie uur ’s nachts uitvalt, moeten engineers nog urenlang handmatig speurwerk doen, waarbij ze logs, statistieken, implementatiegeschiedenissen en codewijzigingen in tientallen onderling verbonden services moeten vergelijken om de hoofdoorzaak te identificeren.
“De complexiteit en onderlinge afhankelijkheden van de moderne infrastructuur betekenen dat het onderzoeken van de hoofdoorzaak van een storing of incident kan voelen als het zoeken naar een speld in een hooiberg, behalve dat de hooiberg zo groot is als een voetbalveld, gemaakt is van een miljoen andere naalden, zichzelf voortdurend herschikt en in brand staat – en elke seconde die je niet vindt, staat gelijk aan verloren inkomsten”, zegt Sameer Agarwal, medeoprichter en hoofd technologie van Deductief, in een exclusief interview. met VentureBeat.
Het systeem van Deductieve bouwt wat het bedrijf een ‘kennisgrafiek’ noemt, die relaties tussen codebases, telemetriegegevens, technische discussies en interne documentatie in kaart brengt. Wanneer er zich een incident voordoet, werken meerdere AI-agenten samen om hypothesen te vormen, deze te testen aan de hand van live systeembewijs en samen te komen tot een hoofdoorzaak – waarbij de onderzoeksworkflow van ervaren site-betrouwbaarheidsingenieurs wordt nagebootst, maar het proces in minuten in plaats van uren wordt voltooid.
De technologie heeft al meetbare impact getoond in enkele van ’s werelds meest veeleisende productieomgevingen. Het advertentieplatform van DoorDashdat realtime veilingen uitvoert die in minder dan 100 milliseconden moeten worden afgerond, heeft Deductief geïntegreerd in zijn incidentresponsworkflow. Het bedrijf heeft zich als ambitieus doel gesteld om voor 2026 productie-incidenten binnen 10 minuten op te lossen.
“Ons advertentieplatform werkt in een tempo waarin handmatige, langzame onderzoeken niet langer haalbaar zijn. Elke minuut downtime heeft rechtstreeks invloed op de bedrijfsopbrengsten”, zegt Shahrooz Ansari, Senior Director of Engineering bij DoorDash, in een interview met VentureBeat. “Deductief is een cruciale uitbreiding van ons team geworden, waarbij signalen uit tientallen services snel worden gesynthetiseerd en de inzichten die er toe doen, binnen enkele minuten naar boven komen.”
DoorDash schat dat Deductieve de afgelopen maanden ongeveer 100 productie-incidenten heeft veroorzaakt, wat zich volgens Ansari vertaalt in meer dan 1.000 uur jaarlijkse technische productiviteit en een omzetimpact “in miljoenen dollars”. Bij locatie-informatiebedrijf VierkantDeductief heeft de tijd voor het diagnosticeren van mislukte Apache Spark-taken met 90% teruggebracht, waardoor een proces dat voorheen uren of dagen in beslag nam, in minder dan 10 minuten is voltooid, terwijl er jaarlijks meer dan $275.000 wordt bespaard.
Waarom door AI gegenereerde code een foutopsporingscrisis veroorzaakt
De timing van de lancering van Deductief weerspiegelt een toenemende spanning in de softwareontwikkeling: AI-codeerassistenten stellen ingenieurs in staat sneller dan ooit code te genereren, maar de resulterende software is vaak moeilijker te begrijpen en te onderhouden.
“Vibe-codering”, een term die gepopulariseerd is door AI-onderzoeker Andrej Karpathyverwijst naar het gebruik van aanwijzingen in natuurlijke taal om code te genereren via AI-assistenten. Hoewel deze tools de ontwikkeling versnellen, kunnen ze introduceren wat Agarwal beschrijft als ‘redundanties, breuken in architecturale grenzen, aannames of genegeerde ontwerppatronen’ die zich in de loop van de tijd ophopen.
“De meeste door AI gegenereerde code introduceert nog steeds redundanties, doorbreekt architecturale grenzen, maakt aannames of negeert gevestigde ontwerppatronen”, vertelde Agarwal aan Venturebeat. “In veel opzichten hebben we nu AI nodig om de rommel op te ruimen die AI zelf veroorzaakt.”
De bewering dat ingenieurs ongeveer de helft van hun tijd besteden aan het debuggen is niet overdreven. De Association for Computing Machinery meldt dat ontwikkelaars geld uitgeven 35% tot 50% van hun tijd besteden aan het valideren en debuggen van software. Meer recentelijk, Harness’s stand van de softwarelevering 2025 Uit het rapport blijkt dat 67% van de ontwikkelaars meer tijd besteedt aan het debuggen van door AI gegenereerde code.
“We hebben gezien dat ingenieurs van wereldklasse de helft van hun tijd besteedden aan het debuggen in plaats van aan het bouwen”, zegt Rakesh Kothari, medeoprichter en CEO van Deductief. “En omdat vibe-codering nieuwe code genereert in een tempo dat we nog nooit eerder hebben gezien, zal dit probleem alleen maar erger worden.”
Hoe de AI-agenten van Deductie daadwerkelijk productiefouten onderzoeken
De technische aanpak van Deductieve verschilt substantieel van de AI-functies die worden toegevoegd aan bestaande observatieplatforms zoals Gegevenshond of Nieuw relikwie. De meeste van deze systemen gebruiken grote taalmodellen om gegevens samen te vatten of correlaties te identificeren, maar ze missen wat Agarwal ‘codebewust redeneren’ noemt: het vermogen om niet alleen te begrijpen dat er iets kapot is gegaan, maar ook waarom de code zich gedraagt zoals deze zich gedraagt.
“De meeste bedrijven gebruiken meerdere observatietools voor verschillende teams en diensten, dus geen enkele leverancier heeft één holistisch beeld van hoe hun systemen zich gedragen, falen en herstellen – en ze zijn ook niet in staat om dat te koppelen aan een goed begrip van de code die het systeemgedrag definieert”, legt Agarwal uit. “Dit zijn de belangrijkste ingrediënten voor het oplossen van software-incidenten en het is precies het gat dat Deductief opvult.”
Het systeem maakt verbinding met de bestaande infrastructuur met behulp van alleen-lezen API-toegang tot observatieplatforms, codeopslagplaatsen, tools voor incidentbeheer en chatsystemen. Vervolgens wordt voortdurend de kennisgrafiek opgebouwd en bijgewerkt, waarbij de afhankelijkheden tussen services in kaart worden gebracht en de implementatiegeschiedenis wordt gevolgd.
Wanneer er een waarschuwing afgaat, lanceert Deductief wat het bedrijf omschrijft als een onderzoek met meerdere agenten. Verschillende agenten zijn gespecialiseerd in verschillende aspecten van het probleem: de ene analyseert recente codewijzigingen, een andere onderzoekt traceergegevens, terwijl een derde de timing van het incident correleert met recente implementaties. De agenten delen bevindingen en verfijnen iteratief hun hypothesen.
Het cruciale verschil met op regels gebaseerde automatisering is het gebruik van versterkend leren door Deductief. Het systeem leert van elk incident welke onderzoeksstappen tot de juiste diagnoses hebben geleid en welke doodlopende wegen waren. Wanneer ingenieurs feedback geven, neemt het systeem dat signaal op in zijn leermodel.
“Elke keer dat het een onderzoek observeert, leert het welke stappen, gegevensbronnen en beslissingen tot de juiste uitkomst hebben geleid”, aldus Agarwal. “Het leert hoe je over problemen nadenkt, en ze niet alleen maar aanwijst.”
Bij DoorDash leek een recente latentiepiek in een API aanvankelijk een geïsoleerd serviceprobleem te zijn. Uit het onderzoek van Deductief bleek dat de hoofdoorzaak feitelijk time-outfouten waren van een downstream machine learning-platform dat werd geïmplementeerd. Het systeem heeft deze punten met elkaar verbonden door logvolumes, sporen en metagegevens over de implementatie van meerdere services te analyseren.
“Zonder Deductief had ons team de latentiepiek handmatig moeten correleren in alle logs, sporen en implementatiegeschiedenissen”, aldus Ansari. “Deductief kon niet alleen verklaren wat er veranderde, maar ook hoe en waarom dit het productiegedrag beïnvloedde.”
Het bedrijf houdt mensen op de hoogte – voorlopig
Hoewel de technologie van Deductieve oplossingen in theorie rechtstreeks naar productiesystemen zou kunnen pushen, heeft het bedrijf er bewust voor gekozen om mensen op de hoogte te houden – althans voorlopig.
“Hoewel ons systeem in staat is tot diepere automatisering en oplossingen naar de productie zou kunnen pushen, raden we momenteel nauwkeurige oplossingen en oplossingen aan die ingenieurs kunnen beoordelen, valideren en toepassen”, aldus Agarwal. “Wij geloven dat het essentieel is dat er een mens op de hoogte is voor vertrouwen, transparantie en operationele veiligheid.”
Hij erkende echter dat “we in de loop van de tijd denken dat er een diepere automatisering zal komen en dat de manier waarop mensen in de loop van de tijd opereren, zal evolueren.”
Databricks- en ThoughtSpot-veteranen wedden op redeneren over waarneembaarheid
Het oprichtende team brengt diepgaande expertise mee bij het bouwen van enkele van de meest succesvolle data-infrastructuurplatforms van Silicon Valley. Agarwal behaalde zijn Ph.D. bij UC Berkeley, waar hij creëerde BlinkDBeen invloedrijk systeem voor het verwerken van geschatte zoekopdrachten. Hij was een van de eerste ingenieurs bij Databrickswaar hij hielp bouwen Apache-vonk. Kothari was een vroege ingenieur bij GedachteSpotwaar hij teams leidde die zich richtten op gedistribueerde queryverwerking en grootschalige systeemoptimalisatie.
Het investeerderssyndicaat weerspiegelt zowel de technische geloofwaardigheid als de marktkansen. Naast CRV’s Max Gazarde ronde omvatte deelname van Ion Stoicaoprichter van Databricks en Anyscale; Ajeet Singhoprichter van Nutanix en ThoughtSpot; En Ben Sigelmanoprichter van Lightstep.
In plaats van te concurreren met platforms zoals Gegevenshond of PagerDutyDeductief positioneert zichzelf als een complementaire laag die bovenop bestaande tools zit. Het prijsmodel weerspiegelt dit: in plaats van kosten in rekening te brengen op basis van datavolume, worden er deductieve kosten in rekening gebracht op basis van het aantal onderzochte incidenten, plus een basisplatformvergoeding.
Het bedrijf biedt zowel in de cloud gehoste als zelfgehoste implementatieopties en benadrukt dat het geen klantgegevens op zijn servers opslaat en deze ook niet gebruikt om modellen voor andere klanten te trainen – een cruciale zekerheid gezien de propriëtaire aard van zowel de code als het gedrag van het productiesysteem.
Met vers kapitaal en vroege klantenwerving bij bedrijven zoals DoorDash, VierkantEn TederDeductief is van plan zijn team uit te breiden en de redeneermogelijkheden van het systeem te verdiepen, van reactieve incidentanalyse tot proactieve preventie. De kortetermijnvisie: teams helpen problemen te voorspellen voordat ze zich voordoen.
Ansari van DoorDash biedt een pragmatische onderschrijving van waar de technologie vandaag de dag staat: “Onderzoeken die voorheen handmatig en tijdrovend waren, zijn nu geautomatiseerd, waardoor ingenieurs hun energie kunnen verleggen naar preventie, zakelijke impact en innovatie.”
In een sector waar elke seconde stilstand zich vertaalt in omzetverlies, lijkt die verschuiving van brandbestrijding naar bouwen steeds minder op een luxe en meer op tafelinzet.
