PuppyGraph raccoglie 10 milioni di dollari con un round di serie A dopo aver moltiplicato per sette i ricavi ricorrenti annuali

PuppyGraph ha annunciato il 10 novembre 2026 di aver raccolto 10 milioni di dollari in un round di serie A guidato da Particle Future, con la partecipazione di defy.vc, per ampliare le attività di ingegneria e di accesso al mercato aziendale. Con questo finanziamento, il totale raccolto dallo sviluppatore del motore di interrogazione dei grafi sale a 15 milioni di dollari.

Il round segue la disponibilità generale di PuppyGraph 1.0. PuppyGraph ha riferito che i ricavi ricorrenti annuali sono cresciuti di sette volte nell’ultimo anno e che tra i suoi clienti figurano AMD, Palo Alto Networks, Coinbase, Trend Micro, Datadog e Sola Security.

Interrogare i dati aziendali senza spostarli

PuppyGraph si rivolge agli agenti di IA che indagano su questioni aziendali in più reparti, anziché limitarsi a generare codice SQL per un insieme di dati noto. Un agente potrebbe dover seguire le relazioni tra clienti, prodotti, componenti e fornitori; man mano che le tabelle aumentano, le descrizioni degli schemi occupano una parte maggiore della sua finestra di contesto e cresce il numero dei possibili percorsi di join.

Il motore esegue calcoli sui grafi direttamente nei database, nei data warehouse e nei data lake supportati. I dati rimangono in sistemi come Apache Iceberg, Databricks, Snowflake, PostgreSQL e Microsoft Fabric, senza bisogno di un database a grafo dedicato, di una copia separata del grafo o delle relative pipeline di caricamento. Le applicazioni possono continuare a usare SQL per filtri e aggregazioni, ricorrendo invece alle query sui grafi per le domande incentrate sulle relazioni.

Un’ontologia definisce entità aziendali e relazioni approvate, fornendo agli agenti percorsi validi per le indagini. Il generatore di schemi di PuppyGraph, assistito dall’IA, propone un modello a partire dalle tabelle esistenti, ma i team responsabili dei dati ne esaminano e approvano il significato aziendale. Gli strumenti di IA compatibili si collegano tramite MCP e gli utenti possono anche utilizzare l’agente integrato in PuppyGraph.

Il motore rifiuta i riferimenti a entità o relazioni non presenti nell’ontologia e restituisce indicazioni strutturate per correggere la query. In questo modo si affrontano gli errori silenziosi causati da un agente che inventa un collegamento e tratta il risultato come una prova. PuppyGraph avverte che la convalida non garantisce una conclusione corretta, perché un agente può comunque seguire un’ipotesi inadeguata o condurre un’analisi incompleta.

Prestazioni e controlli di governance

PuppyGraph ha riferito che il suo motore supporta query sui grafi inferiori al secondo per i carichi di lavoro supportati e consente agli agenti di interrogare 3.000 tabelle aziendali come se fossero un unico grafo. In un benchmark distinto condotto dall’azienda, un cluster di quattro macchine ha completato in 2,26 secondi una query a 10 hop su miliardi di archi; le prestazioni dipendono dal carico di lavoro.

La velocità influisce sullo svolgimento delle indagini: gli agenti verificano più ipotesi e una query lenta può bloccare il passaggio analitico successivo quando questo dipende dal risultato precedente. Il benchmark è quindi rilevante per valutare se le ricerche approfondite delle relazioni possano rimanere interattive, anziché costituire soltanto una misura della velocità pura delle query.

PuppyGraph 1.0 applica inoltre le autorizzazioni configurate a livello di riga durante tutti gli attraversamenti del grafo, compresi i passaggi intermedi. I controlli basati sui ruoli e l’impersonificazione degli utenti associano gli accessi all’identità dell’utente. È supportato l’accesso singolo (SSO), mentre i registri di controllo amministrativo tracciano le attività di gestione. Il sistema di distribuzione delle credenziali genera credenziali di breve durata, associate all’identità, per piattaforme come Snowflake e Databricks, senza richiedere agli utenti di esporre o gestire credenziali di lunga durata.

Implementazioni e priorità di espansione

Leon Goldberg, CTO di Sola Security, ha dichiarato: «Ogni giorno eseguiamo agenti di IA su migliaia di tabelle e miliardi di archi». Ran Xia, direttore dell’ingegneria di Palo Alto Networks, ha affermato che l’azienda esegue attraversamenti multi-hop sulla propria piattaforma dati esistente senza spostare né duplicare righe, eliminando così la manutenzione della relativa pipeline ETL. Xinyu Liu, ingegnere software senior di Coinbase, ha dichiarato che Coinbase si collega direttamente alle tabelle gestite in Snowflake e Databricks e usa MCP per interrogare in linguaggio naturale le relazioni.

AMD ha iniziato con i carichi di lavoro IT e sta estendendo l’uso dei dati alla sicurezza informatica e al marketing digitale, ha riferito PuppyGraph. Questa espansione illustra il modello più ampio dell’azienda: quando una mappa delle relazioni collega altri reparti, gli agenti possono indagare su questioni che prima si fermavano ai confini organizzativi.

L’azienda intende usare il nuovo capitale per ridurre il lavoro necessario a configurare i modelli dei grafi, rendere pratiche le query sulle relazioni su scala aziendale e aiutare i clienti a portare gli agenti in produzione. La sfida principale consiste nell’ampliare queste indagini senza indebolire l’ontologia approvata da persone e i controlli delle autorizzazioni, che determinano quali relazioni sono valide e quali dati può vedere ciascun utente.