Prevalent AI rejser $22M for at skalere pålidelig virksomheds‑kontekst til AI‑systemer

Prevalent AI har rejst $22 million i vækstkapital fra Integrity Growth Partners (IGP), hvilket markerer den første primære eksterne investering i det London‑baserede selskabs ni‑årige historie. Finansieringen kommer på et tidspunkt, hvor virksomheder står over for et voksende problem i takt med den hurtige adoption af kunstig intelligens: AI‑systemer bliver måske mere kapable, men deres beslutninger er kun så pålidelige som de organisatoriske data og den kontekst, de har til rådighed.

Finansieringen er bemærkelsesværdig delvist fordi Prevalent AI tog en relativt usædvanlig vej gennem cybersikkerhedsmarkedet. I stedet for at stole på gentagne venture‑runder for at finansiere vækst, brugte virksomheden næsten et årti på at bygge omkring indtægter fra store virksomhedskunder, før den rejste primær institutionel kapital.

Prevalent AI blev medstiftet af administrerende direktør Paul Stokes og driftschef Arun Raj, med rødder i det britiske efterretningsmiljø. Virksomheden siger, at grundlæggerteamet omfatter alumner fra Government Communications Headquarters (GCHQ), en erfaring der har formet fokus på at forbinde fragmenteret information i miljøer, hvor ufuldstændige eller unøjagtige data kan have betydelige operationelle konsekvenser.

ISTARI, som er støttet af det singaporske investeringsselskab Temasek, blev minoritetsaktionær i 2021 gennem en sekundær transaktion, men den nye IGP‑investering repræsenterer den første primære kapital, der går direkte ind i virksomheden.

Første eksterne kapital efter ni år

Den centrale udfordring, som Prevalent AI forsøger at løse, er ikke mangel på virksomhedsdata. Det er, at de data, der er nødvendige for at træffe en beslutning, ofte findes på tværs af dusinvis eller endda hundreder af systemer, som beskriver den samme organisation på forskellige måder.

Et sikkerhedsteam kan for eksempel være afhængigt af sårbarhedsscannere, endpoint‑platforme, identitetssystemer, cloud‑infrastruktur, konfigurationsstyringsdatabaser, ticketsystemer og operationelle værktøjer. Hvert system indeholder en del af billedet, med duplikerede poster, modstridende identifikatorer og ufuldstændige relationer mellem aktiver.

Prevalent AIs Security Data Fabric er designet til at indsamle information fra disse forskellige systemer, normalisere den, løse inkonsistenser og kortlægge relationer mellem aktiver, identiteter, sårbarheder, applikationer, kontroller og anden operationel information. De resulterende data vedligeholdes som en løbende opdateret vidensgraf i stedet for en isoleret sikkerheds‑database.

Den sondring bliver stadig vigtigere, når AI‑agenter træder ind i ligningen. Mennesker kan nogle gange genkende, at to let forskellige poster refererer til den samme server, medarbejder eller applikation. En automatiseret agent, der træffer beslutninger med maskinhastighed, har brug for, at disse relationer er etableret mere pålideligt på forhånd.

Sådan fungerer Prevalent AIs teknologi

På integrationslaget bruger Prevalent AI DataBridge til at forbinde cloud, Software-as-a-Service (SaaS), on‑premises og operationelle systemer. Platformen anvender derefter entitets‑resolution for at afstemme poster og bygge en samlet repræsentation af virksomhedens miljø.

Vidensgrafen tilføjer et ekstra lag ved at forbinde disse entiteter gennem deres relationer. I stedet for at behandle en sårbarhed som et isoleret fund, kan systemet for eksempel knytte den til det berørte aktiv, aktivets forretningsmæssige betydning, dets ejer, tilknyttede identiteter, eksisterende sikkerhedskontroller og relevant trusselsinformation.

Prevalents værktøjer til eksponeringsstyring bruger denne kontekst til at identificere, hvor risikoen er koncentreret, og prioritere afhjælpning. Platformen kan også korrelere fund på tværs af værktøjer for at reducere duplikerede sårbarhedsposter og løbende overvåge ændringer i aktiver, identiteter og infrastruktur.

Generativ AI tilføjes oven på denne strukturerede grundlag i stedet for at blive bedt om at fortolke rå virksomhedsdata uafhængigt. Prevalents Navigator‑værktøj lader for eksempel brugere forespørge information, der er lagret i vidensgrafen, gennem en generativ AI‑grænseflade.

Virksomheden tilbyder også DataForge, som genererer synkroniserede syntetiske datasæt til AI‑udvikling, modeltest og kvalitetssikring uden at kræve, at følsomme produktionsdata eksponeres under eksperimentering.

Bevægelse ud over cybersikkerhed

Cybersikkerhed var et naturligt udgangspunkt, fordi ufuldstændig information straks kan påvirke beslutninger omkring sårbarheder, identiteter, hændelser og kontroller. Men Prevalent AI ser i stigende grad sin underliggende teknologi som virksomheds‑infrastruktur snarere end et sikkerhedsspecifikt produkt.

Virksomheden siger, at kunder allerede har udvidet det samme datagrundlag til områder som analyse af økonomisk kriminalitet, operationel intelligens, compliance, automatisering og AI‑drevne arbejdsgange uden at skulle genopbygge den underliggende arkitektur.

Denne bredere mulighed er en af hovedårsagerne til den nye finansiering.

For AI‑agenter i særdeleshed skifter udfordringen i stigende grad fra, om en model er intelligent nok til at udføre en opgave, til om den har adgang til præcis information om den organisation, den opererer i. En agent kan være i stand til at identificere en sikkerhedssårbarhed, undersøge en konto eller udløse en automatiseret arbejdsgang, men dens nytteværdi falder hurtigt, hvis den ikke pålideligt kan fastslå, hvilke systemer der findes, hvordan de er forbundet, hvem der ejer dem, eller hvilke politikker der styrer dens handlinger.

Prevalent AI satser på, at virksomheds‑kontekst vil blive et vigtigt lag i AI‑stakken, især for organisationer, hvor agenter forventes at udføre handlinger frem for blot at generere svar.

Hvorfor virksomheds‑AI hæver indsatsen

Tidspunktet for finansieringen afspejler et bredere skift i virksomheds‑AI. Organisationer begynder at bevæge sig ud over stand-alone copiloter til agenter, der kan interagere med infrastruktur, applikationer og forretningsprocesser.

Den overgang øger konsekvenserne af dårlige underliggende data.

Prevalent AI argumenterer for, at deres suveræne arkitektur er særligt relevant i disse miljøer. Platformen er designet til at fungere inden for infrastruktur, som kunden kontrollerer, og holder virksomhedsdata under organisationens kontrol i stedet for at kræve, at den operationelle vidensgraf afhænger af delt infrastruktur eller en specifik modeludbyder.

For stærkt regulerede sektorer kan dette blive en vigtig overvejelse, efterhånden som virksomheder eksperimenterer med at give AI‑systemer større adgang til følsomme interne oplysninger og større myndighed til at udføre handlinger.

Hvorfor pålidelig kontekst kan blive kritisk for virksomheds‑AI

Efterhånden som AI‑systemer bevæger sig fra at generere anbefalinger til at udføre handlinger inden for virksomheder, vil kvaliteten af de data, der omgiver disse systemer, blive stadig vigtigere. En agent, der har til opgave at undersøge en sikkerhedshændelse, godkende en arbejdsgang eller reagere på et operationelt problem, har brug for mere end adgang til enkelte databaser. Den har brug for et præcist billede af, hvordan aktiver, identiteter, applikationer, politikker og forretningsprocesser forholder sig til hinanden.

Dette skaber en voksende infrastruktur‑udfordring for virksomheder. Mange organisationer har akkumuleret årtiers fragmenterede softwareplatforme, duplikerede poster og inkonsistente navnekonventioner. Store sprogmodeller kan gøre denne information lettere at forespørge, men de løser ikke automatisk modstridende data eller bestemmer, hvilken kilde der skal stole på. Uden et pålideligt kontekstlag kan mere autonom AI blot lade eksisterende dataproblemer påvirke beslutninger med større hastighed og skala.

Vidensgrafer og datafabrikker kan derfor blive en vigtig del af den fremvoksende virksomheds‑AI‑arkitektur. I stedet for at erstatte databaser eller AI‑modeller, kan disse systemer ligge imellem dem, løbende afstemme information og vedligeholde relationer, som agenter kan bruge, når de skal beslutte, hvilke handlinger de skal udføre.

Konsekvenserne strækker sig også langt ud over cybersikkerhed. Lignende problemer findes i bedrageri‑detektion, regulatorisk compliance, forsyningskædestyring, IT‑drift og andre områder, hvor beslutninger afhænger af information fordelt på flere systemer. Når virksomheder implementerer agenter på tværs af disse funktioner, kan det blive stadig mere nødvendigt at opretholde en konsistent repræsentation af organisationen.

Dette kan også ændre, hvordan virksomheder evaluerer AI‑infrastruktur. Modelpræstation vil forblive vigtig, men organisationer kan lægge større vægt på oprindelse, friskhed og relationer i de data, der fodrer modellerne. I et sådant miljø kan den konkurrencemæssige fordel måske ikke kun komme fra at have en mere kapabel AI‑model, men fra at give den model en mere præcis forståelse af den virksomhed, den opererer i.