Resolve AI: a empresa que colocou agentes de IA de plantão

O caso mostra uma mudança importante. Enquanto boa parte do mercado tenta acelerar o primeiro commit, a Resolve AI aposta no trabalho que começa depois dele.

Em uma frase: o que a Resolve AI faz?

A Resolve AI coloca agentes de inteligência artificial no plantão de engenharia para investigar alertas, montar uma linha do tempo da falha, apresentar evidências e propor uma correção antes que uma equipe inteira seja puxada para uma sala de crise.

Ela atua no território conhecido como Site Reliability Engineering, ou SRE, a disciplina que mantém sistemas digitais confiáveis. Pense num aplicativo de banco fora do ar. O problema pode ter começado numa mudança de código, num banco de dados congestionado, numa permissão errada ou num serviço externo. Encontrar a causa exige navegar por ferramentas e sinais espalhados. É esse trabalho que a empresa tenta comprimir.

Como a Resolve AI começou?

A história começa antes da onda atual de agentes. Spiros Xanthos e Mayank Agarwal se conheceram há cerca de 20 anos na pós-graduação da University of Illinois Urbana-Champaign. Segundo a própria empresa, trabalham juntos desde 2012, construíram negócios vendidos para VMware e Splunk e participaram da criação do OpenTelemetry, padrão aberto usado para coletar sinais de sistemas distribuídos.

Esse histórico importa mais do que parece. A Resolve AI não nasceu de uma busca genérica por um problema que coubesse num modelo de linguagem. Os fundadores já conheciam a dor: dados operacionais demais, ferramentas fragmentadas e engenheiros experientes gastando horas para reconstruir o que aconteceu.

A empresa saiu do modo reservado em 2024. Em pouco mais de 18 meses, anunciou clientes como Coinbase, DoorDash, MongoDB, MSCI, Salesforce e Zscaler. Em fevereiro de 2026, captou US$ 125 milhões numa Série A com valuation de US$ 1 bilhão. Em 16 de abril, adicionou uma extensão de US$ 40 milhões, liderada por DST Global e Salesforce Ventures, e divulgou valuation de US$ 1,5 bilhão. O total captado passou de US$ 190 milhões, segundo a companhia.

Quem são os fundadores e o que cada um trouxe?

Spiros Xanthos é o fundador e CEO. Antes, liderou o negócio de observabilidade da Splunk. Mayank Agarwal é fundador e CTO e foi arquiteto-chefe da mesma operação. A complementaridade é menos a divisão clássica entre vendedor e técnico e mais duas perspectivas sobre o mesmo problema: transformar conhecimento profundo de infraestrutura em produto empresarial.

Os dois também carregam uma vantagem de distribuição. Quem ajudou a construir padrões e empresas de observabilidade conhece compradores, integrações, objeções de segurança e o custo de entrar numa operação crítica. Isso não garante vitória, mas reduz a distância entre uma demonstração convincente e uma implantação que passa pelo jurídico, segurança e engenharia.

Ao mesmo tempo, o passado cria uma exigência maior. Uma equipe com esse currículo não será avaliada apenas pela qualidade da interface. Ela terá de provar que o agente entende sistemas tão bem quanto a narrativa sugere e que consegue fazer isso com controle.

Como o produto funciona na prática?

Quando um alerta dispara, o agente pode consultar métricas, logs, traces, mudanças recentes de código, infraestrutura e documentos internos. Ele monta uma investigação, relaciona eventos e entrega uma hipótese de causa acompanhada das evidências usadas. A proposta é dar ao engenheiro um ponto de partida melhor, não apenas um parágrafo confiante.

A documentação descreve três movimentos. O primeiro é delegar a investigação inicial dos alertas. O segundo é trabalhar com o agente dentro dos canais de incidente. O terceiro é automatizar rotinas recorrentes, como atualizar runbooks e executar verificações operacionais.

Há uma distinção decisiva aqui. Investigar e recomendar têm risco diferente de alterar produção. Um agente pode apontar que uma implantação recente aumentou erros. Reverter essa implantação afeta clientes e receita. Quanto mais a Resolve AI avançar do diagnóstico para a ação, mais o produto dependerá de permissões, aprovação humana e trilha de auditoria.

É por isso que tracing de agentes de IA e aprovação humana deixam de ser detalhes técnicos. Eles viram parte do produto comprado pelo cliente.

Como a Resolve AI ganha dinheiro?

A Resolve AI vende software empresarial. O site direciona o comprador para demonstração e não publica uma tabela aberta de preços. Portanto, não é possível confirmar, pelas fontes públicas consultadas, o ticket médio, a composição entre licença e consumo ou quanto da receita depende de serviços de implantação.

O modelo provável combina contrato de plataforma, número de usuários ou ambientes e volume de uso, mas isso é uma inferência, não um dado divulgado. A informação segura é que existem serviços pagos, cobrança processada por Stripe e negociação comunicada durante contratação ou onboarding, conforme os termos da empresa.

O funding ajuda a financiar integração, pesquisa e venda empresarial antes de a escala estar comprovada. A rodada de abril também lançou a Resolve AI Labs, iniciativa dedicada a modelos e sistemas de agentes para ambientes de produção complexos.

Eu separaria os números assim:

• Mais de US$ 190 milhões captados: capital levantado até abril de 2026, segundo a empresa.
• US$ 1,5 bilhão de valuation: preço implícito de uma empresa privada na extensão da Série A, não receita ou valor garantido de saída.
• Clientes nomeados: prova de entrada em grandes organizações, mas sem abertura pública de receita, margem ou retenção.
• 75% de redução no tempo de investigação: resultado divulgado pela Resolve AI em seu site, não benchmark independente aplicável a qualquer cliente.

Quem concorre com a Resolve AI?

O mercado mistura startups de agentes para SRE, plataformas tradicionais de observabilidade e ferramentas internas construídas pelas próprias empresas.

• Resolve AI: cruza contexto de várias ferramentas e carrega a experiência dos fundadores em observabilidade. Faz mais sentido para grandes equipes com stack complexa, mas preço e economia não são públicos.
• Ciroos: oferece um colega de SRE com arquitetura multiagente. Tem foco explícito em operações de TI, porém é uma empresa mais nova e com menos dados públicos. Pode servir a pilotos de investigação assistida.
• Datadog e Dynatrace: adicionam recursos de IA sobre uma base instalada de observabilidade. Dados e distribuição são vantagens, embora o cliente possa ficar limitado ao ecossistema contratado.
• Ferramenta interna: adapta o agente ao ambiente específico da empresa e preserva controle. Em troca, exige construção, manutenção e governança próprias, o que restringe a escolha a equipes de plataforma maduras.

O concorrente mais perigoso pode não ser outra startup. Pode ser o fornecedor que já guarda os logs, métricas e traces do cliente. Se ele oferecer um agente suficientemente bom dentro do contrato atual, a Resolve AI precisará justificar uma nova camada, novas permissões e um novo orçamento.

Quais são os maiores desafios para o futuro?

O primeiro desafio é confiabilidade. Sistemas de produção mudam o tempo todo. Uma investigação correta ontem pode falhar depois de uma nova arquitetura, ferramenta ou dependência.

O segundo é acesso. Para enxergar a causa, o agente precisa consultar dados sensíveis e sistemas críticos. Para corrigir, precisa de ainda mais permissão. A empresa afirma que não treina modelos com dados de clientes, mas cada comprador ainda precisa avaliar residência, retenção, isolamento e controles de acesso.

O terceiro é economia de implantação. Quanto trabalho especializado é necessário para conectar cada ambiente e manter o contexto atualizado? Se a personalização crescer junto com a receita, o negócio pode carregar margem de serviço sob uma narrativa de software.

O quarto é comoditização. Modelos melhores reduzem o custo de construir um investigador básico. A defesa precisa vir das integrações, avaliações, histórico operacional e confiança, não apenas do acesso a um modelo de fronteira.

O quinto é responsabilidade. Quando o agente apenas sugere, a pessoa decide. Quando ele executa, empresa, fornecedor e equipe precisam saber quem autorizou, qual evidência sustentou a ação e como desfazê-la.

Minha análise: contexto, evidência e alçada

Eu avaliaria qualquer agente de produção em três camadas.

Contexto: ele consegue enxergar o sistema real, incluindo código, infraestrutura, telemetria, mudanças e regras internas? Sem isso, a resposta pode soar boa e ainda apontar para a causa errada.

Evidência: cada conclusão vem acompanhada do sinal que a sustenta? Em produção, uma hipótese precisa ser auditável. “O banco está lento” vale pouco sem consulta, métrica, período e relação com o incidente.

Alçada: o agente sabe o que pode investigar, sugerir e executar? A qualidade do raciocínio não substitui limite operacional.

Minha leitura é que a Resolve AI pode construir uma vantagem forte se transformar essas três camadas num sistema que melhora com o uso sem misturar dados entre clientes. O risco aparece quando a corrida por autonomia empurra o produto para agir antes de a governança estar pronta.

O valuation presume que a empresa será mais que uma interface inteligente sobre ferramentas existentes. Para sustentar essa tese, ela precisa mostrar expansão dentro dos clientes, redução do trabalho de integração e segurança suficiente para receber alçadas maiores.

O que eu faria se estivesse avaliando essa empresa hoje?

Eu não começaria pela automação de uma correção. Começaria por um tipo de alerta frequente e deixaria o agente apenas investigar durante quatro semanas.

Compararia quatro medidas: tempo até a primeira hipótese útil, percentual de evidências corretas, quantidade de engenheiros chamados e incidentes em que a hipótese desviou a equipe. Depois, liberaria uma ação reversível e de baixo impacto, sempre com aprovação humana.

Esse teste segue a mesma disciplina que recomendo antes de entregar código a um agente: definir ambiente, evidência, permissão e saída de emergência. Expliquei essas travas no artigo sobre agentes de código antes do primeiro commit.

Se a investigação ficar mais rápida sem aumentar erro ou dependência de especialistas, eu ampliaria. Se o agente apenas produzir resumos elegantes do que a equipe já sabe, encerraria o piloto.

Perguntas rápidas

O que é a Resolve AI?

A Resolve AI é uma empresa de software que cria agentes de inteligência artificial para investigar incidentes e automatizar rotinas de operação de sistemas em produção. Ela cruza código, infraestrutura, telemetria e conhecimento interno para apresentar hipóteses com evidências.

Quem fundou a Resolve AI?

Spiros Xanthos, CEO, e Mayank Agarwal, CTO, fundaram a empresa. Eles trabalharam juntos em observabilidade, construíram empresas vendidas para VMware e Splunk e participaram da criação do padrão OpenTelemetry.

Quanto vale a Resolve AI?

A empresa anunciou valuation privado de US$ 1,5 bilhão em 16 de abril de 2026, quando captou uma extensão de US$ 40 milhões da Série A. Valuation privado não equivale a receita, caixa nem preço garantido numa venda futura.

A Resolve AI substitui engenheiros de SRE?

Não há evidência pública suficiente para afirmar isso. O produto automatiza investigação e tarefas operacionais, mas incidentes críticos ainda exigem julgamento, responsabilidade e controle de acesso humanos. A direção anunciada é aumentar a autonomia com supervisão.

A Resolve AI publica preços?

Não. O site consultado em 10 de agosto de 2026 direciona interessados para uma demonstração. Os termos indicam serviços pagos e cobrança durante contratação ou onboarding, sem tabela pública de valores.

Fontes e data de corte

Dados consultados até 10 de agosto de 2026:

• Resolve AI: sobre a empresa e os fundadores
• Resolve AI: documentação do produto
• Resolve AI: extensão da Série A e lançamento da Resolve AI Labs
• Resolve AI: Série A de US$ 125 milhões
• Resolve AI: termos dos serviços pagos e uso de dados

Eu acompanho empresas como a Resolve AI porque elas mostram onde os agentes deixam a demonstração e encostam na responsabilidade real. Se você quer levar essa discussão para seu evento, conheça minhas palestras sobre inteligência artificial. Se prefere receber uma análise como esta toda semana, assine minha newsletter no Substack.