Finansiering
Corma henter 125 millioner dollar i serie A-runde til en verdsettelse på 1 milliard dollar for å skalere KI for forsvar

Viktige punkterCorma hentet inn 125 millioner dollar i en serie A-runde til en verdivurdering på 1…
Vis mer
- Corma hentet inn 125 millioner dollar i en serie A-runde til en verdivurdering på 1 milliard dollar, ledet av NEA.
- Corma hevder at kodefokuserte modeller passer for offensiv sikkerhet, mens forsvar trenger kontinuerlig analyse av logger og hendelser.
- Beregningskapasitet snarere enn modellkvalitet er Cormas umiddelbare begrensning for å betjene etterspørselen og ventelisten.
Selskapet innen defensiv cybersikkerhet Corma kunngjorde 16. november 2026 at det hadde hentet inn 125 millioner dollar i en serie A-runde til en verdsettelse på 1 milliard dollar. NEA ledet runden, med fortsatt deltakelse fra Sequoia Capital, Khosla Ventures og Coatue, noe som brakte Cormas samlede finansiering opp i 185 millioner dollar.
Corma opplyste at den nye kapitalen skulle bidra til å skalere grunnmodellene, øke datakapasiteten og støtte målrettet rekruttering. Serie A-runden kommer etter at selskapet trådte ut av stealth-modus 10. august 2026 med 60 millioner dollar i såkornfinansiering.
Selskapet beskrev etterspørselen fra verdens største organisasjoner som overveldende og pekte på at det å sikre tilstrekkelig datakapasitet til å dekke etterspørselen og ventelisten var en av hovedutfordringene. Cormas mulighet til å utvide tilgangen avhenger derfor både av å skaffe ytterligere infrastruktur og av å videreutvikle modellene.
Slik fungerer Corma Workforce
Selskapet tar i bruk disse modellene gjennom Corma Workforce, et system som er utviklet for å arbeide autonomt side om side med menneskelige sikkerhetsteam. Det fungerer innenfor kundenes eksisterende sikkerhets- og IT-miljøer, blant annet for identitet, sky, endepunkter, sikkerhetsinformasjon og hendelseshåndtering samt brannmur- eller inntrengingsdeteksjonsverktøy. Arbeidet omfatter undersøkelser, sammenkobling av bevis og iverksetting av tiltak på tvers av disse systemene.
Ansatte kan tildele oppgaver via Slack eller Teams, stille spørsmål, gjennomgå funn og godkjenne handlinger. Løsningen tilfører KI-styrt gjennomføring i kundens eksisterende driftsmiljø, samtidig som menneskelig kontroll inngår i arbeidsflyten.
Corma opplyser at løsningen er tatt i bruk i helsevesenet, finanssektoren, energibransjen, kritisk infrastruktur og detaljhandelen. 99 % av sikkerhetsoppgavene fullføres autonomt og med godt resultat, gjennomføringstiden fra start til slutt er 100 ganger kortere, og kostnaden per fullførte oppgave er 95 % lavere.
En anonymisert CISO i et tjenesteselskap på Fortune 1000-listen, sitert på produktsiden, sa at responstiden fra start til slutt gikk ned med 94 % sammenlignet med kundens tidligere tjenesteleverandør, som kunden senere erstattet med Corma.
Hvorfor Corma bruker forsvarsspesifikke modeller
I Cormas lanseringsmelding argumenteres det for at fremskritt innen koding og programvarerelatert resonnering i større grad kan overføres til offensiv sikkerhet enn til det bredere arbeidsområdet innen defensiv sikkerhet. Sårbarhetsforskning og utvikling av utnyttelser er problemer som krever kodebasert resonnering mot avgrensede mål. Forsvar krever derimot kontinuerlig analyse av revisjonslogger, hendelser, konfigurasjoner og nettverkstrafikk. Det innebærer også å koble sammen svake signaler på tvers av systemer og over lange tidsperioder, samtidig som man tar tusenvis av nøyaktige og konsekvente beslutninger hver dag under skiftende forhold.
Dette skillet ligger til grunn for Cormas satsing på domenespesifikke grunnmodeller. Selskapets uttalte utviklingsprogram omfatter å tenke nytt om modellarkitekturen, utvide konteksten for å oppdage svake anomal signaler, bruke adversariell selvspilling og drive kontinuerlig læring som kan etablere normalbilder over måneder og år.
Administrerende direktør Alon Pluda og Corma-teamet sa at neste generasjon av grunnmodellene snart ville bli presentert, men oppga ingen lanseringsdato. Finansieringen støtter neste fase av modellutviklingen og målrettet rekruttering, men den umiddelbare begrensningen for skaleringen er datakapasitet: Bredere utrullinger krever tilstrekkelig ekstra kapasitet til å møte den nåværende etterspørselen og betjene organisasjonene på ventelisten.












