Prevalent AI sammelt $22 Mio. ein, um vertrauenswürdigen Unternehmenskontext für KI‑Systeme zu skalieren

Prevalent AI hat $22 Millionen Wachstumskapital von Integrity Growth Partners (IGP) aufgenommen, was die erste primäre Außeninvestition in der neunjährigen Geschichte des in London ansässigen Unternehmens markiert. Die Finanzierung erfolgt, während Unternehmen ein wachsendes Problem im Zuge der schnellen Verbreitung von Künstlicher Intelligenz: KI‑Systeme werden möglicherweise leistungsfähiger, doch ihre Entscheidungen sind nur so zuverlässig wie die organisatorischen Daten und der Kontext, die ihnen zur Verfügung stehen.

Gegründet 2017, ist Prevalent AI weiterhin eigenfinanziert und, laut Unternehmen, seit dem Gewinn des ersten Kunden profitabel. Das Unternehmen gibt an, dass der jährliche wiederkehrende Umsatz im vergangenen Jahr mehr als verdoppelt wurde. Das neue Kapital wird in den Ausbau der globalen Vertriebsorganisation, die Beschleunigung des Vorstoßes in die USA, die Stärkung des Führungsteams und die Erweiterung der ursprünglich für die Cybersicherheit entwickelten Technologie auf breitere Unternehmensrisiken und KI‑Anwendungen investiert.

Erste Außenfinanzierung nach neun Jahren

Die Finanzierung ist bemerkenswert, weil Prevalent AI einen relativ ungewöhnlichen Weg über den Cybersicherheitsmarkt gewählt hat. Anstatt wiederholte Risikokapitalrunden zur Finanzierung des Wachstums zu nutzen, hat das Unternehmen fast ein Jahrzehnt damit verbracht, auf Einnahmen großer Unternehmenskunden aufzubauen, bevor es primäres institutionelles Kapital aufgenommen hat.

Prevalent AI wurde von CEO Paul Stokes und COO Arun Raj mit Wurzeln in der britischen Geheimdienste‑Community mitbegründet. Das Unternehmen sagt, dass das Gründungsteam Alumni des Government Communications Headquarters (GCHQ) umfasst – eine Erfahrung, die den Fokus darauf prägte, fragmentierte Informationen in Umgebungen zu verbinden, in denen unvollständige oder ungenaue Daten erhebliche betriebliche Konsequenzen haben können.

ISTARI, das von der singapurischen Investmentgesellschaft Temasek unterstützt wird, wurde 2021 durch eine Sekundärtransaktion Minderheitsaktionär, doch die neue IGP‑Investition stellt das erste primäre Kapital dar, das direkt in das Unternehmen fließt.

Fragmentierte Unternehmensdaten in Kontext verwandeln

Das zentrale Problem, das Prevalent AI zu lösen versucht, ist nicht ein Mangel an Unternehmensdaten. Vielmehr liegen die für Entscheidungen benötigten Daten oft über Dutzende, manchmal Hunderte von Systemen verteilt, die dieselbe Organisation unterschiedlich beschreiben.

Ein Sicherheitsteam beispielsweise kann auf Schwachstellenscanner, Endpunktplattformen, Identitätssysteme, Cloud‑Infrastruktur, Konfigurations‑Management‑Datenbanken, Ticket‑Software und operative Werkzeuge angewiesen sein. Jedes System liefert einen Teil des Bildes, mit duplizierten Datensätzen, widersprüchlichen Kennungen und unvollständigen Beziehungen zwischen Assets.

Prevalent AI’s Security Data Fabric ist darauf ausgelegt, Informationen aus diesen unterschiedlichen Systemen zu ingestieren, zu normalisieren, Inkonsistenzen zu beheben und Beziehungen zwischen Assets, Identitäten, Schwachstellen, Anwendungen, Kontrollen und anderen operativen Informationen abzubilden. Die resultierenden Daten werden als kontinuierlich aktualisierter Knowledge Graph gepflegt, statt in einer weiteren isolierten Sicherheitsdatenbank zu landen.

Diese Unterscheidung wird immer wichtiger, wenn KI‑Agenten ins Spiel kommen. Menschen können manchmal erkennen, dass zwei leicht unterschiedliche Einträge dieselben Server, denselben Mitarbeiter oder dieselbe Anwendung bezeichnen. Ein automatisierter Agent, der Entscheidungen mit Maschinen­geschwindigkeit trifft, benötigt diese Beziehungen im Voraus zuverlässiger etabliert.

Wie die Technologie von Prevalent AI funktioniert

Auf der Integrationsschicht verwendet Prevalent AI DataBridge, um Cloud‑, Software‑as‑a‑Service (SaaS)‑, On‑Premises‑ und operative Systeme zu verbinden. Die Plattform wendet anschließend Entity Resolution an, um Datensätze abzugleichen und eine einheitliche Darstellung der Unternehmensumgebung zu erstellen.

Der Knowledge Graph fügt eine weitere Ebene hinzu, indem er diese Entitäten über ihre Beziehungen verknüpft. Anstatt eine Schwachstelle als isolierten Befund zu behandeln, kann das System sie beispielsweise mit dem betroffenen Asset, dessen geschäftlicher Bedeutung, dem Eigentümer, zugehörigen Identitäten, bestehenden Sicherheitskontrollen und relevanten Bedrohungsinformationen verbinden.

Prevalents Exposure‑Management‑Tools nutzen diesen Kontext, um zu identifizieren, wo Risiken konzentriert sind, und priorisieren die Behebung. Die Plattform kann zudem Befunde über verschiedene Werkzeuge hinweg korrelieren, um doppelte Schwachstellen‑Einträge zu reduzieren und kontinuierlich Änderungen an Assets, Identitäten und Infrastruktur zu überwachen.

Generative KI wird auf dieser strukturierten Basis aufgesetzt, anstatt sie zu verlangen, rohe Unternehmensdaten eigenständig zu interpretieren. Prevalents Navigator‑Tool ermöglicht es Nutzern beispielsweise, Informationen aus dem Knowledge Graph über eine generative KI‑Schnittstelle abzufragen.

Das Unternehmen bietet zudem DataForge an, das synchronisierte synthetische Datensätze für KI‑Entwicklung, Modelltests und Qualitätssicherung erzeugt, ohne dass sensible Produktionsdaten während der Experimente offengelegt werden müssen.

Über die Cybersicherheit hinausgehen

Cybersicherheit war ein natürlicher Ausgangspunkt, weil unvollständige Informationen sofort Entscheidungen zu Schwachstellen, Identitäten, Vorfällen und Kontrollen beeinflussen können. Prevalent AI sieht seine zugrunde liegende Technologie jedoch zunehmend als Unternehmensinfrastruktur und nicht mehr ausschließlich als sicherheitsspezifisches Produkt.

Das Unternehmen sagt, dass Kunden dieselbe Datenbasis bereits in Bereichen wie Finanzkriminalitätsanalyse, operative Intelligenz, Compliance, Automatisierung und KI‑gesteuerte Workflows ausgedehnt haben, ohne die zugrunde liegende Architektur neu aufzubauen.

Diese breitere Chance ist einer der Hauptgründe für die neue Finanzierung.

Für KI‑Agenten verschiebt sich die Herausforderung zunehmend von der Frage, ob ein Modell intelligent genug ist, eine Aufgabe zu erledigen, hin zu der Frage, ob es Zugang zu genauen Informationen über die Organisation hat, in der es operiert. Ein Agent mag in der Lage sein, eine Sicherheitslücke zu identifizieren, ein Konto zu untersuchen oder einen automatisierten Workflow auszulösen, doch sein Nutzen sinkt schnell, wenn er nicht zuverlässig bestimmen kann, welche Systeme existieren, wie sie verbunden sind, wem sie gehören oder welche Richtlinien sein Handeln steuern.

Prevalent AI wettet darauf, dass Unternehmenskontext zu einer wichtigen Schicht des KI‑Stacks wird, insbesondere für Organisationen, in denen Agenten Aktionen ausführen sollen, statt lediglich Antworten zu generieren.

Warum Unternehmens‑KI die Einsätze erhöht

Der Zeitpunkt der Finanzierung spiegelt einen breiteren Wandel im Bereich Unternehmens‑KI wider. Unternehmen beginnen, über eigenständige Copiloten hinaus zu Agenten zu wechseln, die mit Infrastruktur, Anwendungen und Geschäftsprozessen interagieren können.

Dieser Übergang erhöht die Konsequenzen fehlerhafter Basisdaten.

Prevalent AI argumentiert, dass seine souveräne Architektur in diesen Umgebungen besonders relevant ist. Die Plattform ist dafür ausgelegt, innerhalb von Infrastruktur zu operieren, die vom Kunden kontrolliert wird, sodass Unternehmensdaten unter der Kontrolle der Organisation bleiben und der operative Knowledge Graph nicht von gemeinsam genutzter Infrastruktur oder einem bestimmten Modellanbieter abhängen muss.

Für stark regulierte Sektoren könnte dies ein wichtiger Aspekt werden, wenn Unternehmen experimentieren, KI‑Systemen mehr Zugriff auf sensible interne Informationen zu geben und ihnen mehr Befugnisse für Aktionen zu verleihen.

Warum vertrauenswürdiger Kontext für Unternehmens‑KI entscheidend werden könnte

Wenn KI‑Systeme von der Generierung von Empfehlungen zu tatsächlichen Aktionen innerhalb von Unternehmen übergehen, wird die Qualität der Daten, die diese Systeme umgeben, immer wichtiger. Ein Agent, der mit der Untersuchung eines Sicherheitsvorfalls, der Genehmigung eines Workflows oder der Reaktion auf ein operatives Problem betraut ist, benötigt mehr als den Zugriff auf einzelne Datenbanken. Er braucht ein genaues Bild davon, wie Assets, Identitäten, Anwendungen, Richtlinien und Geschäftsprozesse miteinander verknüpft sind.

Damit entsteht für Unternehmen eine wachsende infrastrukturelle Herausforderung. Viele Organisationen haben über Jahre hinweg getrennte Softwareplattformen, duplizierte Datensätze und inkonsistente Namenskonventionen angesammelt. Große Sprachmodelle können diese Informationen leichter abfragbar machen, sie lösen jedoch nicht automatisch Widersprüche auf oder bestimmen, welche Quelle vertrauenswürdig ist. Ohne eine zuverlässige Kontextschicht könnte autonomere KI einfach bestehende Datenprobleme schneller und in größerem Umfang in Entscheidungen einfließen lassen.

Knowledge Graphs und Data Fabrics könnten daher zu einem wichtigen Bestandteil der entstehenden Unternehmens‑KI‑Architektur werden. Anstatt Datenbanken oder KI‑Modelle zu ersetzen, können diese Systeme zwischen ihnen liegen, kontinuierlich Informationen abgleichen und Beziehungen pflegen, die Agenten bei der Entscheidung über auszuführende Aktionen nutzen können.

Die Auswirkungen reichen weit über die Cybersicherheit hinaus. Ähnliche Probleme gibt es bei der Betrugserkennung, regulatorischen Compliance, dem Lieferketten‑Management, IT‑Operationen und anderen Bereichen, in denen Entscheidungen von über mehrere Systeme verteilten Informationen abhängen. Wenn Unternehmen Agenten in diesen Funktionen einsetzen, wird die Aufrechterhaltung einer konsistenten Darstellung der Organisation zunehmend notwendig.

Dies könnte auch die Art und Weise verändern, wie Unternehmen KI‑Infrastruktur bewerten. Die Modellleistung bleibt wichtig, doch Unternehmen könnten stärker Wert auf die Herkunft, Aktualität und die Beziehungen der Daten legen, die diese Modelle speisen. In diesem Umfeld könnte der Wettbewerbsvorteil nicht allein darin liegen, ein leistungsfähigeres KI‑Modell zu besitzen, sondern dem Modell ein genaueres Verständnis des Unternehmens zu geben, in dem es operiert.