Euno Mengumpulkan $23 Juta Seri A untuk Membangun Lapisan Konteks bagi Agen AI Perusahaan

Euno telah mengumpulkan dana Seri A sebesar $23 juta untuk memperluas platform konteks AI perusahaan, karena perusahaan semakin menghadapi masalah yang tidak dapat diselesaikan hanya dengan model fondasi yang lebih baik: memberi agen AI pengetahuan organisasi yang cukup untuk bekerja secara andal dengan data bisnis yang kompleks.

Putaran pendanaan dipimpin oleh N47, dengan partisipasi dari investor lama 10D serta sekelompok pendiri dan eksekutif teknologi yang meliputi co‑founder Wiz Yinon Kostika, co‑founder dan CEO Cyera Yotam Segev, co‑founder dan CEO Eon Ofir Ehrlich, founder Tavily Rotem Weiss, dan mantan CEO serta presiden Tableau Mark Nelson. Pendanaan ini meningkatkan total pendanaan Euno menjadi $29 juta.

Didirikan pada 2023 oleh Sarah Levy dan Eyal Firstenberg, Euno berencana menggunakan modal baru tersebut terutama untuk memperluas penjualan dan pemasaran serta meningkatkan investasi dalam riset AI. Perusahaan yang beroperasi di seluruh AS dan Israel serta mempekerjakan hampir 30 orang ini memperkirakan akan melipatgandakan jumlah karyawannya menjelang akhir tahun.

Kendala AI Perusahaan Beralih ke Konteks

Peningkatan cepat model bahasa besar telah membuat semakin memungkinkan untuk menerapkan agen AI yang mampu menanyakan basis data, menghasilkan analitik, menulis kode, dan mengotomatisasi proses bisnis. Namun menghubungkan agen ke sistem perusahaan memperkenalkan tantangan lain: mengetahui informasi mana yang bersifat otoritatif.

Organisasi besar dapat memiliki ribuan tabel, dasbor, metrik, model data, dan definisi yang bersaing untuk konsep bisnis yang sama. Sebuah agen AI yang diminta menghitung pendapatan, misalnya, membutuhkan lebih dari sekadar akses ke basis data. Agen tersebut harus mengetahui metrik pendapatan mana yang disetujui, tabel mana yang terbaru, bagaimana metrik tersebut dihitung, dari mana asal inputnya, dan apakah pengguna yang meminta memiliki izin untuk mengakses informasi dasar tersebut.

Euno berupaya mengubah pengetahuan institusional tersebut menjadi infrastruktur yang dapat dibaca mesin.

Platformnya secara terus‑menerus membangun grafik konteks hidup yang menggabungkan informasi seperti jejak data, penggunaan, kepemilikan, logika bisnis, sinyal kesehatan, dan status tata kelola. Alih‑alih menyajikan semua aset yang tersedia kepada agen, sistem dapat menyampaikan konteks yang relevan bagi pengguna, tugas, dan keputusan spesifik yang sedang dibuat.

Perbedaan ini dapat menjadi semakin penting seiring perusahaan beralih dari sistem AI yang hanya menjawab pertanyaan menuju agen otonom yang mampu melakukan tindakan di berbagai sistem perusahaan.

“Model terus menjadi lebih baik dan lebih murah, namun keunggulan kompetitif AI jangka panjang bagi perusahaan akan semakin berasal dari catatan terakumulasi tentang bagaimana pekerjaan diselesaikan,” kata co‑founder dan CEO Euno Sarah Levy.

Mengubah Metadata Menjadi Infrastruktur bagi Agen AI

Teknologi Euno dibangun di atas metadata, yaitu informasi yang menjelaskan dari mana data berasal, bagaimana data diubah, siapa yang menggunakannya, dan bagaimana berbagai aset saling berhubungan.

Platform ini memetakan jejak tingkat kolom di seluruh gudang data, sistem analitik, dasbor, dan metrik, kemudian menggabungkan informasi tersebut dengan sinyal penggunaan dan tata kelola. Sistem pelabelan otomatisnya dapat secara dinamis mengklasifikasikan aset sebagai properti seperti “AI-ready”, “PII-free”, “healthy”, atau “certified” berdasarkan aturan yang ditetapkan organisasi. Klasifikasi tersebut diperbarui seiring perubahan lingkungan data yang mendasarinya.

Euno juga menyediakan alur kerja yang dapat merespons ketika kondisi tersebut berubah. Misalnya, organisasi dapat mengidentifikasi dasbor yang belum bersertifikasi namun tiba‑tiba banyak digunakan, melacak penyebaran informasi pribadi (PII), menandai model yang tidak terdokumentasi, atau menampilkan metrik yang tidak lagi memenuhi standar kualitas internal.

Perusahaan telah membangun Euno Query Language (EQL) miliknya untuk menavigasi hubungan dalam grafik. Euno menyatakan bahwa arsitektur berbasis grafiknya memungkinkan agen mengambil metadata yang saling terhubung dengan lebih sedikit kueri, yang berpotensi mengurangi jumlah informasi kontekstual yang harus dimasukkan ke dalam model.

Penting untuk dicatat, platform ini dirancang untuk berdampingan dengan infrastruktur data perusahaan yang ada, bukan menggantikannya. Euno mendukung integrasi yang mencakup gudang data dan platform seperti Snowflake dan Databricks; alat transformasi termasuk dbt; serta platform intelijen bisnis seperti Tableau, Looker, Power BI, ThoughtSpot, Sigma, dan Omni.

Menyematkan Konteks Secara Langsung ke Sistem AI

Komponen lain dari strategi Euno adalah membuat konteks organisasi ini dapat diakses secara langsung oleh agen AI pihak ketiga.

Perusahaan mengoperasikan server Model Context Protocol (MCP) yang memungkinkan alat seperti Claude, Cursor, Visual Studio Code Copilot, dan sistem kompatibel lainnya untuk menanyakan konteks perusahaan Euno. Agen dapat menggunakan alat tersebut untuk menemukan sumber daya, memeriksa jejak hulu, melakukan analisis dampak, mencari dokumentasi, atau menghasilkan dan mengeksekusi kueri EQL.

Euno juga telah mendokumentasikan integrasi dengan sistem termasuk Snowflake Intelligence, yang menggambarkan bagaimana lapisan konteksnya dapat berfungsi sebagai perantara antara model AI tujuan umum dan aset data perusahaan yang mendasarinya.

Posisi tersebut mencerminkan pergeseran yang lebih luas dalam AI perusahaan. Seiring akses ke model yang kompeten menjadi semakin komoditis, diferensiasi dapat beralih ke informasi kepemilikan yang mengelilingi model tersebut: proses organisasi, izin, hubungan, keputusan historis, definisi, dan umpan balik dari aktivitas agen sebelumnya.

Konteks Dapat Menjadi Bagian dari Keunggulan Kompetitif AI Perusahaan

Euno berargumen bahwa konteks yang terakumulasi ini dapat menjadi semakin berharga seiring waktu.

Ketika agen melakukan suatu tugas, sistem dapat menangkap informasi tentang bagaimana konteks digunakan dan mengirimkan sinyal tersebut kembali ke lapisan konteks perusahaan. Secara teoritis, hal ini menciptakan lingkaran umpan balik di mana organisasi secara bertahap membangun representasi yang lebih kaya dan dapat dibaca mesin tentang cara bisnisnya beroperasi.

Hal ini juga mengatasi salah satu tantangan utama dalam penerapan AI berbasis agen: tata kelola. Memberikan agen otonom akses ke sistem perusahaan tanpa memahami informasi apa yang dapat diambilnya atau bagaimana informasi tersebut harus ditafsirkan menimbulkan risiko operasional dan keamanan. Pendekatan Euno menggabungkan pengambilan konteks dengan tata kelola yang menyadari peran, sehingga agen menerima informasi yang sesuai dengan tugas dan izinnya, bukan akses tak terbatas ke seluruh lingkungan.

Perusahaan menyatakan bahwa platformnya membaca metadata perusahaan, bukan data bisnis yang mendasarinya, sebuah perbedaan arsitektural yang dimaksudkan untuk mengurangi paparan data sekaligus memungkinkan sistem memetakan hubungan dan memberikan konteks operasional kepada agen.

Euno sudah bekerja dengan pelanggan perusahaan termasuk AlphaSense dan Zayo Group, sementara situs webnya juga mendokumentasikan penerapan yang melibatkan perusahaan seperti Bolt.

Bagi industri AI secara luas, signifikansi Seri A Euno melampaui sekadar putaran pendanaan infrastruktur perusahaan lainnya. Model fondasi dengan cepat menjadi lebih mampu dan semakin dapat dipertukarkan untuk banyak beban kerja. Jika tren ini berlanjut, salah satu masalah yang lebih sulit adalah memberikan model-model tersebut pemahaman yang dapat diandalkan tentang organisasi tempat mereka beroperasi.

Hal itu dapat menjadikan infrastruktur konteks, bukan model yang mendasarinya, sebagai salah satu lapisan paling konsekuensial dalam tumpukan AI perusahaan yang sedang berkembang.