PuppyGraph sichert sich nach einer Versiebenfachung des jährlich wiederkehrenden Umsatzes 10 Mio. US-Dollar in einer Serie-A-Finanzierungsrunde

PuppyGraph gab bekannt, am 10. November 2026 eine Serie-A-Finanzierungsrunde über 10 Millionen US-Dollar abgeschlossen zu haben. Die von Particle Future angeführte Runde wurde auch von defy.vc unterstützt. Mit dem Kapital sollen die Entwicklungsteams ausgebaut und die Markteinführung bei Großunternehmen vorangetrieben werden. Damit beläuft sich die Gesamtfinanzierung des Entwicklers der Graph-Abfrage-Engine auf 15 Millionen US-Dollar.

Die Finanzierungsrunde folgt auf die allgemeine Verfügbarkeit von PuppyGraph 1.0. PuppyGraph zufolge hat sich der jährlich wiederkehrende Umsatz im vergangenen Jahr versiebenfacht. Zu den Kunden zählen AMD, Palo Alto Networks, Coinbase, Trend Micro, Datadog und Sola Security.

Unternehmensdaten direkt am Speicherort abfragen

PuppyGraph richtet sich an KI-Agenten, die abteilungsübergreifend Geschäftsfragen untersuchen, statt lediglich SQL-Abfragen für einen bekannten Datensatz zu erstellen. Ein Agent muss möglicherweise Beziehungen zwischen Kunden, Produkten, Komponenten und Lieferanten nachvollziehen. Mit zunehmender Zahl von Tabellen beanspruchen Schemabeschreibungen mehr Platz im Kontextfenster, und die Zahl möglicher Verknüpfungspfade steigt.

Die Engine führt Graphberechnungen direkt auf unterstützten Datenbanken, Data Warehouses und Data Lakes aus. Die Datensätze verbleiben in Systemen wie Apache Iceberg, Databricks, Snowflake, PostgreSQL und Microsoft Fabric. Dadurch entfallen eine dedizierte Graphdatenbank, eine separate Graphkopie und die zugehörigen Ladeprozesse. Anwendungen können weiterhin SQL für Filter und Aggregationen verwenden und für Fragen, bei denen Beziehungen im Mittelpunkt stehen, Graphabfragen einsetzen.

Eine Ontologie gibt geprüfte Geschäftsentitäten und Beziehungen vor und bietet Agenten gültige Untersuchungswege. Der KI-gestützte Schemabuilder von PuppyGraph schlägt auf Grundlage vorhandener Tabellen ein entsprechendes Modell vor; Datenteams prüfen und bestätigen jedoch dessen geschäftliche Bedeutung. Kompatible KI-Tools lassen sich über MCP anbinden. Nutzer können auch den integrierten Agenten von PuppyGraph verwenden.

Die Engine weist Verweise auf Entitäten oder Beziehungen zurück, die nicht in der Ontologie enthalten sind, und gibt strukturierte Rückmeldungen zur Korrektur der Abfrage aus. So werden unbemerkte Fehler vermieden, die entstehen, wenn ein Agent eine Verbindung erfindet und das Ergebnis als Beleg behandelt. PuppyGraph weist darauf hin, dass die Validierung keine korrekte Schlussfolgerung garantiert: Ein Agent kann weiterhin einer ungeeigneten Hypothese folgen oder eine unvollständige Analyse durchführen.

Leistung und Kontrollen für die Datenverwaltung

PuppyGraph zufolge unterstützt die Engine bei geeigneten Arbeitslasten Graphabfragen in weniger als einer Sekunde und ermöglicht Agenten, 3.000 Unternehmenstabellen als einen einzigen Graphen abzufragen. Bei einem separaten Unternehmenstest führte ein Cluster aus vier Rechnern eine Abfrage über 10 Sprünge hinweg und Milliarden von Kanten in 2,26 Sekunden aus. Die Leistung hängt von der jeweiligen Arbeitslast ab.

Die Geschwindigkeit beeinflusst den Ablauf von Untersuchungen: Agenten prüfen mehrere Hypothesen, und eine langsame Abfrage kann den nächsten Analyseschritt aufhalten, wenn dieser vom vorherigen Ergebnis abhängt. Der Benchmark gibt daher Aufschluss darüber, ob sich tiefgehende Beziehungsabfragen interaktiv durchführen lassen. Er dient nicht nur als Maß für den reinen Abfragedurchsatz.

PuppyGraph 1.0 setzt konfigurierte Berechtigungen auf Zeilenebene auch während Graph-Traversierungen durch, einschließlich der Zwischenschritte. Rollenbasierte Kontrollen und die Identitätsübernahme durch Nutzer binden den Zugriff an die jeweilige Nutzeridentität. Einmaliges Anmelden wird unterstützt; administrative Prüfprotokolle erfassen Verwaltungsaktivitäten. Die Bereitstellung von Zugangsdaten stellt kurzlebige, an die Identität gebundene Zugangsdaten für Plattformen wie Snowflake und Databricks bereit, ohne dass Nutzer langfristig gültige Zugangsdaten offenlegen oder verwalten müssen.

Einsatzbereiche und Schwerpunkte für den Ausbau

Leon Goldberg, CTO von Sola Security, sagte: „Wir setzen täglich KI-Agenten für Tausende von Tabellen und Milliarden von Kanten ein.“ Ran Xia, Engineering Director bei Palo Alto Networks, sagte, das Unternehmen führe Traversierungen über mehrere Sprünge hinweg auf seiner bestehenden Datenplattform aus, ohne Zeilen zu verschieben oder zu duplizieren. Dadurch entfalle die Wartung der zugehörigen ETL-Pipeline. Xinyu Liu, Senior Staff Software Engineer bei Coinbase, sagte, Coinbase stelle direkte Verbindungen zu Tabellen her, die in Snowflake und Databricks verwaltet werden, und nutze MCP für natürlichsprachliche Abfragen zu Beziehungen.

AMD begann mit IT-Arbeitslasten und weitet den Einsatz nun auf Daten aus den Bereichen Informationssicherheit und digitales Marketing aus, berichtete PuppyGraph. Diese Ausweitung veranschaulicht den umfassenderen Ansatz des Unternehmens: Wenn eine Beziehungskarte weitere Abteilungen miteinander verknüpft, können Agenten Fragen untersuchen, die zuvor an Organisationsgrenzen scheiterten.

Das Unternehmen plant, mit dem neuen Kapital den Aufwand für die Einrichtung von Graphmodellen zu verringern, Beziehungsabfragen für den Einsatz in Unternehmen praktisch nutzbar zu machen und Kunden dabei zu unterstützen, Agenten in den Produktivbetrieb zu überführen. Die zentrale Herausforderung besteht darin, solche Untersuchungen auszuweiten, ohne die von Menschen geprüfte Ontologie und die Berechtigungskontrollen zu schwächen, die festlegen, welche Beziehungen gültig sind und welche Daten die einzelnen Nutzer sehen dürfen.