Euno lève $23M en Série A pour créer une couche de contexte pour les agents d’IA d’entreprise

Euno a levé 23 millions de dollars lors d’un tour de financement de Série A afin d’étendre sa plateforme de contexte IA pour les entreprises, alors que les sociétés sont de plus en plus confrontées à un problème que des modèles de base plus performants ne peuvent résoudre: fournir aux agents IA suffisamment de connaissances organisationnelles pour travailler de façon fiable avec des données métier complexes.

Le tour a été dirigé par N47, avec la participation de l’investisseur existant 10D et d’un groupe de fondateurs et dirigeants technologiques, dont le co‑fondateur de Wiz Yinon Kostika, le co‑fondateur et PDG de Cyera Yotam Segev, le co‑fondateur et PDG d’Eon Ofir Ehrlich, le fondateur de Tavily Rotem Weiss, ainsi que l’ancien PDG et président de Tableau, Mark Nelson. Ce financement porte le total des fonds levés par Euno à 29 millions de dollars.

Fondée en 2023 par Sarah Levy et Eyal Firstenberg, Euno prévoit d’utiliser ce nouveau capital principalement pour développer ses ventes et son marketing tout en augmentant les investissements en recherche IA. L’entreprise, qui opère aux États‑Unis et en Israël et emploie près de 30 personnes, prévoit de doubler approximativement ses effectifs d’ici la fin de l’année.

The Enterprise AI Bottleneck Is Shifting Toward Context

L’amélioration rapide des grands modèles de langage a rendu de plus en plus viable le déploiement d’agents IA capables d’interroger des bases de données, de générer des analyses, d’écrire du code et d’automatiser des processus métier. Mais connecter un agent aux systèmes d’entreprise introduit un autre défi: savoir quelles informations sont autoritaires.

Une grande organisation peut compter des milliers de tables, tableaux de bord, indicateurs, modèles de données et définitions concurrentes pour un même concept métier. Un agent IA chargé de calculer le chiffre d’affaires, par exemple, a besoin de plus qu’un simple accès à une base de données. Il doit connaître quel indicateur de revenu est validé, quelles tables sont à jour, comment l’indicateur est calculé, d’où proviennent ses entrées, et si l’utilisateur demandeur a le droit d’accéder à l’information sous‑jacent.

Euno tente de transformer cette connaissance institutionnelle en une infrastructure lisible par machine.

Sa plateforme construit en continu un graphe de contexte en temps réel intégrant des informations telles que la lignée des données, leur utilisation, la propriété, la logique métier, les signaux de santé et le statut de gouvernance. Plutôt que de présenter chaque actif disponible à un agent, le système peut fournir le contexte pertinent pour l’utilisateur, la tâche et la décision spécifiques.

Cette distinction pourrait devenir de plus en plus importante à mesure que les entreprises passent de systèmes IA qui répondent à des questions à des agents autonomes capables d’agir sur de multiples systèmes d’entreprise.

« Les modèles continuent de s’améliorer et de coûter moins cher, mais le fossé IA à long terme pour les entreprises proviendra de plus en plus de l’ensemble des enregistrements accumulés de la façon dont le travail est réalisé », a déclaré la co‑fondatrice et PDG d’Euno, Sarah Levy.

Turning Metadata Into Infrastructure for AI Agents

La technologie d’Euno s’appuie sur les métadonnées, c’est‑à‑dire les informations décrivant d’où proviennent les données, comment elles sont transformées, qui les utilise et comment les différents actifs sont reliés entre eux.

La plateforme cartographie la lignée au niveau des colonnes à travers les entrepôts, les systèmes d’analyse, les tableaux de bord et les indicateurs, puis combine ces informations avec des signaux d’utilisation et de gouvernance. Son système d’étiquetage automatisé peut classer dynamiquement les actifs comme « AI‑ready », « PII‑free », « healthy » ou « certified » selon des règles définies par l’organisation. Ces classifications se mettent à jour dès que l’environnement de données sous‑jacent évolue.

Euno propose également des flux de travail capables de réagir lorsque ces conditions changent. Les organisations peuvent, par exemple, identifier des tableaux de bord non certifiés qui deviennent soudainement très utilisés, suivre la propagation d’informations personnellement identifiables (PII), signaler des modèles non documentés ou mettre en avant des indicateurs qui ne répondent plus aux normes de qualité internes.

L’entreprise a développé son propre Euno Query Language (EQL) pour naviguer dans les relations du graphe. Euno affirme que son architecture basée sur le graphe permet aux agents de récupérer des métadonnées interconnectées via moins de requêtes, ce qui pourrait réduire la quantité d’informations contextuelles à transmettre à un modèle.

Il est important de noter que la plateforme est conçue pour s’intégrer à l’infrastructure de données existante plutôt que de la remplacer. Euno prend en charge des intégrations couvrant les entrepôts et plateformes tels que Snowflake et Databricks ; les outils de transformation dont dbt ; ainsi que les plateformes de business intelligence comme Tableau, Looker, Power BI, ThoughtSpot, Sigma et Omni.

Bringing Context Directly Into AI Systems

Un autre volet de la stratégie d’Euno consiste à rendre ce contexte organisationnel directement accessible aux agents IA tiers.

L’entreprise exploite un serveur Model Context Protocol (MCP) à travers lequel des outils tels que Claude, Cursor, Visual Studio Code Copilot et d’autres systèmes compatibles peuvent interroger le contexte d’entreprise d’Euno. Les agents peuvent utiliser ces outils pour trouver des ressources, inspecter la lignée en amont, réaliser des analyses d’impact, rechercher de la documentation ou générer et exécuter des requêtes EQL.

Euno a également documenté des intégrations avec des systèmes dont Snowflake Intelligence, illustrant comment sa couche de contexte pourrait effectivement devenir un intermédiaire entre les modèles d’IA à usage général et le patrimoine de données d’une entreprise.

Ce positionnement reflète un glissement plus large dans l’IA d’entreprise. À mesure que l’accès à des modèles performants se banalise, la différenciation pourrait se déplacer vers les informations propriétaires entourant ces modèles: processus organisationnels, permissions, relations, décisions historiques, définitions et retours d’expérience issus des activités précédentes des agents.

Context Could Become Part of the Enterprise AI Moat

Euno soutient que ce contexte accumulé peut gagner en valeur au fil du temps.

Lorsqu’un agent exécute une tâche, le système peut capturer comment le contexte a été utilisé et renvoyer ces signaux à la couche de contexte d’entreprise. En théorie, cela crée une boucle de rétroaction où l’organisation construit progressivement une représentation machine‑lisible plus riche de son fonctionnement.

Cela répond également à l’un des enjeux majeurs des déploiements d’IA agentique: la gouvernance. Donner à un agent autonome l’accès aux systèmes d’entreprise sans comprendre quelles informations il peut extraire ou comment il doit les interpréter introduit des risques opérationnels et de sécurité. L’approche d’Euno combine la récupération contextuelle avec une gouvernance sensible aux rôles, de sorte qu’un agent reçoit les informations appropriées à sa tâche et à ses permissions, plutôt qu’un accès illimité à l’ensemble de l’environnement.

L’entreprise affirme que sa plateforme lit les métadonnées d’entreprise plutôt que les données métier sous‑jacentes, une distinction architecturale destinée à réduire l’exposition des données tout en permettant au système de cartographier les relations et de fournir aux agents le contexte opérationnel.

Euno travaille déjà avec des clients d’entreprise tels qu’AlphaSense et Zayo Group, tandis que son site web documente également des déploiements chez des sociétés comme Bolt.

Pour l’ensemble de l’industrie IA, l’importance de la Série A d’Euno dépasse le cadre d’un simple tour de financement d’infrastructure d’entreprise. Les modèles de base deviennent rapidement plus capables et de plus en plus interchangeables pour de nombreuses charges de travail. Si cette tendance se poursuit, l’un des problèmes les plus difficiles sera de donner à ces modèles une compréhension fiable des organisations dans lesquelles ils opèrent.

Cela pourrait faire de l’infrastructure de contexte, plutôt que du modèle sous‑jacent lui‑même, l’une des couches les plus déterminantes de la pile IA d’entreprise émergente.