Euno keräsi $23M Series A -rahoitusta rakentaakseen kontekstikerroksen yritys‑AI‑agenseille

Euno on kerännyt 23 miljoonaa dollaria Series A -rahoitusta laajentaakseen yritys‑AI‑kontekstialustaansa, sillä yhä useammat yritykset kohtaavat ongelman, jota pelkät paremmat perustamismallit eivät pysty ratkaisemaan: AI‑agenttien antaminen riittävästä organisaatiotiedosta, jotta ne voivat luotettavasti työskennellä monimutkaisten liiketoimintatietojen parissa.

Rahoituskierroksen johti N47, mukana oli myös olemassa oleva sijoittaja 10D sekä joukko teknologiayrittäjiä ja -johtajia, joihin kuuluvat Wiz‑yhtiön perustaja Yinon Kostika, Cyera‑yhtiön perustaja ja toimitusjohtaja Yotam Segev, Eon‑yhtiön perustaja ja toimitusjohtaja Ofir Ehrlich, Tavily‑yhtiön perustaja Rotem Weiss sekä entinen Tableau‑toimitusjohtaja ja -presidentti Mark Nelson. Tämä rahoitus nostaa Euno:n kokonaisrahoituksen 29 miljoonaan dollariin.

Vuonna 2023 Sarah Levy:n ja Eyal Firstenbergin perustama Euno aikoo käyttää uutta pääomaa ensisijaisesti myynnin ja markkinoinnin laajentamiseen sekä AI‑tutkimuksen investointien lisäämiseen. Yritys, joka toimii Yhdysvalloissa ja Israelissa ja työllistää lähes 30 henkilöä, odottaa työntekijämääränsä kaksinkertaistuvan vuoden loppuun mennessä.

Yritysten AI-pullonkaula siirtyy kohti kontekstia

Suurten kielimallien nopea kehittyminen on tehnyt yhä toteuttamiskelpoisemmaksi AI‑agenttien käyttöönoton, jotka pystyvät kysymään tietokantoja, tuottamaan analytiikkaa, kirjoittamaan koodia ja automatisoimaan liiketoimintaprosesseja. Mutta agentin liittäminen yritysjärjestelmiin tuo mukanaan toisen haasteen: tiedon auktoriteetin tunnistamisen.

Suurella organisaatiolla voi olla tuhansia tauluja, koontinäyttöjä, mittareita, datamalleja ja kilpailevia määritelmiä samalle liiketoimintakonseptille. Esimerkiksi AI‑agentti, jonka pyytää laskemaan liikevaihdon, tarvitsee muutakin kuin pääsyn tietokantaan. Sen täytyy tietää, mikä liikevaihtomittari on hyväksytty, mitkä taulut ovat ajantasaisia, miten mittari lasketaan, mistä sen syötteet ovat peräisin ja onko pyytävällä käyttäjällä oikeus käyttää taustatietoja.

Euno pyrkii muuntamaan tämän institutionaalisen tiedon koneellisesti luettavaksi infrastruktuuriksi.

Sen alusta rakentaa jatkuvasti elävän kontekstigraafin, johon sisältyy tietoja kuten datan perimys, käyttö, omistajuus, liiketoimintalogiikka, terveystiedot ja hallintotila. Sen sijaan, että jokainen käytettävissä oleva resurssi esitetään agentille, järjestelmä voi toimittaa kontekstin, joka on relevantti tietylle käyttäjälle, tehtävälle ja päätökselle.

Ero voi tulla yhä tärkeämmäksi, kun yritykset siirtyvät AI‑järjestelmistä, jotka vastaavat kysymyksiin, kohti autonomisia agenteja, jotka pystyvät toteuttamaan toimintoja useissa yritysjärjestelmissä.

“Mallit paranevat ja tulevat halvemmiksi, mutta yritysten pitkän aikavälin AI‑suojamies (moat) tulee yhä enemmän siitä, miten työnteon historia on kertynyt,” sanoi Euno:n perustaja ja toimitusjohtaja Sarah Levy.

Metatiedon muuntaminen infrastruktuuriksi AI‑agenteille

Euno:n teknologia perustuu metatietoon, eli tietoon siitä, mistä data tulee, miten se muokataan, kuka sitä käyttää ja miten eri resurssit liittyvät toisiinsa.

Alusta kartoittaa sarakekohtaisen perimysketjun varastojen, analytiikkajärjestelmien, koontinäyttöjen ja mittareiden välillä, ja yhdistää sitten tiedon käyttö- ja hallintotunnisteisiin. Sen automatisoitu merkintäjärjestelmä voi dynaamisesti luokitella resurssit ominaisuuksiksi, kuten “AI‑valmis”, “PII‑vapaa”, “terve” tai “sertifioitu”, organisaation määrittelemien sääntöjen perusteella. Nämä luokitukset päivittyvät, kun taustadata-ympäristö muuttuu.

Euno tarjoaa myös työnkulkuja, jotka reagoivat näiden ehtojen muuttuessa. Organisaatiot voivat esimerkiksi tunnistaa sertifioimattomat koontinäytöt, jotka yhtäkkiä tulevat voimakkaasti käytetyiksi, seurata henkilötietojen (PII) leviämistä, merkitä dokumentoimattomia malleja tai nostaa esiin mittarit, jotka eivät enää täytä sisäisiä laatustandardeja.

Yritys on rakentanut oman Euno Query Language (EQL) -kielen graafin sisäisten suhteiden navigoimiseen. Euno väittää, että sen graafipohjainen arkkitehtuuri mahdollistaa agenttien hakea toisiinsa kytkettyä metatietoa vähemmän kyselyillä, mikä voi vähentää kontekstitiedon määrää, joka täytyy syöttää malliin.

On tärkeää, että alusta on suunniteltu toimimaan rinnakkain olemassa olevan yritysdata‑infrastruktuurin kanssa eikä korvaamaan sitä. Euno tukee integraatioita, jotka kattavat datavarastot ja alustan kuten Snowflake ja Databricks; muunnostyökalut kuten dbt; sekä liiketoimintatiedon alustoja kuten Tableau, Looker, Power BI, ThoughtSpot, Sigma ja Omni.

Kontekstin tuominen suoraan AI‑järjestelmiin

Toinen Euno:n strategian osa on tehdä tämä organisaatiokonteksti suoraan saatavaksi kolmannen osapuolen AI‑agenteille.

Yritys ylläpitää Model Context Protocol (MCP) -palvelinta, jonka kautta työkalut kuten Claude, Cursor, Visual Studio Code Copilot ja muut yhteensopivat järjestelmät voivat tehdä kyselyjä Euno:n yrityskontekstiin. Agentit voivat käyttää näitä työkaluja resurssien löytämiseen, ylävirran perimysketjun tarkasteluun, vaikutusanalyysin tekemiseen, dokumentaation hakemiseen tai EQL‑kyselyjen luomiseen ja suorittamiseen.

Euno on myös dokumentoinut integraatioita järjestelmiin kuten Snowflake Intelligence, osoittaen, miten sen kontekstikerros voisi tehokkaasti toimia välikätenä yleiskäyttöisten AI‑mallien ja yrityksen taustadata‑ympäristön välillä.

Tämä asema heijastaa laajempaa muutosta, joka tapahtuu yritys‑AI:ssa. Kun pääsy kykyisiin malleihin yhä enemmän kaupallistuu, erottuminen voi siirtyä mallien ympärillä olevaan omistajuustietoon: organisaatioprosesseihin, käyttöoikeuksiin, suhteisiin, historiallisiin päätöksiin, määritelmiin ja palautteeseen aiemmasta agenttitoiminnasta.

Konteksti voi tulla osaksi yritysten AI‑suojamuuria

Euno väittää, että tämä kerätty konteksti voi ajan myötä muuttua arvokkaammaksi.

Kun agentti suorittaa tehtävän, järjestelmä voi tallentaa tietoa siitä, miten kontekstia käytettiin, ja syöttää nämä signaalit takaisin yrityksen kontekstikerrokseen. Teoriassa tämä luo palautesilmukan, jossa organisaatio rakentaa vähitellen rikkaampaa koneellisesti luettavaa esitystä siitä, miten sen liiketoiminta toimii.

Tämä myös vastaa yhteen keskeisistä haasteista, joita agenttipohjaiset AI‑käyttöönotot kohtaavat: hallintoon. Antamalla autonomiselle agentille pääsyn yritysjärjestelmiin ilman ymmärrystä siitä, mitä tietoa se voi hakea tai miten sen tulisi tulkita kyseistä tietoa, syntyy operatiivisia ja turvallisuusriskejä. Euno:n lähestymistapa yhdistää kontekstuaalisen haun roolintietoiseen hallintoon, jolloin agentti saa tehtäväänsä ja oikeuksiinsa sopivaa tietoa eikä rajoittamatonta pääsyä koko ympäristöön.

Yritys kertoo, että sen alusta lukee yrityksen metatietoa eikä itse taustaliiketoimintadataa, mikä on arkkitehtoninen ero, jonka tarkoituksena on vähentää datan paljastumista, mutta silti mahdollistaa järjestelmän kartoittaa suhteita ja tarjota agenteille operatiivista kontekstia.

Euno tekee jo yhteistyötä yritysasiakkaiden, kuten AlphaSense ja Zayo Group, kanssa, ja sen verkkosivuilla on myös dokumentoitu käyttöönottoja yrityksiltä kuten Bolt.

Laajemmalle AI‑teollisuudelle Euno:n Series A -rahoituksen merkitys ulottuu pidemmälle kuin pelkkä uusi yritys‑infrastruktuurirahoituskierros. Perusmallit kehittyvät nopeasti yhä kykenevämmiksi ja yhä vaihdettavammiksi monissa työkuormissa. Jos tämä suuntaus jatkuu, yksi vaikeimmista ongelmista on antaa näille malleille luotettava ymmärrys organisaatioista, joissa ne toimivat.

Tämä voi tehdä kontekstiinfrastruktuurista, eikä pelkästä taustamallista, yhden merkittävimmistä kerroksista nousevassa yritysten AI‑pinossa.