PuppyGraph lève 10 millions de dollars lors d’un tour de série A après avoir multiplié par sept son chiffre d’affaires récurrent annuel

PuppyGraph a annoncé le 10 novembre 2026 avoir levé 10 millions de dollars lors d’un tour de série A mené par Particle Future, avec la participation de defy.vc, afin de renforcer ses équipes d’ingénierie et ses activités de commercialisation auprès des entreprises. Ce financement porte à 15 millions de dollars le montant total levé par le développeur de ce moteur d’interrogation de graphes.

Cette levée de fonds intervient après la disponibilité générale de PuppyGraph 1.0. PuppyGraph a indiqué que son chiffre d’affaires récurrent annuel avait été multiplié par sept au cours de l’année écoulée et comptait parmi ses clients AMD, Palo Alto Networks, Coinbase, Trend Micro, Datadog et Sola Security.

Interroger les données d’entreprise sans les déplacer

PuppyGraph s’adresse aux agents d’IA qui explorent des questions métier dans différents services, plutôt qu’à ceux qui se contentent de générer du SQL pour un jeu de données connu. Un agent peut devoir suivre les relations entre clients, produits, composants et fournisseurs ; à mesure que le nombre de tables augmente, leur description prend davantage de place dans sa fenêtre de contexte et les chemins de jointure possibles se multiplient.

Le moteur applique le calcul sur graphes directement aux bases de données, entrepôts de données et lacs de données compatibles. Les enregistrements restent dans des systèmes tels qu’Apache Iceberg, Databricks, Snowflake, PostgreSQL et Microsoft Fabric, ce qui évite d’avoir à créer une base de données de graphes dédiée, une copie distincte des graphes et les pipelines de chargement associés. Les applications peuvent toujours utiliser SQL pour les filtres et les agrégations, tout en privilégiant les requêtes sur graphes pour les questions qui impliquent de nombreuses relations.

Une ontologie définit les entités métier et les relations approuvées, fournissant aux agents des pistes d’investigation valides. Le générateur de schémas assisté par l’IA de PuppyGraph propose ce modèle à partir des tables existantes, mais les équipes chargées des données en examinent et en approuvent la signification métier. Les outils d’IA compatibles se connectent par l’intermédiaire de MCP, et les utilisateurs peuvent également recourir à l’agent intégré de PuppyGraph.

Le moteur rejette les références à des entités ou à des relations absentes de l’ontologie et renvoie des commentaires structurés pour corriger la requête. Cela permet de remédier aux erreurs silencieuses qui surviennent lorsqu’un agent invente un lien et traite le résultat comme une preuve. PuppyGraph précise que la validation ne garantit pas l’exactitude de la conclusion, car un agent peut toujours suivre une hypothèse peu pertinente ou mener une analyse incomplète.

Performances et contrôles de gouvernance

PuppyGraph a indiqué que son moteur prend en charge des requêtes sur graphes exécutées en moins d’une seconde pour les charges de travail compatibles et permet aux agents d’interroger 3 000 tables d’entreprise comme un seul graphe. Lors d’un test distinct réalisé par l’entreprise, un cluster de quatre machines a exécuté en 2,26 secondes une requête à 10 sauts portant sur des milliards d’arêtes ; les performances varient selon la charge de travail.

La vitesse influe sur le déroulement des investigations : les agents testent plusieurs hypothèses, et une requête lente peut retarder l’étape analytique suivante lorsqu’elle dépend du résultat précédent. Le test permet donc d’évaluer si les recherches approfondies de relations peuvent rester interactives, plutôt que de servir uniquement à mesurer le débit brut des requêtes.

PuppyGraph 1.0 applique également les autorisations configurées au niveau des lignes tout au long des parcours de graphes, y compris aux étapes intermédiaires. Les contrôles fondés sur les rôles et l’usurpation d’identité des utilisateurs rattachent les accès à leur identité. L’authentification unique est prise en charge, tandis que les journaux d’audit administratifs consignent les activités de gestion. Le mécanisme de distribution des identifiants permet d’obtenir des identifiants de courte durée tenant compte de l’identité pour des plateformes telles que Snowflake et Databricks, sans obliger les utilisateurs à divulguer ou à gérer des identifiants à longue durée de validité.

Déploiements et priorités de développement

Leon Goldberg, directeur technique de Sola Security, a déclaré : « Nous faisons fonctionner des agents d’IA sur des milliers de tables et des milliards d’arêtes chaque jour. » Ran Xia, directeur de l’ingénierie chez Palo Alto Networks, a indiqué que l’entreprise effectue des parcours à plusieurs sauts sur sa plateforme de données existante, sans déplacer ni dupliquer les lignes, ce qui élimine la maintenance des pipelines ETL associés. Xinyu Liu, ingénieur logiciel senior chez Coinbase, a déclaré que Coinbase se connecte directement aux tables gérées dans Snowflake et Databricks et utilise MCP pour interroger les relations en langage naturel.

AMD a commencé par les charges de travail informatiques et étend désormais son utilisation aux données de sécurité de l’information et de marketing numérique, a indiqué PuppyGraph. Cette expansion illustre le modèle plus général de l’entreprise : à mesure que la cartographie des relations relie davantage de services, les agents peuvent explorer des questions qui se heurtaient auparavant aux frontières organisationnelles.

L’entreprise prévoit d’utiliser ce nouveau financement pour réduire le travail de configuration des modèles de graphes, rendre les requêtes sur les relations utilisables à l’échelle des grandes entreprises et aider ses clients à mettre leurs agents en production. Le principal défi consiste à élargir ces investigations sans affaiblir l’ontologie approuvée par des humains ni les contrôles d’autorisation qui déterminent quelles relations sont valides et quelles données chaque utilisateur peut consulter.