PuppyGraph haalt 10 miljoen dollar op in Series A na zevenvoudiging van de jaarlijkse terugkerende omzet

PuppyGraph maakte bekend dat het op 10 november 2026 een Series A-financieringsronde van 10 miljoen dollar heeft afgesloten onder leiding van Particle Future, met deelname van defy.vc, om de engineering en de commerciële activiteiten gericht op grote ondernemingen uit te breiden. Door deze financiering komt de totale opgehaalde financiering van de ontwikkelaar van de grafiekquery-engine op 15 miljoen dollar.

De financieringsronde volgt op de algemene beschikbaarheid van PuppyGraph 1.0. PuppyGraph meldde dat de jaarlijkse terugkerende omzet het afgelopen jaar zevenvoudig is gegroeid. Tot de klanten behoren AMD, Palo Alto Networks, Coinbase, Trend Micro, Datadog en Sola Security.

Bedrijfsgegevens bevragen zonder ze te verplaatsen

PuppyGraph richt zich op AI-agenten die bedrijfsvraagstukken over afdelingen heen onderzoeken, in plaats van alleen SQL te genereren voor een bekende dataset. Een agent moet mogelijk verbanden volgen tussen klanten, producten, onderdelen en leveranciers. Naarmate het aantal tabellen toeneemt, nemen schemabeschrijvingen meer ruimte in het contextvenster in en groeit het aantal mogelijke join-paden.

De engine voert grafiekberekeningen rechtstreeks uit op ondersteunde databases, datawarehouses en datameren. Gegevens blijven staan in systemen zoals Apache Iceberg, Databricks, Snowflake, PostgreSQL en Microsoft Fabric. Daardoor zijn geen aparte grafiekdatabase, afzonderlijke kopie van de grafiek of bijbehorende laadprocessen nodig. Applicaties kunnen SQL blijven gebruiken voor filters en aggregaties en tegelijk grafiekquery’s inzetten voor vraagstukken waarbij verbanden centraal staan.

Een ontologie bevat goedgekeurde bedrijfsentiteiten en relaties en biedt agenten daarmee geldige onderzoekspaden. De schemabouwer van PuppyGraph, die door AI wordt ondersteund, stelt op basis van bestaande tabellen zo’n model voor. Datateams beoordelen en accorderen echter de zakelijke betekenis ervan. Compatibele AI-tools kunnen via MCP worden gekoppeld; gebruikers kunnen ook werken met de ingebouwde agent van PuppyGraph.

De engine wijst verwijzingen af naar entiteiten of relaties die niet in de ontologie voorkomen en geeft gestructureerde feedback om de query te corrigeren. Zo worden onopgemerkte fouten voorkomen die ontstaan wanneer een agent zelf een verband verzint en het resultaat als bewijs beschouwt. PuppyGraph waarschuwt dat validatie geen juiste conclusie garandeert: een agent kan nog steeds een ondeugdelijke hypothese volgen of een onvolledige analyse uitvoeren.

Prestaties en beheersmaatregelen

PuppyGraph meldde dat de engine voor ondersteunde workloads grafiekquery’s in minder dan een seconde uitvoert en agenten in staat stelt 3.000 bedrijfstabellen als één grafiek te bevragen. In een afzonderlijke benchmark van het bedrijf voerde een cluster van vier machines een query met 10 hops uit over miljarden kanten in 2,26 seconden. De prestaties zijn afhankelijk van de workload.

De snelheid beïnvloedt het verloop van onderzoeken: agenten toetsen meerdere hypothesen en een trage query kan de volgende analytische stap vertragen wanneer die afhankelijk is van het vorige resultaat. De benchmark is daarom relevant voor de vraag of diepgaande zoekopdrachten naar verbanden interactief kunnen blijven, en is niet alleen een maatstaf voor de ruwe querydoorvoer.

PuppyGraph 1.0 handhaaft ook ingestelde machtigingen op rijniveau tijdens alle grafiekdoorlopen, inclusief de tussenstappen. Rolgebaseerde toegangscontroles en gebruikersimpersonatie koppelen de toegang aan de identiteit van de gebruiker. Eenmalige aanmelding wordt ondersteund en beheerauditlogs registreren beheeractiviteiten. De automatische verstrekking van toegangsgegevens levert kortlopende, op de identiteit afgestemde gegevens voor platforms zoals Snowflake en Databricks, zonder dat gebruikers langdurig geldige toegangsgegevens hoeven bloot te leggen of te beheren.

Implementaties en uitbreidingsprioriteiten

Leon Goldberg, CTO van Sola Security, zei: „We draaien dagelijks AI-agenten op duizenden tabellen en miljarden kanten.” Ran Xia, engineeringdirecteur bij Palo Alto Networks, zei dat het bedrijf traversals met meerdere hops uitvoert op zijn bestaande dataplatform, zonder rijen te verplaatsen of te dupliceren. Daardoor hoeft het bijbehorende ETL-proces niet meer te worden onderhouden. Xinyu Liu, senior software engineer bij Coinbase, zei dat Coinbase rechtstreeks verbinding maakt met tabellen die worden beheerd in Snowflake en Databricks, en MCP gebruikt voor relatiequery’s in natuurlijke taal.

AMD begon met IT-workloads en breidt het gebruik uit naar gegevens over informatiebeveiliging en digitale marketing, meldde PuppyGraph. Die uitbreiding laat het bredere model van het bedrijf zien: wanneer een relatiekaart meer afdelingen met elkaar verbindt, kunnen agenten vraagstukken onderzoeken die voorheen bij organisatiegrenzen bleven steken.

Het bedrijf wil het nieuwe kapitaal gebruiken om minder werk te maken van het opzetten van grafiekmodellen, relatiequery’s op schaal van grote ondernemingen praktisch toepasbaar te maken en klanten te helpen agenten in productie te nemen. De grote uitdaging is om die onderzoeken uit te breiden zonder afbreuk te doen aan de door mensen goedgekeurde ontologie en de machtigingscontroles. Die bepalen welke relaties geldig zijn en welke gegevens iedere gebruiker kan zien.