AI SREのTraversalが1.2億ドル調達｜因果推論で運用を自律化

AIを活用したSRE（Site Reliability Engineering）プラットフォームを展開するTraversalは、2026年10月29日、シリーズBラウンドにおいて評価額10億ドルで1億2,000万ドルの資金調達を実施したと発表しました。

本ラウンドはKleiner Perkins、Redpoint Ventures、Khosla Venturesが共同でリードを務め、既存投資家であるSequoiaおよびBattery Venturesが追加出資を行っています。

AIコーディングエージェントの普及によってコード記述（Inner Loop）が劇的に加速する一方、本番環境での障害調査や運用（Outer Loop）が新たなボトルネックとして浮上しています。Traversalはこの課題に対し、単なるLLMによる要約ではなく「因果推論（Causal Inference）」を取り入れた自律運用（Self-driving production）インフラの確立を目指しています。

3分でわかる今回の発表ポイント

大型調達と評価額: シリーズBで1.2億ドルを調達し、評価額は10億ドルに到達。
解決する課題: Inner Loop（コード生成）の高速化に伴い肥大化したOuter Loop（運用保守・障害対応）の負担を解消。
中核技術: アカデミア出身の知見を活かした「Production World Model™（動的世界モデル）」と「Causal Search Engine™（因果探索エンジン）」。
エージェント基盤: Temporalをベースに構築された長時間実行型エージェント「Traversal Workers」および開発環境連携プロトコル「Traversal MCP」。
事業の急伸: 月間調査件数は513件から約73,000件（100倍以上）へ急増し、ARR（年間経常収益）は年初来で9倍に成長。

開発のInner Loop加速が招いた「運用のOuter Loop」の破綻

Claude CodeやCursorといったコーディングエージェントの登場は、ソフトウェア開発ライフサイクル（SDLC）におけるコード作成のあり方を一変させました。しかし、Inner Loopがどれほど高速化しても、生成されたコードが本番環境へ投入された後の「Outer Loop」が追いついていません。

分散システムの複雑化に伴い、障害発生時の依存関係の把握やアラートトリアージ、根本原因分析（RCA）にかかる工数は増加の一途を辿っています。結果として、コード生成の自動化で得られた生産性の向上が、本番運用のオーバーヘッドによって相殺される構造的ジレンマが生じています。

Traversalは、この断絶したループを再び結び直す技術アプローチを提示しています。

既存のLLM監視が直面する「2つの技術的障壁」

従来のオブザーバビリティツールや単純なLLMラッパーでは、なぜ大規模障害に対処できないのでしょうか。同社は以下の2点を構造的欠陥として挙げています。

1. 人間の認知向けに最適化されたテレメトリデータ

既存のダッシュボードツール（DatadogやGrafanaなど）は、人間がUI上でグラフを確認し、クエリを絞り込む前提で設計されています。しかし、自律型エージェントが必要とするのは、固定的な集約ビューではなく、ペタバイト規模の生ログ、メトリクス、分散トレースをインフラトポロジーやGitの変更履歴と動的に紐付けられる柔軟なデータ構造です。

2. 相関関係と因果関係の混同（Fake Needles問題）

LLMの本質はトークンの共起確率（相関）の学習です。カスケード障害が発生して数十から数百のアラートが同時発火した際、LLMは「もっともらしく聞こえる相関関係」を原因と誤認しがちです。

AnthropicのSRE LeadであるAlex Palcuie氏も指摘するように、LLMは「相関と因果を一歩引いて峻別する」ことが構造的に困難です。実用的なRCAには、事象の発生順序の厳密な照合、仮説の反証、依存グラフに沿った因果パスの再構築を行う推論エンジンが不可欠となります。

コアアーキテクチャ：因果推論で解く「自律運用」の仕組み

Traversalの創業メンバー（Anish Agarwal氏、Raaz Dwivedi氏、Raj Agrawal氏、Ahmed Lone氏）は、MIT、UC Berkeley、Columbia、Cornellにおいて因果機械学習および強化学習を10年以上研究してきた研究者グループです。同社は約2年の研究開発を経て、2026年3月に2つの独自技術をローンチしました。

Production World Model™（動的世界モデル）

テレメトリ、ソースコード、CI/CDデプロイ履歴、組織内のドキュメントを継続的に統合し、AIがクエリ可能な分散システム全体の「動的グラフ表現」をリアルタイムに構築・更新します。

Causal Search Engine™（因果探索エンジン）

異常検知時、World Model上で数千規模の障害仮説を並列検証します。偽相関を網羅的に反証・除外しながら依存連鎖を辿り、エビデンスを伴った根本原因へと収束させます。

エージェントの拡張：Traversal Workers と MCPによるSDLCの閉環

根本原因分析の自動化に成功した同社は、さらに踏み込んだエージェント機能と開発連携を進めています。

長時間稼働を支える「Traversal Workers」

人間のプロンプト入力を待たず、アラート発火と同時にプロアクティブに調査を開始する自律型エージェントです。ランタイム基盤にワークフローエンジン「Temporal」を採用することで、長時間の非同期調査、外部APIのレート制限対応、ネットワーク切断時のステート保持、人間による承認待機などを堅牢に制御しています。

「Traversal MCP」による開発環境へのフィードバック

Model Context Protocol（MCP）を通じて、本番環境の現行トポロジーや過去の障害知見をClaude Codeなどのローカル開発環境へ直接フィードバックします。コード記述段階で本番環境の制約やボトルネックを可視化することで、デプロイ前の予防的レジリエンス（壊れにくいコード設計）を実現します。

主要AI SREプラットフォームの機能比較

AIを活用したSRE市場は、推論のアプローチや実行権限の範囲によって明確な棲み分けが進んでいます。

プロダクト	コア技術・推論アプローチ	自律性・アクション権限	適合ユースケース / 強み	留意点・トレードオフ
Traversal	Causal ML / World Model分散テレメトリ・Git・コード・組織知を動的グラフ化し仮説反証	承認ゲート付き支援自律調査〜修復プラン提案までを実行	エンタープライズ、大規模分散システム、規制産業。オンプレミス対応あり	セールス主導のエンタープライズ導入が中心。完全自動修復ではなく人間承認前提
Resolve AI	Dynamic Knowledge Graphコードコミット、インフラトポロジー、インシデント履歴を連携	高自律性（自律実行）段階的信頼モデル（Graduated Trust）により自律修復を実行	アラート起因の定型障害を人の手を介さずに自動復旧させたい組織	自律実行を前提とするため事前の信頼構築とガードレール設計の難易度が高い
Cleric	LLM + Institutional Memory変更追跡と過去インシデントの組織知をSlack等で対話提供	完全リードオンリー調査・仮説構築のみに特化し、実行権限は持たない	ブラストレイディウス（影響範囲）をゼロに抑えて安全にAI調査を導入したいチーム	修復アクションは人間が実行するため、MTTRの短縮幅は人間の作業速度に依存
Datadog Bits AI	APMネイティブ相関分析Datadog内のログ・メトリクス・トレースを横断したLLMアシスタント	ダッシュボード統合・対話型メトリクス相関提示と調査サマリ作成	既にDatadogへフルスタックのテレメトリを集約している組織	Datadog外のインフラやデータは非可視。調査単位の従量課金によるコスト懸念

導入実績：RCAからプラットフォーム定常運用へ

プラットフォーム上の月間調査件数は導入初期の513件から約73,000件（100倍以上）へと急伸し、エンタープライズ本番環境での活用が加速しています。

Nubank: ラテンアメリカ最大のデジタル銀行。複雑な金融マイクロサービス群に対し、Wave形式の段階的ロールアウトを実施。
DigitalOcean: クラウドインフラ基盤の運用において数万時間規模のエンジニア調査工数を削減。
Harvey / PepsiCo: 金融・リーガルテックおよびグローバルエンタープライズの本番基盤信頼性向上に採用。

特筆すべきは、全利用実績の約3分の2が事後調査（RCA）以外の領域に広がっている点です。アラートトリアージ、リリース前の変更リスク評価、構成管理データベース（CMDB）と実リソースの整合性監査、顧客体験ジャーニーの監視など、日常的な運用判断の基盤として定着しつつあります。

エンジニア視点の技術的論点

1. 汎用LLM単体運用の限界

プロンプトエンジニアリングや単純なRAGでエラーログをLLMに渡す手法は、小規模な構成では機能しても、マイクロサービスが密結合した分散環境では容易に破綻します。トポロジーの依存連鎖とタイムスタンプを突き合わせて検証する「反証ループ」をアーキテクチャレベルで組み込むことが、実運用に耐えうるAI SREの前提条件となります。

2. オーケストレーション層の信頼性

自律型エージェントを本番運用に投入する際、推論精度以上に「エージェント基盤の耐障害性」が成否を分けます。長時間の非同期処理やAPIレート制限、人間の承認プロセスを耐障害性の高いワークフローとして制御する設計が不可欠です。

3. 自律修復（Self-healing）に向けたガードレール

Traversalは現在、アクションの実行を「支援（Helping drive remediation）」にとどめています。完全自律修復へと踏み切る場合、カナリアデプロイ環境への影響局所化（ブラストレイディウス制御）、OPA（Open Policy Agent）等を用いた実行可能コマンドの厳格なホワイトリスト化、SLO悪化時の自動ロールバック機構など、プラットフォーム側での厳密なガードレール設計が求められます。

【AI SRE最前線】Traversalが1.2億ドル調達でユニコーン入り—「Inner Loop」のコード生成加速が生んだ「Outer Loop」の破綻を因果推論AIで解く

3分でわかる今回の発表ポイント

開発のInner Loop加速が招いた「運用のOuter Loop」の破綻