Prevalent AI、AIシステム向けの信頼できるエンタープライズコンテキスト拡大のために2200万ドル（$22M）を調達

Prevalent AIは、ロンドン拠点の同社が9年の歴史で初めて受ける外部からの主要投資として、Integrity Growth Partners (IGP)から$22 million in growth capitalを調達しました。AIの急速な導入とともに、企業は増大する課題に直面しています。AIシステムはますます高度になりつつありますが、その意思決定は利用できる組織データとコンテキストの信頼性に依存しています。

2017年に設立されたPrevalent AIは、ブートストラップ方式を維持し、同社によれば最初の顧客を獲得して以来黒字を保っています。年間継続収益は過去1年間で2倍以上に増加したと同社は述べています。新たな資本は、グローバルな商業組織の拡大、米国への進出加速、リーダーシップチームの強化、そしてサイバーセキュリティ向けに開発された技術をエンタープライズリスクやAIアプリケーション全般へ拡張するために活用されます。

9年ぶりの外部資本

この資金調達が注目されるのは、Prevalent AIがサイバーセキュリティ市場という比較的異例のルートを辿ってきたことも一因です。成長資金をベンチャーラウンドに依存するのではなく、同社は大手エンタープライズ顧客からの収益を中心にほぼ10年を築き、初の機関投資を受けました。

Prevalent AIはCEOのPaul StokesとCOOのArun Rajによって共同設立され、英国情報機関のバックグラウンドを持ちます。同社は創業チームにGovernment Communications Headquarters (GCHQ)出身者が含まれており、情報が不完全または不正確な環境で断片化した情報を結びつけることに重点を置く要因となっています。

シンガポールの投資会社Temasekが支援するISTARIは、2021年に二次取引を通じて少数株主となりましたが、今回のIGP投資は会社へ直接流入する初の主要資本となります。

分散したエンタープライズデータをコンテキストに変換する

Prevalent AIが取り組もうとしている中心課題は、エンタープライズデータの不足ではありません。意思決定に必要なデータが、同一組織を異なる形で記述する数十、場合によっては数百のシステムに分散して存在していることです。

たとえばセキュリティチームは、脆弱性スキャナ、エンドポイントプラットフォーム、アイデンティティシステム、クラウドインフラ、構成管理データベース、チケット管理ソフトウェア、運用ツールに依存しています。各システムは全体像の一部を保持しており、重複レコードや矛盾する識別子、資産間の関係が不完全です。

Prevalent AIのSecurity Data Fabricは、これら異なるシステムから情報を取り込み、正規化し、矛盾を解消し、資産・アイデンティティ・脆弱性・アプリケーション・コントロールなどの関係性をマッピングします。生成されたデータは、別個のセキュリティデータベースではなく、継続的に更新されるナレッジグラフとして保持されます。

AIエージェントが関与すると、この区別はますます重要になります。人間は時に、わずかに異なる2つのレコードが同一のサーバーや従業員、アプリケーションを指すことを認識できますが、機械速度で意思決定を行う自動エージェントは、事前にこれらの関係性が確実に確立されていることを必要とします。

Prevalent AIの技術の仕組み

統合層では、Prevalent AIはDataBridge を用いてクラウド、SaaS、オンプレミス、運用システムを接続します。プラットフォームはその後、エンティティ解決を適用してレコードを照合し、エンタープライズ環境の統一表現を構築します。

ナレッジグラフは、エンティティ同士を関係性で結びつけることでさらに層を加えます。たとえば脆弱性を単独の検出項目として扱うのではなく、影響を受けた資産、資産の事業上の重要性、所有者、関連アイデンティティ、既存のセキュリティコントロール、関連する脅威情報と結びつけることが可能です。

Prevalentのエクスポージャー管理ツールはこのコンテキストを活用し、リスクが集中している箇所を特定し、対策の優先順位付けを行います。また、プラットフォームはツール間の検出結果を相関させ、重複する脆弱性レコードを削減し、資産・アイデンティティ・インフラの変化を継続的に監視します。

生成的AIは、この構造化された基盤の上に追加され、原始的なエンタープライズデータを独自に解釈させるのではありません。たとえばPrevalentのNavigatorツールは、生成的AIインターフェースを通じてナレッジグラフに保持された情報を問い合わせることを可能にします。

同社はDataForgeも提供しており、AI開発、モデルテスト、品質保証のために同期された合成データセットを生成します。実験中に機密性の高い本番データを露出させる必要はありません。

サイバーセキュリティを超えて

サイバーセキュリティは、情報が不完全であると脆弱性、アイデンティティ、インシデント、コントロールに関する意思決定に直ちに影響を及ぼすため、自然な出発点でした。しかし、Prevalent AIは自社の基盤技術をセキュリティ専用製品ではなく、エンタープライズインフラストラクチャとして捉えるようになっています。

同社によれば、顧客はすでに同じデータ基盤を金融犯罪分析、運用インテリジェンス、コンプライアンス、オートメーション、AI駆動ワークフローなどの領域へ拡張しており、基盤アーキテクチャを再構築する必要はありません。

この広範な機会こそが、新たな資金調達の主要な理由の一つです。

特にAIエージェントにとっては、課題が「モデルがタスクを実行できるほど知能的か」から「エージェントが動作する組織に関する正確な情報へアクセスできるか」へとシフトしています。エージェントが脆弱性を特定したり、アカウントを調査したり、自動ワークフローを起動したりできても、存在するシステムやその接続状態、所有者、適用されるポリシーを確実に把握できなければ、その有用性は急速に低下します。

Prevalent AIは、エンタープライズコンテキストがAIスタックの重要な層となり、エージェントが単に回答を生成するだけでなく実際に行動を起こすことが期待される組織において、特に価値が高まると見込んでいます。

エンタープライズAIが重要性を高める理由

今回の資金調達のタイミングは、エンタープライズAIにおける広範なシフトを反映しています。組織は単独のコパイロットから、インフラ、アプリケーション、ビジネスプロセスと相互作用できるエージェントへと移行し始めています。

この移行は、基盤データが不適切であることの影響を拡大させます。

Prevalent AIは、自社のサーバントアーキテクチャがこのような環境で特に有用であると主張しています。プラットフォームは顧客が管理するインフラ内で動作するよう設計されており、エンタープライズデータは組織の管理下に留まり、運用ナレッジグラフが共有インフラや特定のモデルプロバイダーに依存する必要がありません。

高度に規制されたセクターにおいては、企業がAIシステムに機密内部情報へのアクセスを拡大し、行動権限を高める実験を行う中で、これは重要な考慮事項となり得ます。

信頼できるコンテキストがエンタープライズAIにとって重要になる理由

AIシステムが提案を生成する段階からビジネス内部で実際に行動を起こす段階へ移行するにつれ、システムを取り巻くデータの品質がますます重要になります。セキュリティインシデントの調査、ワークフローの承認、運用上の問題への対応を任されたエージェントは、個別データベースへのアクセスだけでは不十分です。資産、アイデンティティ、アプリケーション、ポリシー、ビジネスプロセスが相互にどのように関係しているかを正確に把握する必要があります。

これにより、企業はインフラストラクチャ上の課題が拡大しています。多くの組織は、長年にわたり接続が切れたソフトウェアプラットフォーム、重複レコード、命名規則の不整合を蓄積してきました。大規模言語モデルは情報検索を容易にしますが、矛盾を自動的に解消したり、どの情報源を信頼すべきかを判断したりはしません。信頼できるコンテキスト層がなければ、より自律的なAIは既存のデータ問題を高速・大規模に意思決定へと持ち込むだけです。

したがって、ナレッジグラフやデータファブリックは新興のエンタープライズAIアーキテクチャにおいて重要な要素となり得ます。データベースやAIモデルを置き換えるのではなく、これらのシステムはその間に位置し、情報を継続的に調整し、エージェントが行動を決定する際に利用できる関係性を維持します。

この影響はサイバーセキュリティをはるかに超えて広がります。詐欺検知、規制コンプライアンス、サプライチェーン管理、IT運用など、複数システムに分散した情報に依存する意思決定が行われる領域でも同様の問題が存在します。企業がこれらの機能にエージェントを配備するにつれ、組織全体の一貫した表現を維持する必要性が高まります。

これにより企業がAIインフラを評価する方法も変わる可能性があります。モデルの性能は依然として重要ですが、組織はモデルに供給されるデータの出所、鮮度、相関関係により大きな重点を置くようになるでしょう。その環境下では、競争優位は必ずしもより高度なAIモデルを保有することだけで得られるわけではなく、モデルに対して企業全体をより正確に理解させることに由来する可能性があります。