Serval、IT 事象の未然検知・修正 AI エージェント「Catalyst」を一般提供
本文の状態
日本語全文を表示中
詳細モードで約20分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
VentureBeat AI
Serval は AI エージェント「Catalyst」を一般提供し、チケット履歴や自然言語指示から自動化対象を特定してワークフローを構築する機能に加え、問題発生前にシステムを検査する背景エージェントも生成する機能を強化した。
AI深層分析を開く2026年8月21日 10:44
AI深層分析
キーポイント
Catalyst の一般提供と基本機能
Serval は AI エージェント「Catalyst」を一般提供し、管理者向けインターフェースとしてチケット履歴や標準手順書から自動化の機会を特定し、ワークフローやアクセスポリシーなどを自動的に草案する機能を備えている。
事前検知型の背景エージェント
Catalyst は接続されたシステムを継続的に検査して新たな問題を発見し、従業員がチケットを提出する前に修正案を提案する背景エージェントを自動的に生成する機能を有している。
競合他社との差別化戦略
ServiceNow や Atlassian などが AI を活用したワークフロー作成に注力する中、Serval は単なる作成ツールではなく、発見から構築、そして継続的な自動監視までを担う包括的な管理層としての役割を強調している。
コードベースの自動化と UI 代替
生成されるワークフローはコードベースで動作し、Catalyst は将来的には管理者が UI を通じて行うすべての操作を自然言語やプロンプトで実行可能な主要インターフェースへと進化させることを目指している。
モデルの交換可能性と評価ベースの選定
Serval は独自の基盤モデルを構築せず、特定のタスクに最適な「フロンティア・ラボ」由来のモデルを評価して使用し、必要に応じて交換可能である。OpenAI の GPT モデルはエンドユーザー対話に、Anthropic の Sonnet や Opus モデルはコード生成にそれぞれ最適化されている。
重要な引用
Serval is also using Catalyst to create background agents that continuously inspect connected systems for emerging problems and propose fixes before an employee files a ticket.
Catalyst is designed as a single administrative layer that can move from discovering an opportunity, to assembling multiple kinds of governed automation, to creating proactive agents that keep looking for new work to automate.
The actual workflows are code-backed.
Serval's pitch is instead that its proprietary value sits in the harness around those models: enterprise context and memory, integrations, generated code, permissions, approvals and the controls governing what an agent can actually do.
Source Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
Serval は、企業向け自動化を構築するための AI エージェント「Catalyst」の一般提供を木曜日に開始し、顧客に対してデフォルトで有効化します。これにより、AI エージェントのチームが「何を自動化すべきか」を判断し、その自動化自体を構築することが可能になります。
Catalyst は、Serval の AI ネイティブなサービス管理プラットフォームの上に位置する、管理者向けの「スーパーエージェント」として機能します。チケット履歴や標準作業手順書（SOP）、自然言語による指示などを検査し、反復的な業務を特定。その自動化に必要なワークフロー、スキル、フォーム、アクセスポリシー、顧客ジャーニー、ダッシュボードのドラフト作成まで行います。
また Serval は Catalyst を活用して、バックグラウンドエージェントも生成しています。これらのエージェントは接続されたシステムを継続的に監視し、従業員がチケットを発行する前に問題を検知し、解決策を提案します。
この区別が重要視される理由は、エンタープライズサービス管理ベンダー各社が AI 支援型のワークフロー作成に急速に集中しているためです。
ServiceNow の Build Agent はすでに、自然言語の指示をフルスタックアプリケーション、フロー、スクリプト、その他のプラットフォームメタデータに変換できます。また、AI Agent Advisor はインスタンスレコードを分析して自動化の機会を特定します。Atlassian の Rovo は、平易な英語による要件から Jira 自動化フローを生成可能です。Freshworks も、Freshservice ワークフロー全体で動作するサービスエージェントを作成するための「Freddy AI Agent Studio」を提供しています。
Serval の差別化戦略は、「AI を活用してワークフローを構築する」という単なる主張よりも、より狭く、かつ潜在的により重要な領域に焦点を当てています。Catalyst は、機会の発見から、複数の種類のガバナンスされた自動化の構築、そして新たな作業を見つけて自動化し続ける能動的なエージェントの生成までを一貫して行う、単一の管理レイヤーとして設計されています。
Serval の共同創設者兼 CEO、ジェイク・スタウフ氏は VentureBeat との独占インタビューでこう語っています。「単一のプロンプトから始めれば、すぐに全社のパスワードリセット問題を解決できるエンタープライズグレードのワークフローが準備できます」。
チケット履歴から動作する自動化へ
Serval によると、Catalyst は組織が何を自動化するかを決定する前に、既存のヘルプデスクデータを分析します。反復的なリクエストのカテゴリーを見つけた場合、それらを解決するために必要な自動化を草案し、管理者によるレビューのために結果を準備段階に置きます。また、ユーザーは標準作業手順書（SOP）やスプレッドシートをアップロードして、文書化されたプロセスを実行可能なシステムに変換するよう Catalyst に指示することも可能です。
Serval のドキュメントによると、Catalyst はワークフローの構築やヘルプデスクスキルの作成、オンボーディング・オフボーディングの設計、アクセス管理ポリシーの設定、ダッシュボードの構築、運用上の課題調査、失敗したワークフローの実行デバッグなどが可能です。以前の Serval ワークフロービルダーとは異なり、Catalyst はプラットフォーム設定のための主要インターフェースとなることを目指しています。同社は長期的な目標として、「管理者が UI を通じてできることはすべて Catalyst でも可能にする」ことを掲げています。
実際のワークフローはコードによって支えられています。デモでは、Stauch 氏が Catalyst にパスワードリセットワークフローの構築を依頼すると、Okta や Google Workspace、Microsoft Entra といった接続システムを検出し、それらのアクションを実行するための TypeScript コードを自動生成する様子が示されました。その後、管理者が承認プロセスを追加したり、実行権限を持つユーザーを制限したりすることが可能です。
Catalyst の基盤となるモデルは、意図的に交換可能に設計されています。
Serval は独自の大規模言語モデルを開発していません。Stauch 氏はインタビューで、同社は「フロンティア・ラボ」から提供されるモデルを利用し、特定のタスクに適したモデルを評価選定していることを明かしました。さらに、モデルに依存しない（model-agnostic）アプローチを採用しており、「異なるモデルを差し替えて利用できます」と述べています。また、自社でモデルを開発する企業とも連携していると付け加えています。
Stauch 氏は 2026 年 5 月のシーコイア・キャピタルとのインタビューで、Serval が OpenAI と Anthropic の両方のモデルを活用していると詳細を明かしました。同氏によると、エンドユーザーとの対話やツール呼び出しにおいては OpenAI の GPT モデルが最も高いパフォーマンスを発揮し、一方、コード生成という Serval の自動化システムの核心部分（Catalyst にとって最も直接的に重要な負荷）では Anthropic の Sonnet や Opus モデルが最良の結果を生み出しています。Stauch 氏はまた、Serval はすべてのワークロードを自動的に最新モデルへ移行するのではなく、継続的に評価（evals）を実行していると述べています。
このアーキテクチャにより、基盤となる大規模言語モデル（LLM）は Serval の差別化要因において必ずしも中核的な役割を果たす必要がなくなります。同社の公式ドキュメントでは現在、組織管理者が独自の OpenAI や Anthropic の API キー、あるいは互換性のあるカスタムエンドポイントを提供できるようになっています。Stauch 氏は、より広範なアーキテクチャは異なるモデルの採用にも対応可能だと説明しています。
ただし、これらの資料からは、すべての Catalyst ユーザーが任意の個別モデルを自ら選択できるメニューを用意されていることが保証されるわけではありません。Serval の訴求点はむしろ、それらのモデルを取り巻く独自の価値にあります。具体的には、エンタープライズコンテキストやメモリ機能、システム連携、生成されたコード、権限管理、承認フロー、そしてエージェントが実際に実行できる範囲を制御するガバナンスなどが挙げられます。
このコード生成モデルは、Serval が ServiceNow に対抗する主張の中心です。Stauch は、レガシーな ITSM（IT サービス管理）導入では、カスタムテーブルやビジネスルール、ワークフロー、プラットフォーム固有の専門知識が蓄積され、一見単純な自動化の変更さえも実装コストが高くなりがちだと指摘します。一方 Serval は、管理者や事業チームが必要な成果を記述するだけでよく、モデルがその実装を自動生成することを目指しています。
しかし ServiceNow もこの分野で手をこまねいているわけではありません。同社の現在の Build Agent も、自然言語のプロンプトからアプリケーションやコードを作成し、フロー設計とテストをサポートします。また、ServiceNow のガバナンスフレームワーク内で動作します。AI Agent Studio を使えば顧客はエージェントやエージェント型ワークフローを構築でき、AI Agent Advisor は自動化の候補となる業務記録を分析するために明確に設計されています。
競争の焦点はすでに「誰が生成 AI を持っているか」から、「運用上の問題を検知してから本番環境での自動化を実現するまでに、いくつの別々のツールや設定概念、専門家が求められるか」という点へと移っています。
Serval は、Catalyst がこれらの手順を 1 つの対話型インターフェースと小規模なプラットフォームモデルに圧縮して統合しているという主張をしています。一方、ServiceNow を比較すると、Build Agent、AI Agent Studio、AI Agent Advisor、Workflow Studio、AI Control Tower にわたる、強力だが広範な AI および開発環境を備えています。この広がりこそが、すでに ServiceNow への投資を深めている顧客にとってはメリットとなりますが、Serval が解決しようとしている課題の複雑さを浮き彫りにする側面でもあります。ServiceNow 自身も、Build Agent はその生成物を理解しサポートできる管理者や開発者向けであることを明記しています。
Atlassian も異なる出発点から同じ方向へ進んでいます。Rovo は自然言語の説明から「もしこの現象が起きれば、次にあの処理が行われる」という自動化フローを生成できます。また、Jira Service Management では、サービス作業のトリアージ、調査、実行を行うエージェントのサポートが強化されています。
Freshworks の Freddy AI Agent Studio も同様に、エンドツーエンドでリクエストを解決するエージェントに焦点を当てています。事前構築された IT や HR 用のエージェントに加え、30 以上のワークフローテンプレートを提供しています。
つまり Catalyst の差別化要因は、競合他社が文章から自動化を生成できないという点ではありません。Serval が目指しているのは、自動化のライフサイクルそのものを自律型（アジェンティック）にすることです。
チケット化する前にトラブルを検知するエージェントの構築
このアプローチは、Serval のバックグラウンドエージェントにおいて最も明確に表れています。
ヘルプデスクからの問い合わせを待つのではなく、バックグラウンドエージェントはスケジュールに従って接続されたシステム全体で動作し、信号を相関させて修復案を作成できます。Serval が提供するある顧客事例では、1 つのエージェントがスイッチのテレメトリデータ、DHCP データ、過去のインシデント記録を照合して 2 つのオフィス間のネットワーク障害を特定しました。ハードウェアや無線干渉の可能性を排除し、問題の原因が設定のズレにあることを突き止め、管理者による承認が必要な修復ワークフローを生成したのです。
「現在のほとんどの AI エージェントは、従業員が質問をしたりチケットを提出したりするのを待っています」と Stauch 氏は語ります。「私たちは、従業員がリクエストを出す前に行動する AI の未来こそが重要だと考えています。」
この考え方は、Serval の提案における哲学的な違いも浮き彫りにしています。同社は、サービス管理を「より良いチケットの作成・ルーティング・追跡」に集中させることを望んでいません。むしろ、反復的なサポート業務を実行可能な自動化に変えることで、リクエスト自体を可能な限り排除することを目指しています。
「企業で書かれているコードの多くは、ソフトウェアエンジニアリングとは関係ありません」と Stauch 氏は説明します。「実際には、社内の自動化やその他のスクリプトなのです。私たちはその技術を基盤に、より優れたサービス管理プラットフォームを構築しています。」
Serval が企業に提案するのは、これらのスクリプトをほぼ完全に自動化できる点です。Catalyst はコードを生成し、生産環境全体で変更を開始する可能性もあるため、ガバナンスモデルが極めて重要です。Serval によれば、Catalyst はそれを操作するユーザーの権限を引き継ぎ、そのユーザーのチームワークスペース内に限定されて動作します。
Catalyst が構築するすべてのものはまずドラフトとして作成され、組織は公開権限を制限したり、自動化が有効になる前に正式なレビューと承認を必須にしたりできます。
顧客データは常に顧客所有であり、複数のデプロイオプションが存在します
これらの制御は Catalyst が参照する企業データにも適用されます。Stauch 氏は、Serval は顧客の記録システムとして機能すると説明し、VentureBeat に対して「すべてのデータを顧客が保有している」と述べています。
Serval の現在のマスターサービス契約ではより明確に規定されており、顧客は「顧客資料」（レコード、ドキュメント、ワークフロー、プロンプト、入力、設定などを含むカテゴリ）および Serval がそれらから生成する出力に対する権利、所有権、利益を保持するとされています。Serval は、その情報を処理してサービスの提供、維持、サポート、セキュリティ確保を行うために必要な権利のみを取得します。
また、Serval は顧客資料や入力、出力を自社の AI モデルやサードパーティの AI モデルのトレーニング、ファインチューニング、改善に使用したり保持したりしないとしています。
データ処理補足契約書において、Serval は顧客の個人データを処理するプロセッサとして特定され、サービスの運用、サポート対応、問題診断、プラットフォーム保護のためのデータ処理が許可されています。また、承認されたサブプロセッサも関与することがあります。Serval の利用規約では、AI サブプロセッサとモデルプロバイダーの最新リストを顧客向けに維持していることが明記されています。
データの保存場所はデプロイメントによって異なります。Stauch 氏によると、顧客は Serval をクラウド型の SaaS サービスとして利用することも、オンプレミスで実行することも、自社の VPC（仮想プライベートクラウド）内に配置することも可能です。Serval のセルフホスティングドキュメントでは、現在2つのより包括的なオプションが紹介されています。1 つ目は、顧客所有の AWS アカウント内での単一テナント型デプロイメントを Serval が管理するケース、2 つ目は、あらゆるクラウド環境またはオンプレミス環境にある顧客の Kubernetes クラスター上で顧客自身が管理するデプロイメントです。
AWS オプションにおいては、Serval は顧客の AWS アカウントに対して永続的な IAM アクセス権を持たずにインストールを運用すると述べています。
したがって、企業購入者が考慮すべきアクセス境界は2つ存在します。
Catalyst レベルでは、エージェントが到達できるのは、自身が動作するユーザーおよびチームワークスペースに利用可能なデータ、統合機能、自動化処理に限られます。
プラットフォームレベルでは、Serval と承認されたサブプロセッサは、同社の契約上の機密保持およびデータ処理規約に従い、サービスの提供とサポートのために顧客情報を処理せざるを得ません。
このように、Stauch 氏の「Serval は顧客データに一切触れない」という非公式な発言は、サービスがデータを処理しないという文字通りの主張ではなく、データの所有権やデプロイ形態に関する声明として理解すべきです。
Ramp や他の顧客による早期テスト
顧客への導入事例からは、高速構築という仮説が実際の業務変革につながっていることがうかがえます。ただし、その数値は Serval 自身が公開したケーススタディに基づくものです。
企業経費管理や金融テクノロジー分野で活躍する Ramp は、Serval のケーススタディにおいて、Catalyst を活用することでワークフローの構築速度が 50% 向上し、IT、財務、施設管理、人事・タレント部門、法務、ビジネス運営など約 10 のチームに Serval が展開されたと報告しています。あるハードウェア交換プログラムでは、Serval により 600 台のノート PC 交換が自動化され、150 時間の工数が削減されました。この際、承認プロセスのみが人間が行う主要なステップとして残されています。
より示唆に富む Catalyst の事例は、その後の展開にあります。Ramp はすでにノート PC 交換の自動化を完了していましたが、Catalyst がエラーを減らすため、配送ロジックを「オフィス向け」と「自宅向け」の別々のワークフローに分けるよう提案しました。同社はまた、IT 部門以外の従業員も現在、Catalyst を活用して分析業務、バッチチケット処理、ワークフローのトラブルシューティング、人事プロセスの自動化を行っているとしています。
Serval の他の導入事例は、Catalyst が設定すべき広範な運用環境を示しています。Mercor によると、Serval の自動化機能を通じて外部専門家 4,000 名以上をオンボーディングし、プラットフォームを 7 つのチームに拡大したそうです。Together AI は、Serval が緊急時のインフラアクセス要求の 95% を自動化しており、機密性の高いアクセスには承認と監査の制御が組み込まれていると述べています。Perplexity では、Serval が着信 IT リクエストの半数以上と全社員のオンボーディングを自動処理しているとのことです。
これらの導入事例は Catalyst 自体を超えたものですが、Catalyst に今求められているのは、こうしたシステム横断型の自動化基盤を構築・維持する能力です。
Serval によると、ベータ版期間中、顧客の 90% 以上が自動化の起点として Catalyst を採用しました。Catalyst は 8 月 20 日に一般提供され、すべての Serval 組織でデフォルトで有効化されます。
価格設定と ServiceNow との競合
価格は導入規模に応じてカスタマイズされており、Serval のウェブサイトやドキュメントには公開されていません。
Serval は単一のプラットフォーム利用料を想定しており、通常はパイロット実施を通じて期待される導入規模と使用量を把握します。
Stauch 氏は、ソフトウェアライセンス自体は ServiceNow と類似しているが、実装や保守に必要なサービスが少ないため、トータル・コスト・オブ・オーナーシップ（TCO）は大幅に低減できると主張しています。
「所有コストは劇的に低下します。通常は半分、場合によっては ServiceNow の総所有コストの 10〜20％にまで抑えられるでしょう」と Stauch は語ります。「ただし、ソフトウェアライセンス料そのものが劇的に変わるわけではありません。」
Serval の創業ストーリーと歴史
Serval は 2024 年、Stauch と CTO の Alex McLeod によって設立されました。二人は以前 Verkada で製品・エンジニアリングのリーダーを務めていましたが、IT カスタマーがヘルプデスクの過負荷や既存の IT サービス管理ソフトウェアの限界に繰り返し不満を訴える姿を目にしていました。
Serval は ServiceNow や Jira Service Management といったプラットフォームに対する AI ネイティブな代替案として位置づけられています。このシステムでは、ヘルプデスクのチケット発行、アクセス管理、資産管理、ワークフロー自動化が単一のプラットフォーム内で統合されています。
Serval とシークウェイア・キャピタルは、同社の目標を「IT ソフトウェアを単なるリクエストの記録やルーティングから、自動解決へと進化させること」と定義しています。
同社は組織の主要な IT サービス管理システムとして機能することも可能ですが、既存システムの自動化機能を補完する形でも利用できます。公に知られている顧客には、Perplexity、Mercor、Clay、Verkada、Together AI が含まれています。
Serval によると、顧客は着信した IT リクエストの半数以上を自動的に解決できるそうです。Together AI の事例研究では、同社のジャストインタイムアクセスリクエストの 95％が自動化されたことが報告されています。
2025 年後半、投資家の関心は急速に高まりました。Serval は 10 月に Redpoint Ventures が主導するシリーズ A ラウンドで 4700 万ドルを調達し、当時の総調達額は 5200 万ドルとなりました。
その後の 12 月には、シーコイア・ベンチャーズ（Sequoia）が主導するシリーズ B ラウンドでさらに 7500 万ドルを調達。バリュエーションは 10 億ドルに達し、総調達額は約 1.27 億ドルに膨らみました。このラウンドには Redpoint、Meritech Capital、General Catalyst も参加しています。
Serval はロイターに対し、2025 年 8 月以降の収益が 500% 成長したと明かしました。また、IT 分野から拡大し、人事、財務、法務部門が行う業務オペレーションにも進出しているとしています。
企業顧客にとっての大きな試練
エンタープライズ顧客にとって、Catalyst の最大の試練は、自動化ライフサイクルを圧縮する能力が、大規模で複雑かつ高度にカスタマイズされた環境でも機能し続けるかどうかです。
ServiceNow はすでに AI を活用してアプリケーションの生成や自動化機会の発見を行っています。Atlassian や Freshworks も、自社のサービスプラットフォームに、より高度なエージェント型自動化機能を追加しています。つまり、Serval にとって自然言語による作成能力だけが強み（モート）であるとは言い切れない状況です。
Serval のより確かな賭けは、AI ネイティブのプラットフォームが、管理層そのものを「エージェント化」できる点にあります。具体的には、反復作業を継続的に発見し、サービススタック全体に必要なリソースを構築し、生成されたコードを検証用に公開し、管理者がワークフローデザイナーを開く前に次の自動化案を提案する——そんな仕組みです。
もし Catalyst がその範囲で機能するならば、競争の単位はもはやチケットやワークフローではありません。それは、企業の運用履歴を新たな自動化へと変換し続けるシステムそのものなのです。
原文を表示
Serval is making Catalyst, its AI agent for building enterprise automations, generally available Thursday and enabling it by default for customers — allowing teams of AI agents to decide what should be automated and then build the automation itself.
Catalyst sits above Serval’s AI-native service management platform as an admin-facing “super agent.” It can inspect ticket history, standard operating procedures or natural-language instructions, identify recurring work, and draft the workflows, skills, forms, access policies, journeys and dashboards needed to automate it.
Serval is also using Catalyst to create background agents that continuously inspect connected systems for emerging problems and propose fixes before an employee files a ticket.
That distinction matters because enterprise service management vendors are rapidly converging on AI-assisted workflow creation.
ServiceNow’s Build Agent can already translate natural-language instructions into full-stack applications, flows, scripts and other platform metadata, while its AI Agent Advisor can analyze instance records to identify automation opportunities. Atlassian’s Rovo can generate Jira automation flows from plain-English requirements, and Freshworks offers Freddy AI Agent Studio for creating service agents that act across Freshservice workflows.
So Serval’s claim to differentiation is narrower — and potentially more consequential — than simply “we use AI to build workflows.” Catalyst is designed as a single administrative layer that can move from discovering an opportunity, to assembling multiple kinds of governed automation, to creating proactive agents that keep looking for new work to automate.
"You just started with a single prompt, and now you’ve got enterprise-grade workflows ready to deploy that are going to solve all password resets for the entire company," Serval co-founder and CEO Jake Stauch told VentureBeat in an exclusive interview.
From ticket history to working automation
Serval says Catalyst analyzes existing help desk data before an organization has decided what to automate. If it finds a repetitive category of requests, it can draft the automation required to resolve those requests and stage the result for administrator review. Users can also upload an SOP or spreadsheet and ask Catalyst to turn the documented process into an executable system.
Serval’s documentation says Catalyst can build workflows, author help desk skills, create onboarding and offboarding journeys, configure access-management policies, construct dashboards, investigate operational issues and debug failed workflow runs. Unlike Serval’s earlier workflow builder, Catalyst is intended to become the primary interface for configuring the platform; the company says its long-term goal is that anything an administrator can do through the UI should also be possible through Catalyst.
The actual workflows are code-backed. In a demonstration, Stauch showed Catalyst taking a request to build password-reset workflows, detecting connected systems including Okta, Google Workspace and Microsoft Entra, and generating the underlying TypeScript needed to perform those actions. Administrators could then add approvals or restrict who was allowed to run the workflow.
The models underneath Catalyst are deliberately swappable
Serval is not building its own foundation model. Stauch said in the interview that the company uses models from “frontier labs,” runs evaluations to determine which models work best for particular jobs, and is deliberately model-agnostic. “You can swap different models in,” he said, adding that Serval also works with enterprises that build their own models.
Stauch provided more detail in a May 2026 interview with Sequoia Capital, saying Serval was using both OpenAI and Anthropic models. He said OpenAI’s GPT models had performed best for end-user interactions and tool calling, while Anthropic’s Sonnet and Opus models were producing the strongest results for the code-generation side of Serval’s automation system — the workload most directly relevant to Catalyst. Serval continuously runs evals rather than automatically moving every workload to the newest model release, Stauch said.
That architecture makes the underlying LLM less central to Serval’s differentiation. The company’s own documentation now lets organization administrators supply their own OpenAI or Anthropic API keys, including a compatible custom endpoint, while Stauch said the broader architecture can accommodate different models.
The materials do not, however, establish that every Catalyst user gets a self-service menu for arbitrarily choosing an individual model. Serval’s pitch is instead that its proprietary value sits in the harness around those models: enterprise context and memory, integrations, generated code, permissions, approvals and the controls governing what an agent can actually do.
That code-generation model is central to Serval’s pitch against ServiceNow. Stauch argues that legacy ITSM deployments often accumulate custom tables, business rules, workflows and platform-specific expertise that make seemingly simple automation changes expensive to implement. Serval, by contrast, wants administrators and business teams to describe the outcome they need and let the model generate the implementation.
But ServiceNow is no longer standing still on that front. Its current Build Agent similarly creates applications and code from natural-language prompts, supports flow design and testing, and operates inside ServiceNow’s governance framework. ServiceNow’s AI Agent Studio lets customers create agents and agentic workflows, while AI Agent Advisor is explicitly designed to analyze operational records for automation candidates.
The competitive question is therefore shifting from “who has generative AI?” to how many separate tools, configuration concepts and specialists are required to get from an observed operational problem to a production automation.
Serval is effectively arguing that Catalyst compresses those steps into one conversational surface and a smaller platform model. ServiceNow, by comparison, now has a powerful but broader set of AI and development surfaces spanning Build Agent, AI Agent Studio, AI Agent Advisor, Workflow Studio and AI Control Tower. That breadth is an advantage for customers already deeply invested in ServiceNow, but it also illustrates the complexity Serval is attacking. ServiceNow itself notes that Build Agent is aimed at admins and developers who understand and can support what it generates.
Atlassian is moving in the same direction from a different starting point. Rovo can generate “if this happens, then that happens” automation flows from natural-language descriptions, while Jira Service Management increasingly supports agents that triage, investigate and execute service work.
Freshworks’ Freddy AI Agent Studio likewise emphasizes agents that resolve requests end-to-end, with prebuilt IT and HR agents and more than 30 workflow templates.
Catalyst’s differentiator, then, is not that rivals cannot generate an automation from a sentence. It is Serval’s attempt to make the entire automation lifecycle itself agentic.
Building agents that look for trouble before a ticket exists
That approach becomes clearest with Serval’s background agents.
Rather than waiting for a help desk request, a background agent can run on a schedule across connected systems, correlate signals and draft a remediation. In one customer example provided by Serval, an agent correlated network incidents across two offices using switch telemetry, DHCP data and historical tickets, ruled out hardware and wireless interference, traced the issue to configuration drift, and generated a remediation workflow for an administrator to approve.
“Most AI agents today wait for an employee to ask a question or submit a ticket,” Stauch said. “We believe the future is AI that acts before an employee ever submits a request.”
That framing also highlights a philosophical difference in Serval’s pitch. The startup does not want service management to revolve around creating, routing and tracking better tickets. It wants the system to eliminate as many requests as possible by turning repeated support work into executable automation.
"A lot of the code written in enterprises has nothing to do with software engineering," Stauch explained. "It’s actually internal automations and other scripts for the company, and so we use that technology to build a better service management platform."
Serval's pitch to enterprises is that it can largely automate those scripts. And the governance model is critical because Catalyst can generate code and potentially initiate changes across production systems. Serval says Catalyst inherits the permissions of the user operating it and remains scoped to that user’s team workspace.
Everything it builds starts as a draft, and organizations can restrict publishing privileges or require formal review and approval before an automation becomes active.
Customer data remains customer-owned, with several deployment options
Those controls also extend to the enterprise data Catalyst examines. Stauch said Serval is intended to operate as the customer’s system of record and told VentureBeat that “they own all the data.”
Serval’s current Master Services Agreement is more precise: customers retain rights, title and interest in both their “Customer Materials” — a category that includes records, documents, workflows, prompts, inputs and configurations — and the output Serval generates from them. Serval receives the rights necessary to process that information to provide, maintain, support and secure the service.
Serval also says it does not retain or use customer materials, inputs or outputs to train, fine-tune or improve its own or third-party AI models.
Its Data Processing Addendum identifies Serval as the processor of customer personal data and allows processing for operating the service, responding to support requests, diagnosing issues and protecting the platform, while authorized subprocessors can also be involved. Serval’s acceptable-use terms say it maintains a current list of AI subprocessors and model providers for customers.
Where that data resides can vary by deployment. Stauch said customers can use Serval as a cloud SaaS service, run it on-premises or place it in their own VPC. Serval’s self-hosting documentation now describes two fuller options: a Serval-managed single-tenant deployment inside an AWS account owned by the customer, or a self-managed deployment on the customer’s Kubernetes cluster in any cloud or on-premises environment.
In the AWS option, Serval says it operates the installation without persistent IAM access to the customer’s AWS account.
There are therefore two distinct access boundaries for enterprise buyers to consider.
At the Catalyst level, the agent can only reach data, integrations and automations available to the user and team workspace under which it is operating.
At the platform level, Serval and authorized subprocessors necessarily process customer information to deliver and support the service, subject to the company’s contractual confidentiality and data-processing terms.
That makes Stauch’s informal statement that Serval “doesn’t touch” customer data better understood as an ownership and deployment claim, rather than a literal assertion that the service never processes it.
Ramp and other customers provide an early test
Customer deployments provide some evidence that the faster-build thesis can translate into operational changes, although the metrics come from Serval’s own case studies.
Corporate expense and financial technology firm Ramp says in a Serval case study that Catalyst has made workflow building 50% faster and helped extend Serval across roughly 10 teams, including IT, finance, facilities, people and talent, legal and business operations. In one hardware replacement program, Serval says Ramp automated 600 laptop replacements and saved 150 hours, leaving approval as the principal human step.
The more telling Catalyst example may be what happened afterward. Ramp had already automated laptop replacement when Catalyst suggested splitting its shipping logic into separate office and home workflows to reduce errors. The company also says employees outside IT now use Catalyst for analytics, bulk ticket operations, workflow troubleshooting and HR process automation.
Other Serval deployments show the broader operating environment Catalyst is meant to configure. Mercor says it has onboarded more than 4,000 external experts through Serval automations and expanded the platform across seven teams. Together AI says Serval automates 95% of its just-in-time infrastructure access requests, with approval and auditing controls around sensitive access. Perplexity says Serval automatically handles more than half of its incoming IT requests and all employee onboarding.
Those deployments extend beyond Catalyst itself, but they demonstrate the type of cross-system automation substrate Catalyst is now being asked to build and maintain.
Serval says more than 90% of customers adopted Catalyst as their starting point for automation during beta. Catalyst is generally available Aug. 20 and will be enabled by default for all Serval organizations.
Pricing and the battle with ServiceNow
Pricing is customized depending on the size of the deployment and is not publicly listed on Serval's website or documentation.
Serval describes a single platform fee and typically runs a pilot to determine expected deployment and usage.
Stauch said the software license can be similar to ServiceNow’s, but argues total cost of ownership can be substantially lower because customers require fewer implementation and maintenance services.
"The total cost of ownership is going to be dramatically less — usually half as much, sometimes 10 to 20% of the total cost of ownership of ServiceNow," Stauch said. "But the actual software license fee is not necessarily going to be all that different."
Serval's origin story and history
Serval was founded in 2024 by Stauch and CTO Alex McLeod, former Verkada product and engineering leaders, after they repeatedly heard IT customers complain about overburdened help desks and the limitations of established IT service-management software.
Serval has positioned itself as an AI-native alternative to platforms such as ServiceNow and Jira Service Management, combining help-desk ticketing, access management, asset management and workflow automation within a single system.
Serval and Sequoia Capital describe the company’s goal as moving IT software beyond merely recording and routing requests toward resolving them automatically.
The company can operate as an organization’s primary IT service-management system or add automation to an existing one. Its publicly identified customers include Perplexity, Mercor, Clay, Verkada and Together AI.
Serval says customers can automatically resolve more than half of their incoming IT requests; its Together AI case study reports automation of 95% of that customer’s just-in-time access requests.
Investor interest accelerated rapidly in late 2025. Serval announced a $47 million Series A led by Redpoint Ventures in October, bringing its funding at that point to $52 million.
In December, it raised another $75 million in a Sequoia-led Series B at a $1 billion valuation, lifting total capital raised to approximately $127 million; Redpoint, Meritech Capital and General Catalyst also participated.
Serval told Reuters that revenue had grown 500% since August 2025 and that it was expanding beyond IT into operational work performed by human resources, finance and legal departments.
The big test for enterprise customers
For enterprise buyers, Catalyst’s biggest test will be whether its compression of the automation lifecycle survives contact with large, messy, highly customized environments.
ServiceNow can now generate applications and discover automation opportunities with AI. Atlassian and Freshworks are adding increasingly capable agentic automation to their own service platforms. Serval therefore cannot rely on natural-language creation alone as its moat.
Its stronger wager is that an AI-native platform can make the administrative layer itself agentic: continuously finding repetitive work, building the necessary resources across the service stack, exposing generated code for review, and proposing the next automation before an administrator has opened a workflow designer.
If Catalyst works at that scope, the competitive unit is no longer the ticket — or even the workflow. It is the system that keeps turning an enterprise’s operational history into new automation.
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み