Prevalent AI levanta $22 M para escalar el contexto empresarial confiable para sistemas de IA

Prevalent AI ha recaudado $22 millones en capital de crecimiento de Integrity Growth Partners (IGP), marcando la primera inversión externa primaria en la historia de nueve años de la empresa con sede en Londres. La financiación llega cuando las empresas enfrentan un problema creciente junto con la rápida adopción de la inteligencia artificial: los sistemas de IA pueden estar volviéndose más capaces, pero sus decisiones son tan fiables como los datos organizacionales y el contexto disponibles para ellos.

Fundada en 2017, Prevalent AI ha permanecido autofinanciada y, según la empresa, rentable desde que obtuvo su primer cliente. La compañía afirma que los ingresos recurrentes anuales se han más que duplicado en el último año. El nuevo capital se destinará a expandir su organización comercial global, acelerar su incursión en EE. UU., fortalecer su equipo de liderazgo y ampliar la tecnología originalmente desarrollada para ciberseguridad a riesgos empresariales más amplios y aplicaciones de IA.

Primer capital externo después de nueve años

La financiación es notable en parte porque Prevalent AI tomó una ruta relativamente inusual a través del mercado de ciberseguridad. En lugar de depender de rondas de capital de riesgo repetidas para financiar el crecimiento, la empresa pasó casi una década construyendo a partir de los ingresos de grandes clientes empresariales antes de obtener capital institucional primario.

Prevalent AI fue cofundada por el CEO Paul Stokes y el COO Arun Raj, con raíces en la comunidad de inteligencia del Reino Unido. La compañía afirma que su equipo fundador incluye exalumnos de Government Communications Headquarters (GCHQ), una experiencia que ayudó a moldear su enfoque en conectar información fragmentada en entornos donde los datos incompletos o inexactos pueden tener consecuencias operativas significativas.

ISTARI, respaldada por la empresa de inversión singapurense Temasek, se convirtió en accionista minoritario en 2021 mediante una transacción secundaria, pero la nueva inversión de IGP representa el primer capital primario que ingresa directamente a la empresa.

Convertir datos empresariales fragmentados en contexto

El problema central que Prevalent AI intenta resolver no es la escasez de datos empresariales. Es que los datos necesarios para tomar una decisión a menudo existen en decenas o incluso cientos de sistemas que describen la misma organización de manera diferente.

Un equipo de seguridad, por ejemplo, puede depender de escáneres de vulnerabilidades, plataformas de endpoints, sistemas de identidad, infraestructura en la nube, bases de datos de gestión de configuración, software de tickets y herramientas operativas. Cada sistema contiene una parte del panorama, con registros duplicados, identificadores conflictivos y relaciones incompletas entre activos.

El Security Data Fabric de Prevalent AI está diseñado para ingerir información de estos diferentes sistemas, normalizarla, resolver inconsistencias y mapear relaciones entre activos, identidades, vulnerabilidades, aplicaciones, controles y otra información operativa. Los datos resultantes se mantienen como un grafo de conocimiento actualizado continuamente en lugar de como otra base de datos de seguridad aislada.

Esa distinción se vuelve cada vez más importante cuando los agentes de IA entran en juego. Los humanos a veces pueden reconocer que dos registros ligeramente diferentes se refieren al mismo servidor, empleado o aplicación. Un agente automatizado que toma decisiones a velocidad de máquina necesita que esas relaciones se establezcan de forma más fiable de antemano.

Cómo funciona la tecnología de Prevalent AI

En la capa de integración, Prevalent AI utiliza DataBridge para conectar la nube, el software como servicio (SaaS), los sistemas locales y operativos. La plataforma luego aplica resolución de entidades para reconciliar registros y construir una representación unificada del entorno empresarial.

El grafo de conocimiento añade otra capa al conectar esas entidades a través de sus relaciones. En lugar de tratar una vulnerabilidad como un hallazgo aislado, por ejemplo, el sistema puede vincularla con el activo afectado, la importancia comercial del activo, su propietario, identidades asociadas, controles de seguridad existentes e información de amenazas relevante.

Las herramientas de gestión de exposición de Prevalent utilizan este contexto para identificar dónde se concentra el riesgo y priorizar la remediación. La plataforma de la compañía también puede correlacionar hallazgos entre herramientas para reducir registros de vulnerabilidades duplicados y monitorizar continuamente los cambios en activos, identidades e infraestructura.

La IA generativa se añade sobre esa base estructurada en lugar de pedírsele que interprete datos empresariales sin procesar de forma independiente. La herramienta Navigator de Prevalent, por ejemplo, permite a los usuarios consultar la información contenida en el grafo de conocimiento mediante una interfaz de IA generativa.

La empresa también ofrece DataForge, que genera conjuntos de datos sintéticos sincronizados para el desarrollo de IA, pruebas de modelos y aseguramiento de calidad sin requerir que se expongan datos de producción sensibles durante la experimentación.

Más allá de la ciberseguridad

La ciberseguridad fue un punto de partida natural porque la información incompleta puede afectar de inmediato decisiones sobre vulnerabilidades, identidades, incidentes y controles. Pero Prevalent AI ve cada vez más su tecnología subyacente como infraestructura empresarial en lugar de un producto específico de seguridad.

La compañía afirma que los clientes ya han extendido la misma base de datos a áreas que incluyen análisis de delitos financieros, inteligencia operativa, cumplimiento, automatización y flujos de trabajo impulsados por IA sin reconstruir la arquitectura subyacente.

Esta oportunidad más amplia es una de las principales razones detrás de la nueva financiación.

Para los agentes de IA en particular, el desafío está cambiando cada vez más de si un modelo es lo suficientemente inteligente para realizar una tarea a si tiene acceso a información precisa sobre la organización en la que opera. Un agente puede ser capaz de identificar una vulnerabilidad de seguridad, investigar una cuenta o activar un flujo de trabajo automatizado, pero su utilidad disminuye rápidamente si no puede determinar de manera fiable qué sistemas existen, cómo están conectados, quién los posee o qué políticas rigen sus acciones.

Prevalent AI apuesta de manera efectiva a que el contexto empresarial se convierta en una capa importante de la pila de IA, particularmente para organizaciones donde se espera que los agentes tomen acciones en lugar de simplemente generar respuestas.

Por qué la IA empresarial eleva los riesgos

El momento de la financiación refleja un cambio más amplio en la IA empresarial. Las organizaciones están comenzando a ir más allá de copilotos independientes hacia agentes capaces de interactuar con la infraestructura, aplicaciones y procesos de negocio.

Esta transición aumenta las consecuencias de los datos subyacentes deficientes.

Prevalent AI argumenta que su arquitectura soberana es particularmente relevante en estos entornos. Su plataforma está diseñada para operar dentro de infraestructura controlada por el cliente, manteniendo los datos empresariales bajo el control de la organización en lugar de requerir que el grafo de conocimiento operativo dependa de infraestructura compartida o de un proveedor de modelo específico.

Para los sectores altamente regulados, esto podría convertirse en una consideración importante a medida que las empresas experimentan con otorgar a los sistemas de IA mayor acceso a información interna sensible y mayor autoridad para tomar decisiones.

Por qué el contexto confiable podría volverse crítico para la IA empresarial

Conforme los sistemas de IA pasan de generar recomendaciones a tomar acciones dentro de las empresas, la calidad de los datos que rodean a esos sistemas se volverá cada vez más importante. Un agente encargado de investigar un incidente de seguridad, aprobar un flujo de trabajo o responder a un problema operativo necesita más que acceso a bases de datos individuales. Necesita una visión precisa de cómo los activos, identidades, aplicaciones, políticas y procesos de negocio se relacionan entre sí.

Esto crea un desafío de infraestructura creciente para las empresas. Muchas organizaciones han acumulado años de plataformas de software desconectadas, registros duplicados y convenciones de nombres inconsistentes. Los modelos de lenguaje extenso pueden facilitar la consulta de esta información, pero no resuelven automáticamente las contradicciones ni determinan qué fuente debe confiarse. Sin una capa de contexto fiable, una IA más autónoma podría simplemente permitir que los problemas de datos existentes influyan en las decisiones a mayor velocidad y escala.

Los grafos de conocimiento y los data fabrics podrían, por lo tanto, convertirse en una parte importante de la emergente arquitectura de IA empresarial. En lugar de reemplazar bases de datos o modelos de IA, estos sistemas pueden situarse entre ellos, conciliando continuamente la información y manteniendo relaciones que los agentes pueden usar al decidir qué acciones tomar.

Las implicaciones también se extienden mucho más allá de la ciberseguridad. Problemas similares existen en la detección de fraudes, el cumplimiento normativo, la gestión de la cadena de suministro, las operaciones de TI y otras áreas donde las decisiones dependen de información distribuida en múltiples sistemas. A medida que las empresas despliegan agentes en estas funciones, mantener una representación coherente de la organización puede volverse cada vez más necesario.

Esto también podría cambiar la forma en que las empresas evalúan la infraestructura de IA. El rendimiento del modelo seguirá siendo importante, pero las organizaciones pueden dar mayor énfasis a la procedencia, frescura y relaciones de los datos que alimentan esos modelos. En ese entorno, la ventaja competitiva podría no provenir únicamente de contar con un modelo de IA más capaz, sino de proporcionar a ese modelo una comprensión más precisa de la empresa en la que opera.