Prevalent AI lève $22M pour développer un contexte d’entreprise fiable pour les systèmes d’IA

Prevalent AI a levé 22 millions de dollars en capital de croissance de Integrity Growth Partners (IGP), marquant le premier investissement institutionnel extérieur dans l’histoire de neuf ans de l’entreprise basée à Londres. Ce financement intervient alors que les entreprises sont confrontées à un problème croissant parallèlement à l’adoption rapide de l’intelligence artificielle: les systèmes d’IA deviennent peut‑être plus performants, mais leurs décisions ne sont fiables qu’à la mesure des données organisationnelles et du contexte dont ils disposent.

Fondée en 2017, Prevalent AI est restée autofinancée et, selon l’entreprise, rentable depuis l’obtention de son premier client. La société indique que le revenu récurrent annuel a plus que doublé au cours de l’année écoulée. Le nouveau capital sera destiné à développer son organisation commerciale mondiale, à accélérer son expansion aux États‑Unis, à renforcer son équipe de direction et à étendre une technologie initialement développée pour la cybersécurité à des applications plus larges de risque d’entreprise et d’IA.

Premier capital extérieur après neuf ans

Ce financement est notable en partie parce que Prevalent AI a emprunté une voie relativement inhabituelle via le marché de la cybersécurité. Plutôt que de compter sur des tours de financement en capital-risque répétés pour financer sa croissance, l’entreprise a passé près d’une décennie à se développer autour des revenus de grands clients d’entreprise avant de lever un capital institutionnel primaire.

Prevalent AI a été co‑fondée par le PDG Paul Stokes et le directeur des opérations Arun Raj, avec des racines dans la communauté du renseignement britannique. L’entreprise affirme que son équipe fondatrice comprend d’anciens membres du Government Communications Headquarters (GCHQ), une expérience qui a façonné son orientation vers la connexion d’informations fragmentées dans des environnements où des données incomplètes ou inexactes peuvent avoir des conséquences opérationnelles importantes.

ISTARI, soutenue par la société d’investissement singapourienne Temasek, est devenue actionnaire minoritaire en 2021 via une transaction secondaire, mais le nouvel investissement d’IGP représente le premier capital primaire injecté directement dans l’entreprise.

Transformer les données d’entreprise fragmentées en contexte

Le problème central que Prevalent AI cherche à résoudre n’est pas une pénurie de données d’entreprise. Il s’agit du fait que les données nécessaires à une décision sont souvent réparties sur des dizaines, voire des centaines, de systèmes qui décrivent la même organisation de manière différente.

Une équipe de sécurité, par exemple, peut dépendre de scanners de vulnérabilités, de plateformes d’appareils, de systèmes d’identité, d’infrastructures cloud, de bases de données de gestion de configuration, de logiciels de ticketing et d’outils opérationnels. Chaque système ne fournit qu’une partie du tableau, avec des enregistrements dupliqués, des identifiants conflictuels et des relations incomplètes entre les actifs.

Le Security Data Fabric de Prevalent AI est conçu pour ingérer les informations provenant de ces différents systèmes, les normaliser, résoudre les incohérences et cartographier les relations entre actifs, identités, vulnérabilités, applications, contrôles et autres informations opérationnelles. Les données ainsi obtenues sont conservées sous la forme d’un graphe de connaissances continuellement mis à jour plutôt que comme une base de données de sécurité isolée.

Cette distinction devient de plus en plus importante lorsque des agents d’IA entrent en jeu. Les humains peuvent parfois reconnaître que deux enregistrements légèrement différents font référence au même serveur, employé ou application. Un agent automatisé prenant des décisions à la vitesse d’une machine a besoin que ces relations soient établies de façon fiable à l’avance.

Comment fonctionne la technologie de Prevalent AI

Au niveau de l’intégration, Prevalent AI utilise DataBridge pour connecter le cloud, les services SaaS (Software-as-a-Service), les systèmes sur site et les systèmes opérationnels. La plateforme applique ensuite une résolution d’entités afin de concilier les enregistrements et de créer une représentation unifiée de l’environnement d’entreprise.

Le graphe de connaissances ajoute une couche supplémentaire en reliant ces entités par leurs relations. Au lieu de traiter une vulnérabilité comme un constat isolé, le système peut la relier à l’actif concerné, à l’importance commerciale de cet actif, à son propriétaire, aux identités associées, aux contrôles de sécurité existants et aux informations de menace pertinentes.

Les outils de gestion d’exposition de Prevalent utilisent ce contexte pour identifier où le risque est concentré et prioriser les remédiations. La plateforme peut également corréler les constats entre différents outils afin de réduire les enregistrements de vulnérabilités dupliqués et de surveiller en continu les changements d’actifs, d’identités et d’infrastructures.

L’IA générative est ajoutée au-dessus de cette base structurée plutôt que d’être sollicitée pour interpréter des données d’entreprise brutes de manière indépendante. L’outil Navigator de Prevalent, par exemple, permet aux utilisateurs d’interroger les informations contenues dans le graphe de connaissances via une interface d’IA générative.

L’entreprise propose également DataForge, qui génère des jeux de données synthétiques synchronisés pour le développement d’IA, les tests de modèles et l’assurance qualité, sans nécessiter l’exposition de données de production sensibles lors des expérimentations.

Aller au-delà de la cybersécurité

La cybersécurité était un point de départ naturel parce que l’information incomplète peut immédiatement affecter les décisions relatives aux vulnérabilités, aux identités, aux incidents et aux contrôles. Mais Prevalent AI voit de plus en plus sa technologie sous‑jacent comme une infrastructure d’entreprise plutôt que comme un produit spécifiquement dédié à la sécurité.

L’entreprise indique que ses clients ont déjà étendu la même fondation de données à des domaines tels que l’analyse de la criminalité financière, l’intelligence opérationnelle, la conformité, l’automatisation et les flux de travail pilotés par l’IA, sans reconstruire l’architecture sous‑jacent.

Cette opportunité plus large constitue l’une des principales raisons du nouveau financement.

Pour les agents d’IA en particulier, le défi se déplace de plus en plus de la question « le modèle est‑il suffisamment intelligent pour accomplir une tâche ? » vers la question « le modèle a‑t‑il accès à des informations précises sur l’organisation dans laquelle il opère ? ». Un agent peut être capable d’identifier une vulnérabilité de sécurité, d’enquêter sur un compte ou de déclencher un flux de travail automatisé, mais son utilité chute rapidement s’il ne peut pas déterminer de façon fiable quels systèmes existent, comment ils sont interconnectés, qui en est propriétaire ou quelles politiques régissent ses actions.

Prevalent AI mise effectivement sur le fait que le contexte d’entreprise deviendra une couche importante de la pile IA, notamment pour les organisations où les agents sont censés passer à l’action plutôt que de simplement générer des réponses.

Pourquoi l’IA d’entreprise augmente les enjeux

Le moment du financement reflète un virage plus large dans l’IA d’entreprise. Les organisations commencent à dépasser les copilotes autonomes pour adopter des agents capables d’interagir avec l’infrastructure, les applications et les processus métier.

Cette transition augmente les conséquences d’une mauvaise qualité des données sous‑jacentes.

Prevalent AI soutient que son architecture souveraine est particulièrement pertinente dans ces environnements. Sa plateforme est conçue pour fonctionner au sein d’une infrastructure contrôlée par le client, maintenant les données d’entreprise sous le contrôle de l’organisation plutôt que d’exiger que le graphe de connaissances opérationnel dépende d’une infrastructure partagée ou d’un fournisseur de modèle particulier.

Pour les secteurs fortement réglementés, cela pourrait devenir un facteur décisif alors que les entreprises expérimentent l’octroi à leurs systèmes d’IA d’un accès accru à des informations internes sensibles et d’une plus grande autorité pour prendre des mesures.

Pourquoi le contexte fiable pourrait devenir crucial pour l’IA d’entreprise

À mesure que les systèmes d’IA passent de la génération de recommandations à la prise d’actions au sein des entreprises, la qualité des données qui les entourent deviendra de plus en plus importante. Un agent chargé d’enquêter sur un incident de sécurité, d’approuver un flux de travail ou de répondre à un problème opérationnel a besoin de plus que l’accès à des bases de données individuelles. Il nécessite une vision précise de la façon dont les actifs, les identités, les applications, les politiques et les processus métier se relient les uns aux autres.

Cela crée un défi d’infrastructure croissant pour les entreprises. De nombreuses organisations ont accumulé des années de plateformes logicielles déconnectées, d’enregistrements dupliqués et de conventions de nommage incohérentes. Les grands modèles de langage peuvent faciliter l’interrogation de ces informations, mais ils ne résolvent pas automatiquement les contradictions ni ne déterminent quelle source doit être considérée comme fiable. Sans une couche de contexte fiable, une IA plus autonome pourrait simplement laisser les problèmes de données existants influencer les décisions à une vitesse et à une échelle accrues.

Les graphes de connaissances et les tissus de données pourraient donc devenir une partie importante de l’architecture émergente de l’IA d’entreprise. Plutôt que de remplacer les bases de données ou les modèles d’IA, ces systèmes peuvent se placer entre les deux, conciliant continuellement les informations et maintenant les relations que les agents peuvent exploiter lorsqu’ils décident des actions à entreprendre.

Les implications s’étendent également bien au‑delà de la cybersécurité. Des problèmes similaires existent dans la détection de fraudes, la conformité réglementaire, la gestion de la chaîne d’approvisionnement, les opérations informatiques et d’autres domaines où les décisions dépendent d’informations réparties sur plusieurs systèmes. À mesure que les entreprises déploient des agents dans ces fonctions, le maintien d’une représentation cohérente de l’organisation pourra devenir de plus en plus indispensable.

Cela pourrait également modifier la façon dont les entreprises évaluent l’infrastructure IA. La performance du modèle restera importante, mais les organisations pourraient accorder davantage d’importance à la provenance, à la fraîcheur et aux relations des données alimentant ces modèles. Dans ce contexte, l’avantage concurrentiel ne viendra peut‑être pas uniquement d’un modèle d’IA plus performant, mais de la capacité à offrir à ce modèle une compréhension plus précise de l’entreprise dans laquelle il opère.