Euno haalt $23M Series A op om een contextlaag voor enterprise AI‑agenten te bouwen

Euno heeft $23 miljoen aan Series A‑financiering opgehaald om haar enterprise‑AI‑contextplatform uit te breiden, nu bedrijven steeds vaker geconfronteerd worden met een probleem dat betere foundation‑modellen alleen niet kunnen oplossen: AI‑agenten voldoende organisatorische kennis geven om betrouwbaar met complexe bedrijfsgegevens te werken.

De ronde werd geleid door N47, met deelname van bestaande investeerder 10D en een groep technologie‑oprichters en -executives, waaronder Wiz‑medeoprichter Yinon Kostika, Cyera‑medeoprichter en CEO Yotam Segev, Eon‑medeoprichter en CEO Ofir Ehrlich, Tavily‑oprichter Rotem Weiss, en voormalig Tableau‑CEO en -president Mark Nelson. De financiering brengt de totale kapitaal van Euno op $29 miljoen.

Euno, opgericht in 2023 door Sarah Levy en Eyal Firstenberg, is van plan het nieuwe kapitaal voornamelijk te gebruiken om de verkoop en marketing uit te breiden en tegelijkertijd de investering in AI‑onderzoek te vergroten. Het bedrijf, dat actief is in de VS en Israël en bijna 30 medewerkers heeft, verwacht tegen het einde van het jaar ongeveer het personeelsbestand te verdubbelen.

De Enterprise AI‑kloof verschuift naar context

De snelle verbetering van grote taalmodellen maakt het steeds haalbaarder om AI‑agenten in te zetten die databases kunnen bevragen, analyses kunnen genereren, code kunnen schrijven en bedrijfsprocessen kunnen automatiseren. Maar het koppelen van een agent aan enterprise‑systemen brengt een nieuwe uitdaging met zich mee: weten welke informatie gezaghebbend is.

Een grote organisatie kan duizenden tabellen, dashboards, metriek‑sets, datamodellen en concurrerende definities voor hetzelfde bedrijfsconcept hebben. Een AI‑agent die bijvoorbeeld wordt gevraagd omzet te berekenen, heeft meer nodig dan alleen toegang tot een database. Hij moet weten welke omzetmetriek is goedgekeurd, welke tabellen actueel zijn, hoe de metriek wordt berekend, waar de invoer vandaan komt en of de aanvragende gebruiker toestemming heeft om de onderliggende informatie te raadplegen.

Euno probeert die institutionele kennis om te vormen tot machine‑leesbare infrastructuur.

Het platform bouwt continu een live‑contextgrafiek op die informatie zoals data‑lineage, gebruik, eigendom, bedrijfslogica, gezondheids‑signalementen en governance‑status omvat. In plaats van elk beschikbaar asset aan een agent te tonen, kan het systeem context leveren die relevant is voor de specifieke gebruiker, taak en beslissing.

Dit onderscheid kan steeds belangrijker worden naarmate bedrijven overstappen van AI‑systemen die vragen beantwoorden naar autonome agenten die acties kunnen uitvoeren over meerdere enterprise‑systemen.

“Modellen worden steeds beter en goedkoper, maar de lange‑termijn AI‑moat voor bedrijven zal steeds meer voortkomen uit het opeengepakte record van hoe werk wordt gedaan,” zei Euno‑medeoprichter en CEO Sarah Levy.

Metadata omvormen tot infrastructuur voor AI‑agenten

Euno’s technologie bouwt voort op metadata, de informatie die beschrijft waar data vandaan komt, hoe het wordt getransformeerd, wie het gebruikt en hoe verschillende assets met elkaar verband houden.

Het platform brengt kolom‑niveau lineage in kaart over data‑warehouses, analytics‑systemen, dashboards en metriek‑sets, en combineert die informatie vervolgens met gebruiks‑ en governance‑signalementen. Het geautomatiseerde labelingsysteem kan assets dynamisch classificeren als eigenschappen zoals “AI‑ready”, “PII‑free”, “healthy” of “certified” op basis van regels die door de organisatie zijn vastgesteld. Deze classificaties worden bijgewerkt zodra de onderliggende data‑omgeving verandert.

Euno biedt ook workflows die kunnen reageren wanneer die voorwaarden wijzigen. Organisaties kunnen bijvoorbeeld niet‑gecertificeerde dashboards identificeren die plotseling intensief worden gebruikt, de verspreiding van persoonlijk identificeerbare informatie (PII) volgen, niet‑gedocumenteerde modellen markeren of metriek‑sets naar voren halen die niet langer aan interne kwaliteitsnormen voldoen.

Het bedrijf heeft haar eigen Euno Query Language (EQL) ontwikkeld om relaties binnen de graaf te navigeren. Euno stelt dat de graaf‑gebaseerde architectuur agenten in staat stelt om onderling verbonden metadata met minder queries op te halen, waardoor mogelijk de hoeveelheid context die in een model moet worden ingevoerd, wordt verminderd.

Belangrijk is dat het platform is ontworpen om naast de bestaande enterprise‑data‑infrastructuur te bestaan in plaats van deze te vervangen. Euno ondersteunt integraties met data‑warehouses en platformen zoals Snowflake en Databricks; transformatietools waaronder dbt; en business‑intelligence‑platformen waaronder Tableau, Looker, Power BI, ThoughtSpot, Sigma en Omni.

Context rechtstreeks in AI‑systemen integreren

Een ander onderdeel van Euno’s strategie is deze organisatorische context direct toegankelijk maken voor AI‑agenten van derden.

Het bedrijf exploiteert een Model Context Protocol (MCP)‑server via welke tools zoals Claude, Cursor, Visual Studio Code Copilot en andere compatibele systemen de enterprise‑context van Euno kunnen bevragen. Agenten kunnen die tools gebruiken om resources te vinden, upstream lineage te inspecteren, impact‑analyses uit te voeren, documentatie te doorzoeken of EQL‑queries te genereren en uit te voeren.

Euno heeft bovendien integraties gedocumenteerd met systemen waaronder Snowflake Intelligence, waarmee wordt aangetoond hoe haar contextlaag effectief een tussenlaag kan worden tussen algemene AI‑modellen en de onderliggende data‑estate van een onderneming.

Die positionering weerspiegelt een bredere verschuiving in enterprise‑AI. Naarmate de toegang tot capabele modellen steeds meer een commodity wordt, kan differentiatie zich verplaatsen naar de propriëtaire informatie rondom die modellen: organisatorische processen, permissies, relaties, historische beslissingen, definities en feedback uit eerdere agent‑activiteit.

Context kan deel uitmaken van de Enterprise‑AI‑moat

Euno stelt dat deze opgebouwde context in de loop der tijd waardevoller kan worden.

Wanneer een agent een taak uitvoert, kan het systeem informatie vastleggen over hoe de context werd gebruikt en die signalen terugvoeden naar de enterprise‑contextlaag. In theorie creëert dit een feedback‑lus waarin een organisatie geleidelijk een rijkere machine‑leesbare weergave opbouwt van hoe haar bedrijfsvoering werkt.

Dit adresseert ook een van de centrale uitdagingen voor agent‑gedreven AI‑implementaties: governance. Een autonome agent toegang geven tot enterprise‑systemen zonder te begrijpen welke informatie hij kan ophalen of hoe die geïnterpreteerd moet worden, brengt operationele en veiligheidsrisico’s met zich mee. Euno’s aanpak combineert context‑gebaseerde retrieval met rol‑bewuste governance zodat een agent informatie ontvangt die passend is voor zijn taak en permissies, in plaats van onbeperkte toegang tot de volledige omgeving.

Het bedrijf zegt dat haar platform enterprise‑metadata leest in plaats van de onderliggende bedrijfsdata zelf, een architecturaal onderscheid dat bedoeld is om datablootstelling te verminderen terwijl het systeem toch relaties kan in kaart brengen en agenten operationele context kan bieden.

Euno werkt al met enterprise‑klanten waaronder AlphaSense en Zayo Group, terwijl de website ook implementaties documenteert met bedrijven zoals Bolt.

Voor de bredere AI‑industrie reikt de betekenis van Euno’s Series A verder dan een nieuwe financieringsronde voor enterprise‑infrastructuur. Foundation‑modellen worden snel capabeler en steeds meer uitwisselbaar voor vele workloads. Als die trend zich voortzet, zal een van de moeilijkere problemen zijn om die modellen een betrouwbaar begrip te geven van de organisaties waarin ze opereren.

Dat zou context‑infrastructuur, in plaats van het onderliggende model zelf, tot een van de meest consequentiale lagen van de opkomende enterprise‑AI‑stack kunnen maken.