PuppyGraph consigue 10 millones de dólares en una ronda Serie A tras multiplicar por siete sus ingresos recurrentes anuales

PuppyGraph anunció el 10 de noviembre de 2026 que había recaudado 10 millones de dólares en una ronda Serie A liderada por Particle Future, con la participación de defy.vc, para ampliar sus equipos de ingeniería y comercialización para empresas. Esta financiación eleva a 15 millones de dólares el total recaudado por la empresa desarrolladora del motor de consultas de grafos.

La ronda llega tras la disponibilidad general de PuppyGraph 1.0. PuppyGraph informó que sus ingresos recurrentes anuales se multiplicaron por siete durante el último año y que entre sus clientes se encuentran AMD, Palo Alto Networks, Coinbase, Trend Micro, Datadog y Sola Security.

Consultar datos empresariales sin moverlos

PuppyGraph está diseñado para agentes de IA que investigan cuestiones empresariales en distintos departamentos, en lugar de limitarse a generar SQL para un conjunto de datos conocido. Puede que un agente tenga que seguir las relaciones entre clientes, productos, componentes y proveedores; a medida que aumentan las tablas, las descripciones de los esquemas ocupan más espacio en su ventana de contexto y crecen las posibles rutas de unión.

El motor ejecuta cálculos de grafos directamente en bases de datos, almacenes de datos y lagos de datos compatibles. Los registros permanecen en sistemas como Apache Iceberg, Databricks, Snowflake, PostgreSQL y Microsoft Fabric, sin necesidad de una base de datos de grafos específica, una copia independiente del grafo ni los procesos de carga asociados. Las aplicaciones pueden seguir usando SQL para aplicar filtros y realizar agregaciones, y recurrir a consultas de grafos para preguntas que implican muchas relaciones.

Una ontología proporciona las entidades y relaciones empresariales aprobadas y ofrece a los agentes rutas válidas para sus investigaciones. El creador de esquemas de PuppyGraph, asistido por IA, propone ese modelo a partir de las tablas existentes, pero los equipos de datos revisan y aprueban su significado empresarial. Las herramientas de IA compatibles se conectan mediante MCP, y los usuarios también pueden trabajar con el agente integrado de PuppyGraph.

El motor rechaza las referencias a entidades o relaciones que no figuran en la ontología y devuelve comentarios estructurados para corregir la consulta. Así se evitan errores silenciosos que se producen cuando un agente inventa una conexión y trata el resultado como evidencia. PuppyGraph advierte que la validación no garantiza una conclusión correcta, ya que un agente aún puede seguir una hipótesis deficiente o realizar un análisis incompleto.

Controles de rendimiento y gobernanza

PuppyGraph informó que su motor permite ejecutar consultas de grafos en menos de un segundo para las cargas de trabajo compatibles y permite a los agentes consultar 3.000 tablas empresariales como si fueran un único grafo. En una prueba de rendimiento independiente de la empresa, un clúster de cuatro máquinas completó en 2,26 segundos una consulta de 10 saltos a través de miles de millones de aristas; el rendimiento depende de la carga de trabajo.

La velocidad influye en el desarrollo de las investigaciones: los agentes ponen a prueba varias hipótesis, y una consulta lenta puede retrasar el siguiente paso del análisis cuando este depende del resultado anterior. Por tanto, la prueba permite evaluar si las búsquedas de relaciones profundas pueden seguir siendo interactivas; no es solo una medida del rendimiento bruto de las consultas.

PuppyGraph 1.0 también aplica los permisos configurados a nivel de fila durante todo el recorrido del grafo, incluidos los pasos intermedios. Los controles basados en roles y la suplantación de usuarios vinculan el acceso a la identidad de cada usuario. Se admite el inicio de sesión único, mientras que los registros de auditoría administrativa documentan la actividad de gestión. La provisión de credenciales obtiene credenciales de corta duración que tienen en cuenta la identidad para plataformas como Snowflake y Databricks, sin que los usuarios tengan que exponer ni gestionar credenciales de larga duración.

Implementaciones y prioridades de expansión

Leon Goldberg, director de tecnología de Sola Security, afirmó: «Ejecutamos agentes de IA a diario en miles de tablas y miles de millones de aristas». Ran Xia, director de ingeniería de Palo Alto Networks, señaló que la empresa realiza recorridos de varios saltos en su plataforma de datos existente, sin mover ni duplicar filas, lo que elimina el mantenimiento de los procesos ETL asociados. Xinyu Liu, ingeniero de software sénior de Coinbase, explicó que Coinbase se conecta directamente a tablas mantenidas en Snowflake y Databricks, y utiliza MCP para consultas en lenguaje natural sobre relaciones.

AMD comenzó con cargas de trabajo de TI y está ampliando su uso a datos de seguridad de la información y de marketing digital, según informó PuppyGraph. Esa expansión ilustra el modelo más amplio de la empresa: al conectar más departamentos mediante un mapa de relaciones, los agentes pueden investigar cuestiones que antes quedaban limitadas por las fronteras organizativas.

La empresa planea utilizar el nuevo capital para reducir el trabajo necesario para configurar modelos de grafos, hacer viables las consultas de relaciones a escala empresarial y ayudar a los clientes a poner agentes en producción. El reto principal consiste en ampliar esas investigaciones sin debilitar la ontología aprobada por personas ni los controles de permisos que determinan qué relaciones son válidas y qué datos puede ver cada usuario.