Когда AI создает проблемы быстрее, чем люди их решают
Представьте себе: ваша система падает в 3 часа ночи, а инженер вместо того, чтобы создавать новые фишки, роется в логах как археолог в раскопках. И вот что самое смешное — такое происходит примерно половину рабочего времени. Согласно исследованиям Ассоциации вычислительной техники, разработчики тратят на отладку и проверку кода от 35 до 50% своего времени. А с появлением AI-помощников для кода ситуация только усугубилась: 67% программистов теперь тратят больше времени на поиск ошибок в коде, сгенерированном искусственным интеллектом.
Проблема стала настолько острой, что родилась целая новая категория инструментов — AI-агенты, которые могут диагностировать сбои в production-среде за минуты вместо часов. И вот здесь на сцену выходит Deductive AI.
Deductive: робот-сыщик для production-сбоев
Компания только что вышла из режима скрытной разработки и заявила о привлечении $7.5 миллионов в seed-раунде. Финансирование возглавила CRV, а в раунд также вошли Databricks Ventures, Thomvest Ventures и PrimeSet. Суть предложения простая и гениальная: использовать reinforcement learning — ту же технологию, что учит AI побеждать в видеоиграх — для разбора настоящего кошмара production-инцидентов.
Самер Агарвал, сооснователь и CTO Deductive, красиво описал эту боль в интервью VentureBeat: поиск корневой причины сбоя это как искать иголку в стоге сена, только стог размером с футбольное поле, состоит из миллиона других иголок, постоянно перемешивается, и при этом горит. Каждая секунда задержки — это потери выручки.
Как это работает: AI против лабиринта ошибок
Система Deductive строит то, что компания называет «knowledge graph» — карту взаимосвязей между кодом, телеметрией, обсуждениями в чатах и документацией. Когда происходит инцидент, несколько AI-агентов одновременно начинают работу, как опытная команда site reliability engineers:
- Один анализирует недавние изменения кода
- Другой копается в trace-данных
- Третий соотносит время инцидента с развёртываниями
Агенты обмениваются находками, уточняют гипотезы — и вот уже через минуты вместо часов команда знает, что именно сломалось и почему. Главное отличие от обычной автоматизации — система учится на каждом инциденте благодаря reinforcement learning. Она запоминает, какие шаги привели к правильному диагнозу, а какие были тупиком.
DoorDash как доказательство: миллионы долларов в экономии
Звучит красиво, но работает ли на практике? Да, и довольно впечатляюще. DoorDash интегрировала Deductive в свой процесс incident response для платформы рекламы, где аукционы должны завершиться за 100 миллисекунд. Компания поставила амбициозную цель на 2026 год — решать production-инциденты за 10 минут.
Шахруз Ансари, Senior Director of Engineering в DoorDash, поделился результатами: система помогла диагностировать примерно 100 production-инцидентов за несколько месяцев. Это равняется более чем 1000 часам сэкономленного времени инженеров плюс доход «в миллионах долларов». Посчитайте сами — каждая минута downtime-а напрямую бьёт по кошельку компании.
Даже более скромный пример: в Foursquare система сократила время диагностики сбоев Apache Spark с часов или дней всего до 10 минут — это 90% ускорение. Годовая экономия: $275,000.
Почему это происходит прямо сейчас
Timing идеален, потому что произошло кое-что важное: AI-помощники для кода вроде ChatGPT и GitHub Copilot позволяют инженерам писать код в 10 раз быстрее. Звучит отлично, но есть подвох. Сам Andrej Karpathy, известный AI-исследователь, ввел термин «vibe coding» — когда ты просто даёшь natural language-запрос AI и получаешь готовый код.
Проблема в том, что такой AI-код часто содержит избыточность, нарушает архитектурные границы, делает необоснованные предположения или игнорирует установленные паттерны дизайна. Получается парадокс: AI помогает быстрее писать код, но этот код становится сложнее для отладки. И вот понимаешь — нам нужен AI, чтобы разобраться в беспорядке, который создал другой AI.
Чем Deductive отличается от Datadog и New Relic
Существующие observability-платформы вроде Datadog добавляют AI-фичи для суммирования данных или поиска корреляций. Но это поверхностный подход. Deductive идёт глубже благодаря тому, что Агарвал называет «code-aware reasoning» — система понимает не просто что сломалось, но и почему код ведёт себя именно так.
Вот суть различия: большинство enterprises используют несколько observability-инструментов разных команд. Ни один vendor не имеет полной картины того, как система ломается и восстанавливается, да и не понимает код, который эту систему определяет. Deductive восполняет именно эту брешь.
Система подключается через read-only API к observability-платформам, репозиториям кода, инструментам управления инцидентами и чатам. Затем постоянно строит и обновляет knowledge graph, отслеживая зависимости между сервисами и истории развёртываний.
Человек всё ещё в деле (пока)
Хотя технология способна на большее, команда Deductive сознательно оставляет инженера в процессе. Система не пушит фиксы сразу в production. Вместо этого она рекомендует точные решения и смягчающие меры, которые люди могут проверить и применить самостоятельно.
«Мы верим, что человек в цикле — это необходимо для доверия, прозрачности и безопасности операций», — пояснил Агарвал. Но при этом он честно признался: «со временем мы предполагаем более глубокую автоматизацию и эволюцию роли человека в процессе».
Кто стоит за Deductive и почему это важно
Основатели прикасались к самым успешным data infrastructure-проектам Кремниевой долины. Самер Агарвал защитил PhD в Berkeley, где создал BlinkDB для примерного обработки запросов. Затем он был среди первых инженеров в Databricks, где помогал строить Apache Spark. Ракеш Котари работал в ThoughtSpot, возглавляя команды по распределённой обработке запросов и оптимизации крупномасштабных систем.
А инвесторы? Это не просто деньги — это гарантия компетентности. В раунде участвуют Ion Stoica (основатель Databricks и Anyscale), Ajeet Singh (основатель Nutanix и ThoughtSpot) и Ben Sigelman (основатель Lightstep). Такой состав инвесторов — это своего рода голосование за идею.
Модель: дополнение, а не конкуренция
Deductive не пытается конкурировать с Datadog или PagerDuty. Вместо этого компания позиционирует себя как дополнительный слой, который сидит поверх существующих инструментов. Ценообразование отражает это: вместо платы за объём данных они берут деньги за количество исследованных инцидентов плюс базовая плата за платформу.
Доступны оба варианта развёртывания — облачный и на собственных серверах. И главное — компания гарантирует, что не хранит данные клиентов на своих серверах и не использует их для обучения моделей других клиентов. Это критично, учитывая конфиденциальную природу кода и поведения production-систем.
Куда они идут дальше
Сейчас система работает в режиме «когда уже случилось» — реагирует на инциденты. Но команда смотрит в будущее: переход от реактивного анализа к проактивной профилактике. Видение на ближайший период — помогать командам предсказывать проблемы ещё до того, как они произойдут.
С новым капиталом и уже наработанной клиентской базой (DoorDash, Foursquare, Kumo AI), Deductive планирует расширять команду и углублять возможности рассуждения системы.
Ансари из DoorDash подвёл идеальный итог: «Исследования, которые были ручными и медленными, теперь автоматизированы. Это позволяет инженерам переключить энергию с тушения пожаров на предотвращение, бизнес-воздействие и инновации.» В индустрии, где каждая секунда простоя = потери денег, такой сдвиг от спасения к строительству уже выглядит не роскошью, а минимально необходимым условием выживания.
Отладка становится узким местом, которое убивает productivity. Но это меняется прямо на наших глазах благодаря AI-агентам, которые понимают код и систему вместе.🔔 Чтобы узнать больше о AI для DevOps, автоматизации production-процессов и следить за новостями мира AI, подпишитесь на мой канал «ProAI» в Telegram!