Prevalent AI raccoglie $22M per ampliare il contesto aziendale affidabile per i sistemi di IA

Prevalent AI ha raccolto $22 million in growth capital da Integrity Growth Partners (IGP), segnando il primo investimento primario esterno nella storia di nove anni della società con sede a Londra. Il finanziamento arriva mentre le imprese affrontano un problema crescente accanto alla rapida adozione dell’intelligenza artificiale: i sistemi di IA possono diventare più capaci, ma le loro decisioni sono affidabili solo quanto i dati e il contesto organizzativo a cui hanno accesso.

Fondata nel 2017, Prevalent AI è rimasta autofinanziata e, secondo l’azienda, è redditizia sin dal primo cliente. L’azienda afferma che il fatturato ricorrente annuale è più che raddoppiato nell’ultimo anno. Il nuovo capitale sarà destinato all’espansione della sua organizzazione commerciale globale, all’accelerazione della spinta negli Stati Uniti, al rafforzamento del team dirigenziale e all’estensione della tecnologia originariamente sviluppata per la cybersecurity a un più ampio ambito di rischio aziendale e applicazioni IA.

First outside capital after nine years

Il finanziamento è notevole anche perché Prevalent AI ha seguito un percorso relativamente insolito nel mercato della cybersecurity. Invece di affidarsi a round di venture capital ripetuti per finanziare la crescita, l’azienda ha trascorso quasi un decennio costruendo il proprio modello di business attorno ai ricavi dei grandi clienti aziendali prima di raccogliere capitale istituzionale primario.

Prevalent AI è stata co‑fondata dal CEO Paul Stokes e dal COO Arun Raj, con radici nella comunità di intelligence del Regno Unito. L’azienda dichiara che il suo team fondatore include ex membri del Government Communications Headquarters (GCHQ), un’esperienza che ha contribuito a definire il suo focus sul collegamento di informazioni frammentate in ambienti dove dati incompleti o imprecisi possono avere conseguenze operative significative.

ISTARI, sostenuta dalla società di investimento di Singapore Temasek, è diventata azionista di minoranza nel 2021 tramite una transazione secondaria, ma il nuovo investimento di IGP rappresenta il primo capitale primario diretto all’interno dell’azienda.

Turning fragmented enterprise data into context

Il problema centrale che Prevalent AI sta cercando di risolvere non è una carenza di dati aziendali. È che i dati necessari per prendere una decisione spesso esistono sparsi in decine, o addirittura centinaia, di sistemi che descrivono la stessa organizzazione in modi diversi.

Un team di sicurezza, ad esempio, può dipendere da scanner di vulnerabilità, piattaforme endpoint, sistemi di identità, infrastruttura cloud, database di gestione della configurazione, software di ticketing e strumenti operativi. Ogni sistema contiene una parte del quadro, con record duplicati, identificatori conflittuali e relazioni incomplete tra gli asset.

Il Security Data Fabric di Prevalent AI è progettato per ingerire informazioni da questi diversi sistemi, normalizzarle, risolvere le incoerenze e mappare le relazioni tra asset, identità, vulnerabilità, applicazioni, controlli e altre informazioni operative. I dati risultanti sono mantenuti come un grafo di conoscenza continuamente aggiornato, anziché come un altro database di sicurezza isolato.

Questa distinzione diventa sempre più importante quando gli agenti IA entrano in gioco. Gli esseri umani a volte riescono a riconoscere che due record leggermente diversi si riferiscono allo stesso server, dipendente o applicazione. Un agente automatizzato che prende decisioni a velocità di macchina ha bisogno che queste relazioni siano stabilite in modo più affidabile in anticipo.

How Prevalent AI’s technology works

Nel livello di integrazione, Prevalent AI utilizza DataBridge per connettere sistemi cloud, Software-as-a-Service (SaaS), on‑premise e operativi. La piattaforma applica poi la risoluzione delle entità per riconciliare i record e costruire una rappresentazione unificata dell’ambiente aziendale.

Il grafo di conoscenza aggiunge un ulteriore strato collegando tali entità attraverso le loro relazioni. Invece di trattare una vulnerabilità come un risultato isolato, per esempio, il sistema può collegarla all’asset interessato, all’importanza commerciale dell’asset, al suo proprietario, alle identità associate, ai controlli di sicurezza esistenti e alle informazioni di minaccia pertinenti.

Gli strumenti di gestione dell’esposizione di Prevalent usano questo contesto per identificare dove il rischio è concentrato e dare priorità alla remediation. La piattaforma può anche correlare i risultati tra diversi strumenti per ridurre i record di vulnerabilità duplicati e monitorare continuamente le modifiche a asset, identità e infrastruttura.

L’IA generativa viene aggiunta sopra questa base strutturata anziché essere richiesta di interpretare dati aziendali grezzi in modo indipendente. Lo strumento Navigator di Prevalent, ad esempio, consente agli utenti di interrogare le informazioni contenute nel grafo di conoscenza tramite un’interfaccia di IA generativa.

L’azienda offre inoltre DataForge, che genera set di dati sintetici sincronizzati per lo sviluppo di IA, il testing di modelli e il controllo di qualità, senza richiedere l’esposizione di dati di produzione sensibili durante la sperimentazione.

Moving beyond cybersecurity

La cybersecurity è stata un punto di partenza naturale perché le informazioni incomplete possono influenzare immediatamente le decisioni relative a vulnerabilità, identità, incidenti e controlli. Tuttavia Prevalent AI vede sempre più la sua tecnologia di base come infrastruttura aziendale piuttosto che come prodotto specifico per la sicurezza.

L’azienda afferma che i clienti hanno già esteso la stessa base di dati a settori quali l’analisi dei crimini finanziari, l’intelligence operativa, la compliance, l’automazione e i flussi di lavoro guidati dall’IA, senza ricostruire l’architettura sottostante.

Questa opportunità più ampia è una delle principali ragioni dietro il nuovo finanziamento.

Per gli agenti IA in particolare, la sfida si sta spostando sempre più dal chiedersi se un modello è sufficientemente intelligente per svolgere un compito, al chiedersi se ha accesso a informazioni accurate sull’organizzazione in cui opera. Un agente può essere in grado di identificare una vulnerabilità di sicurezza, investigare un account o avviare un flusso di lavoro automatizzato, ma la sua utilità diminuisce rapidamente se non riesce a determinare in modo affidabile quali sistemi esistono, come sono collegati, chi ne è proprietario o quali politiche governano le sue azioni.

Prevalent AI scommette effettivamente che il contesto aziendale diventerà uno strato importante dello stack IA, soprattutto per le organizzazioni in cui gli agenti sono tenuti a compiere azioni anziché semplicemente generare risposte.

Why enterprise AI raises the stakes

Il tempismo del finanziamento riflette un più ampio spostamento nell’IA aziendale. Le organizzazioni stanno iniziando a superare i copiloti autonomi per passare a agenti capaci di interagire con infrastrutture, applicazioni e processi aziendali.

Questa transizione aumenta le conseguenze di dati di base scadenti.

Prevalent AI sostiene che la sua architettura sovrana è particolarmente rilevante in questi ambienti. La sua piattaforma è progettata per operare all’interno di infrastrutture controllate dal cliente, mantenendo i dati aziendali sotto il controllo dell’organizzazione anziché richiedere che il grafo di conoscenza operativo dipenda da infrastrutture condivise o da un fornitore di modello specifico.

Per i settori altamente regolamentati, questo potrebbe diventare un fattore importante man mano che le aziende sperimentano la concessione a sistemi IA di un accesso più ampio a informazioni interne sensibili e di una maggiore autorità nell’eseguire azioni.

Why trusted context could become critical for enterprise AI

Man mano che i sistemi IA passano dal generare raccomandazioni al compiere azioni all’interno delle imprese, la qualità dei dati che li circondano diventerà sempre più cruciale. Un agente incaricato di investigare un incidente di sicurezza, approvare un flusso di lavoro o rispondere a un problema operativo ha bisogno di più di un semplice accesso a database isolati. Ha bisogno di un quadro accurato di come asset, identità, applicazioni, politiche e processi aziendali si relazionano tra loro.

Ciò crea una crescente sfida infrastrutturale per le imprese. Molte organizzazioni hanno accumulato anni di piattaforme software disconnesse, record duplicati e convenzioni di denominazione incoerenti. I grandi modelli linguistici possono rendere queste informazioni più facili da interrogare, ma non risolvono automaticamente le contraddizioni né determinano quale fonte sia affidabile. Senza uno strato di contesto affidabile, un’IA più autonoma potrebbe semplicemente consentire ai problemi di dati esistenti di influenzare le decisioni a velocità e scala maggiori.

I grafi di conoscenza e i data fabric potrebbero quindi diventare una parte importante della nascente architettura IA aziendale. Piuttosto che sostituire database o modelli IA, questi sistemi possono collocarsi tra loro, riconciliando continuamente le informazioni e mantenendo le relazioni che gli agenti possono utilizzare quando decidono quali azioni intraprendere.

Le implicazioni si estendono ben oltre la cybersecurity. Problemi simili esistono nella rilevazione delle frodi, nella conformità normativa, nella gestione della catena di approvvigionamento, nelle operazioni IT e in altri ambiti dove le decisioni dipendono da informazioni distribuite su più sistemi. Man mano che le aziende dispiegano agenti in queste funzioni, mantenere una rappresentazione coerente dell’organizzazione potrebbe diventare sempre più necessario.

Questo potrebbe anche cambiare il modo in cui le imprese valutano l’infrastruttura IA. Le prestazioni del modello rimarranno importanti, ma le organizzazioni potrebbero porre maggiore enfasi sulla provenienza, freschezza e relazioni dei dati che alimentano quei modelli. In tale contesto, il vantaggio competitivo potrebbe non derivare esclusivamente dal possedere un modello IA più capace, ma dal fornire a quel modello una comprensione più accurata dell’impresa in cui opera.