Prevalent AI haalt $22 miljoen op om vertrouwde ondernemingscontext voor AI‑systemen op te schalen

Prevalent AI heeft $22 miljoen groeikapitaal opgehaald van Integrity Growth Partners (IGP), wat de eerste primaire externe investering markeert in de negen jaar oude geschiedenis van het in Londen gevestigde bedrijf. De financiering komt op een moment dat bedrijven een groeiend probleem ondervinden naast de snelle adoptie van kunstmatige intelligentie: AI‑systemen worden wellicht capabeler, maar hun beslissingen zijn slechts zo betrouwbaar als de organisatorische gegevens en context die hen ter beschikking staan.

Opgericht in 2017, is Prevalent AI bootstrapped gebleven en, volgens het bedrijf, winstgevend sinds het binnenhalen van de eerste klant. Het bedrijf zegt dat de jaarlijkse terugkerende omzet het afgelopen jaar meer dan is verdubbeld. Het nieuwe kapitaal zal worden ingezet om de wereldwijde commerciële organisatie uit te breiden, de expansie naar de VS te versnellen, het leiderschapsteam te versterken en de technologie, die oorspronkelijk voor cyberbeveiliging is ontwikkeld, uit te breiden naar bredere ondernemingsrisico’s en AI‑toepassingen.

Eerste externe kapitaal na negen jaar

De financiering is opmerkelijk deels omdat Prevalent AI een relatief ongebruikelijke route via de cyberbeveiligingsmarkt heeft genomen. In plaats van te vertrouwen op herhaalde durfkapitaalrondes om groei te financieren, heeft het bedrijf bijna een decennium besteed aan het opbouwen rond inkomsten van grote ondernemingsklanten voordat het primaire institutionele kapitaal aantrok.

Prevalent AI is medeopgericht door CEO Paul Stokes en COO Arun Raj, met wortels in de Britse inlichtingengemeenschap. Het bedrijf zegt dat het oprichtingsteam alumni omvat van Government Communications Headquarters (GCHQ), een ervaring die heeft bijgedragen aan de focus op het verbinden van gefragmenteerde informatie in omgevingen waar onvolledige of onnauwkeurige gegevens aanzienlijke operationele gevolgen kunnen hebben.

ISTARI, gesteund door het Singaporese investeringsbedrijf Temasek, werd in 2021 via een secundaire transactie minderheidsaandeelhouder, maar de nieuwe IGP‑investering vertegenwoordigt het eerste primaire kapitaal dat rechtstreeks in het bedrijf wordt gestoken.

Gefragmenteerde ondernemingsdata omzetten in context

Het centrale probleem dat Prevalent AI probeert op te lossen is geen gebrek aan ondernemingsdata. Het is dat de gegevens die nodig zijn om een beslissing te nemen vaak verspreid zijn over tientallen of zelfs honderden systemen die dezelfde organisatie op verschillende manieren beschrijven.

Een beveiligingsteam kan bijvoorbeeld afhankelijk zijn van kwetsbaarheidsscanners, endpoint‑platformen, identiteitsystemen, cloudinfrastructuur, configuratiebeheerdatabases, ticketsystemen en operationele tools. Elk systeem bevat een deel van het geheel, met dubbele records, tegenstrijdige identifiers en onvolledige relaties tussen assets.

De Security Data Fabric van Prevalent AI is ontworpen om informatie van deze verschillende systemen te verzamelen, te normaliseren, inconsistenties op te lossen en relaties tussen assets, identiteiten, kwetsbaarheden, applicaties, controles en andere operationele informatie in kaart te brengen. De resulterende gegevens worden bewaard als een continu bijgewerkte kennisgrafiek in plaats van een geïsoleerde beveiligingsdatabase.

Dat onderscheid wordt steeds belangrijker wanneer AI‑agenten in het spel komen. Mensen kunnen soms herkennen dat twee licht verschillende records naar dezelfde server, werknemer of applicatie verwijzen. Een geautomatiseerde agent die beslissingen neemt met machinesnelheid heeft die relaties vooraf betrouwbaarder vastgesteld nodig.

Hoe de technologie van Prevalent AI werkt

Op het integratieniveau gebruikt Prevalent AI DataBridge om cloud‑, Software-as-a-Service (SaaS)‑, on‑premises‑ en operationele systemen te verbinden. Het platform past vervolgens entity‑resolution toe om records te reconciliëren en een eenduidige weergave van de ondernemingsomgeving te bouwen.

De kennisgrafiek voegt een extra laag toe door die entiteiten via hun relaties te verbinden. In plaats van een kwetsbaarheid als een geïsoleerde bevinding te behandelen, kan het systeem deze bijvoorbeeld koppelen aan het getroffen asset, de zakelijke belangrijkheid van het asset, de eigenaar, gerelateerde identiteiten, bestaande beveiligingscontroles en relevante dreigingsinformatie.

De exposure‑managementtools van Prevalent gebruiken deze context om te identificeren waar risico geconcentreerd is en prioriteit te geven aan herstel. Het platform van het bedrijf kan ook bevindingen over verschillende tools correleren om dubbele kwetsbaarheidsrecords te verminderen en continu veranderingen in assets, identiteiten en infrastructuur te monitoren.

Generatieve AI wordt bovenop die gestructureerde basis toegevoegd in plaats van te worden gevraagd ruwe ondernemingsdata zelfstandig te interpreteren. Het Navigator‑gereedschap van Prevalent stelt gebruikers bijvoorbeeld in staat om informatie die in de kennisgrafiek is opgeslagen via een generatieve AI‑interface op te vragen.

Het bedrijf biedt ook DataForge aan, dat gesynchroniseerde synthetische datasets genereert voor AI‑ontwikkeling, modeltesten en kwaliteitsborging, zonder dat gevoelige productiedata tijdens experimenten hoeven te worden blootgesteld.

Voorbij cyberbeveiliging gaan

Cyberbeveiliging was een natuurlijk startpunt omdat onvolledige informatie onmiddellijk beslissingen over kwetsbaarheden, identiteiten, incidenten en controles kan beïnvloeden. Maar Prevalent AI ziet haar onderliggende technologie steeds meer als ondernemingsinfrastructuur in plaats van een specifiek beveiligingsproduct.

Het bedrijf zegt dat klanten dezelfde datagrondslag al hebben uitgebreid naar gebieden zoals analyse van financiële criminaliteit, operationele intelligentie, compliance, automatisering en AI‑gedreven workflows, zonder de onderliggende architectuur opnieuw op te bouwen.

Deze bredere kans is een van de belangrijkste redenen voor de nieuwe financiering.

Voor AI‑agenten in het bijzonder verschuift de uitdaging steeds meer van de vraag of een model intelligent genoeg is om een taak uit te voeren, naar de vraag of het toegang heeft tot nauwkeurige informatie over de organisatie waarin het opereert. Een agent kan in staat zijn een beveiligingskwetsbaarheid te identificeren, een account te onderzoeken of een geautomatiseerde workflow te activeren, maar zijn bruikbaarheid daalt snel als hij niet betrouwbaar kan bepalen welke systemen bestaan, hoe ze met elkaar verbonden zijn, wie ze bezit of welke beleidsregels zijn acties regelen.

Prevalent AI wedt er feitelijk op dat ondernemingscontext een belangrijke laag van de AI‑stack zal worden, vooral voor organisaties waar van agenten wordt verwacht acties te ondernemen in plaats van alleen antwoorden te genereren.

Waarom enterprise‑AI de inzet vergroot

De timing van de financiering weerspiegelt een bredere verschuiving in enterprise‑AI. Organisaties beginnen verder te gaan dan zelfstandige copiloten en richten zich op agenten die kunnen interageren met infrastructuur, applicaties en bedrijfsprocessen.

Die overgang vergroot de gevolgen van slechte onderliggende data.

Prevalent AI stelt dat haar soevereine architectuur bijzonder relevant is in deze omgevingen. Het platform is ontworpen om te opereren binnen infrastructuur die door de klant wordt beheerd, waardoor ondernemingsdata onder controle van de organisatie blijven in plaats van dat de operationele kennisgrafiek afhankelijk moet zijn van gedeelde infrastructuur of een specifieke modelprovider.

Voor sterk gereguleerde sectoren kan dit een belangrijke overweging worden naarmate bedrijven experimenteren met het geven van meer toegang tot gevoelige interne informatie en meer bevoegdheid aan AI‑systemen om acties te ondernemen.

Waarom vertrouwde context cruciaal kan worden voor enterprise‑AI

Naarmate AI‑systemen evolueren van het genereren van aanbevelingen naar het ondernemen van acties binnen bedrijven, wordt de kwaliteit van de data rondom die systemen steeds belangrijker. Een agent die belast is met het onderzoeken van een beveiligingsincident, het goedkeuren van een workflow of het reageren op een operationeel probleem, heeft meer nodig dan toegang tot afzonderlijke databases. Hij heeft een nauwkeurig beeld nodig van hoe assets, identiteiten, applicaties, beleidsregels en bedrijfsprocessen met elkaar samenhangen.

Dit schept een groeiende infrastructuuruitdaging voor ondernemingen. Veel organisaties hebben jaren aan losgekoppelde softwareplatformen, dubbele records en inconsistente naamgevingsconventies opgehoopt. Grote taalmodellen kunnen deze informatie makkelijker doorzoekbaar maken, maar ze lossen tegenstrijdigheden niet automatisch op of bepalen welke bron betrouwbaar is. Zonder een betrouwbare contextlaag zou meer autonome AI simpelweg bestaande dataproblemen kunnen laten doorwerken in beslissingen met hogere snelheid en schaal.

Kennisgrafieken en data‑fabrics kunnen daarom een belangrijk onderdeel worden van de opkomende enterprise‑AI‑architectuur. In plaats van databases of AI‑modellen te vervangen, kunnen deze systemen ertussen geplaatst worden, continu informatie reconciliëren en relaties onderhouden die agenten kunnen gebruiken bij het bepalen van welke acties ze moeten ondernemen.

De implicaties reiken ook ver buiten cyberbeveiliging. Vergelijkbare problemen bestaan bij fraudedetectie, regelgevende compliance, supply‑chain‑beheer, IT‑operaties en andere gebieden waar beslissingen afhankelijk zijn van informatie die over meerdere systemen is verspreid. Naarmate bedrijven agenten in deze functies inzetten, kan het steeds noodzakelijker worden om een consistente weergave van de organisatie te behouden.

Dit zou ook de manier kunnen veranderen waarop ondernemingen AI‑infrastructuur evalueren. Modelprestaties blijven belangrijk, maar organisaties kunnen meer nadruk leggen op de herkomst, actualiteit en relaties van de data die die modellen voedt. In die omgeving kan het concurrentievoordeel niet uitsluitend voortkomen uit een capabeler AI‑model, maar uit het geven van een nauwkeuriger begrip van de onderneming waarin het model opereert.