Euno rejser $23 M i Serie A for at bygge et kontekstlag til enterprise‑AI‑agenter

Euno har rejst $23 millioner i Serie‑A‑finansiering for at udvide sin enterprise‑AI‑kontekstplatform, efterhånden som virksomheder i stigende grad møder et problem, som bedre grundlæggende modeller alene ikke kan løse: at give AI‑agenter tilstrækkelig organisatorisk viden til pålideligt at arbejde med komplekse forretningsdata.

Runden blev ledet af N47, med deltagelse fra eksisterende investor 10D og en gruppe teknologigrundlæggere og ledere, herunder Wiz‑medstifter Yinon Kostika, Cyera‑medstifter og administrerende direktør Yotam Segev, Eon‑medstifter og administrerende direktør Ofir Ehrlich, Tavily‑stifter Rotem Weiss samt tidligere Tableau‑administrerende direktør og præsident Mark Nelson. Finansieringen bringer Eunos samlede kapital op på $29 millioner.

Euno blev grundlagt i 2023 af Sarah Levy og Eyal Firstenberg og planlægger at bruge den nye kapital primært til at udvide salg og markedsføring samt øge investeringerne i AI‑forskning. Virksomheden, som opererer i USA og Israel og beskæftiger næsten 30 medarbejdere, forventer at fordoble sin arbejdsstyrke inden årets udgang.

Flaskehalsen i enterprise‑AI skifter mod kontekst

Den hurtige forbedring af store sprogmodeller har gjort det i stigende grad muligt at implementere AI‑agenter, der kan forespørge databaser, generere analyser, skrive kode og automatisere forretningsprocesser. Men at forbinde en agent til enterprise‑systemer introducerer en anden udfordring: at vide, hvilken information der er autoritativ.

En stor organisation kan have tusinder af tabeller, dashboards, målinger, datamodeller og konkurrerende definitioner af det samme forretningskoncept. En AI‑agent, der bliver bedt om at beregne omsætning, har for eksempel brug for mere end blot adgang til en database. Den skal vide, hvilken omsætningsmåling der er godkendt, hvilke tabeller der er aktuelle, hvordan målingen beregnes, hvor dens input stammer fra, og om den anmodende bruger har tilladelse til at få adgang til den underliggende information.

Euno forsøger at omdanne denne institutionelle viden til maskinlæselig infrastruktur.

Platformen konstruerer løbende en live‑kontekstgraf, der indarbejder information som datalinjeage, brug, ejerskab, forretningslogik, sundhedssignaler og governance‑status. I stedet for at præsentere hver eneste tilgængelige ressource for en agent, kan systemet levere kontekst, der er relevant for den specifikke bruger, opgave og beslutning.

Denne sondring kan blive stadig vigtigere, efterhånden som virksomheder bevæger sig fra AI‑systemer, der kun besvarer spørgsmål, til autonome agenter, der kan udføre handlinger på tværs af flere enterprise‑systemer.

“Modellerne bliver hele tiden bedre og billigere, men den langsigtede AI‑moat for virksomheder vil i stigende grad komme fra den akkumulerede registrering af, hvordan arbejdet udføres,” sagde Euno‑medstifter og administrerende direktør Sarah Levy.

Omformning af metadata til infrastruktur for AI‑agenter

Eunos teknologi bygger på metadata, den information der beskriver, hvor data kommer fra, hvordan de transformeres, hvem der bruger dem, og hvordan forskellige ressourcer relaterer til hinanden.

Platformen kortlægger kolonneniveau‑linjeage på tværs af datalagre, analysesystemer, dashboards og målinger og kombinerer derefter denne information med brug‑ og governance‑signaler. Dens automatiserede mærkningssystem kan dynamisk klassificere ressourcer som egenskaber såsom “AI‑klar”, “PII‑fri”, “sund” eller “certificeret” baseret på regler fastlagt af organisationen. Disse klassifikationer opdateres, efterhånden som det underliggende data‑miljø ændrer sig.

Euno leverer også arbejdsprocesser, der kan reagere, når disse betingelser ændres. Organisationer kan for eksempel identificere ikke‑certificerede dashboards, der pludselig bliver kraftigt anvendt, spore spredning af personligt identificerbare oplysninger (PII), markere u‑dokumenterede modeller eller fremhæve målinger, der ikke længere lever op til interne kvalitetsstandarder.

Virksomheden har bygget sin egen Euno Query Language (EQL) til at navigere i relationer inden for grafen. Euno siger, at dens graf‑baserede arkitektur gør det muligt for agenter at hente sammenkoblede metadata med færre forespørgsler, hvilket potentielt reducerer mængden af kontekstuel information, der skal overføres til en model.

Vigtigt er, at platformen er designet til at fungere ved siden af eksisterende enterprise‑datainfrastruktur i stedet for at erstatte den. Euno understøtter integrationer, der spænder over datalagre og platforme som Snowflake og Databricks; transformationsværktøjer inklusive dbt; samt business‑intelligence‑platforme som Tableau, Looker, Power BI, ThoughtSpot, Sigma og Omni.

At bringe kontekst direkte ind i AI‑systemer

En anden komponent i Eunos strategi er at gøre denne organisatoriske kontekst direkte tilgængelig for tredjeparts‑AI‑agenter.

Virksomheden driver en Model Context Protocol (MCP)‑server, som værktøjer som Claude, Cursor, Visual Studio Code Copilot og andre kompatible systemer kan bruge til at forespørge Eunos enterprise‑kontekst. Agenter kan anvende disse værktøjer til at finde ressourcer, inspicere upstream‑linjeage, udføre påvirkningsanalyse, søge i dokumentation eller generere og udføre EQL‑forespørgsler.

Euno har også dokumenteret integrationer med systemer inklusive Snowflake Intelligence, som illustrerer, hvordan deres kontekstlag effektivt kan blive en mellemmand mellem generelle AI‑modeller og en virksomheds underliggende data‑ejendom.

Denne positionering afspejler en bredere forandring inden for enterprise‑AI. Efterhånden som adgang til kapable modeller bliver stadig mere standardiseret, kan differentieringen flytte sig mod den proprietære information omkring disse modeller: organisatoriske processer, tilladelser, relationer, historiske beslutninger, definitioner og feedback fra tidligere agent‑aktivitet.

Kontekst kan blive en del af enterprise‑AI‑moaten

Euno hævder, at denne akkumulerede kontekst kan blive mere værdifuld over tid.

Når en agent udfører en opgave, kan systemet indfange information om, hvordan konteksten blev brugt, og sende disse signaler tilbage til enterprise‑kontekstlaget. I teorien skaber det en feedback‑sløjfe, hvor en organisation løbende bygger en rigere maskinlæselig repræsentation af, hvordan dens forretning fungerer.

Dette adresserer også en af de centrale udfordringer ved agentbaserede AI‑implementeringer: governance. At give en autonom agent adgang til enterprise‑systemer uden at forstå, hvilken information den kan hente, eller hvordan den skal fortolke den, introducerer operationelle og sikkerhedsmæssige risici. Eunos tilgang kombinerer kontekstuel hentning med rolle‑bevidst governance, så en agent modtager information, der er passende for dens opgave og tilladelser, i stedet for ubegrænset adgang til hele miljøet.

Virksomheden siger, at platformen læser enterprise‑metadata i stedet for de underliggende forretningsdata, en arkitektonisk sondring, der skal reducere datatilgængelighed, mens systemet stadig kan kortlægge relationer og give agenter operationel kontekst.

Euno arbejder allerede med enterprise‑kunder som AlphaSense og Zayo Group, mens deres hjemmeside også dokumenterer implementeringer med virksomheder som Bolt.

For den bredere AI‑industri er betydningen af Eunos Serie‑A mere end blot endnu en finansieringsrunde for enterprise‑infrastruktur. Grundlæggende modeller bliver hurtigt mere kapable og i stigende grad udskiftelige for mange arbejdsbelastninger. Hvis denne tendens fortsætter, vil et af de sværere problemer være at give disse modeller en pålidelig forståelse af de organisationer, de opererer i.

Det kan gøre kontekst‑infrastruktur, snarere end den underliggende model, til et af de mest betydningsfulde lag i den fremspirende enterprise‑AI‑stak.