Euno får $23 M i Series A‑finansiering for å bygge et kontekstlag for bedrifts‑AI‑agenter

Euno har hentet $23 millioner i Series A‑finansiering for å utvide sin bedrifts‑AI‑kontekstplattform, ettersom selskaper i økende grad står overfor et problem som bedre grunnleggende modeller alene ikke kan løse: å gi AI‑agenter tilstrekkelig organisasjonskunnskap til pålitelig å arbeide med komplekse forretningsdata.

Runden ble ledet av N47, med deltakelse fra eksisterende investor 10D og en gruppe teknologigründere og ledere som inkluderer Wiz‑medgründer Yinon Kostika, Cyera‑medgründer og administrerende direktør Yotam Segev, Eon‑medgründer og administrerende direktør Ofir Ehrlich, Tavily‑gründer Rotem Weiss, samt tidligere administrerende direktør og president i Tableau, Mark Nelson. Finansieringen bringer Eunos totale kapital til $29 millioner.

Euno ble grunnlagt i 2023 av Sarah Levy og Eyal Firstenberg, og planlegger å bruke den nye kapitalen hovedsakelig til å utvide salg og markedsføring samtidig som de øker investeringene i AI‑forskning. Selskapet, som opererer i USA og Israel og har nesten 30 ansatte, forventer å omtrent doble arbeidsstyrken innen årsskiftet.

Flaskehalsen i bedrifts‑AI skifter mot kontekst

Den raske forbedringen av store språkmodeller har gjort det stadig mer gjennomførbart å sette i drift AI‑agenter som kan forespørre databaser, generere analyser, skrive kode og automatisere forretningsprosesser. Men å koble en agent til bedriftsystemer introduserer en annen utfordring: å vite hvilken informasjon som er autoritativ.

En stor organisasjon kan ha tusenvis av tabeller, dashbord, måleverdier, datamodeller og konkurrerende definisjoner av det samme forretningskonseptet. En AI‑agent som blir bedt om å beregne inntekt, for eksempel, trenger mer enn tilgang til en database. Den må vite hvilken inntektsmåling som er godkjent, hvilke tabeller som er oppdaterte, hvordan målingen beregnes, hvor inputene kommer fra, og om den forespørrende brukeren har tillatelse til å få tilgang til den underliggende informasjonen.

Euno forsøker å omgjøre denne institusjonelle kunnskapen til maskinlesbar infrastruktur.

Plattformen bygger kontinuerlig en levende kontekstgraf som innlemmer informasjon som datalinje, bruk, eierskap, forretningslogikk, helsesignaler og styringsstatus. I stedet for å presentere hver tilgjengelige ressurs for en agent, kan systemet levere kontekst som er relevant for den spesifikke brukeren, oppgaven og beslutningen som tas.

Dette skillet kan bli stadig viktigere etter hvert som selskaper går fra AI‑systemer som svarer på spørsmål til autonome agenter som kan utføre handlinger på tvers av flere bedriftsystemer.

“Modellene blir stadig bedre og billigere, men den langsiktige AI‑fordelen for bedrifter vil i økende grad komme fra den akkumulerte oversikten over hvordan arbeidet utføres,” sa Euno‑medgründer og administrerende direktør Sarah Levy.

Omforme metadata til infrastruktur for AI‑agenter

Eunos teknologi bygger på metadata, informasjonen som beskriver hvor data kommer fra, hvordan de transformeres, hvem som bruker dem, og hvordan ulike ressurser forholder seg til hverandre.

Plattformen kartlegger kolonnenivå‑linje på tvers av lagre, analysesystemer, dashbord og måleverdier, og kombinerer deretter denne informasjonen med bruks‑ og styringssignaler. Det automatiserte merkingssystemet kan dynamisk klassifisere ressurser som egenskaper som «AI‑klar», «PII‑fri», «sunne» eller «sertifiserte» basert på regler fastsatt av organisasjonen. Disse klassifiseringene oppdateres etter hvert som det underliggende data‑miljøet endres.

Euno tilbyr også arbeidsflyter som kan reagere når disse forholdene endres. Organisasjoner kan for eksempel identifisere usertifiserte dashbord som plutselig blir hyppig brukt, spore spredning av personlig identifiserbar informasjon (PII), flagge udokumenterte modeller, eller avdekke måleverdier som ikke lenger oppfyller interne kvalitetsstandarder.

Selskapet har bygget sin egen Euno Query Language (EQL) for å navigere relasjoner i grafen. Euno hevder at den grafbaserte arkitekturen gjør det mulig for agenter å hente sammenknyttede metadata med færre spørringer, noe som potensielt reduserer mengden kontekstuell informasjon som må overføres til en modell.

Viktig er at plattformen er designet for å ligge ved siden av eksisterende bedrifts‑datainfrastruktur i stedet for å erstatte den. Euno støtter integrasjoner som spenner over datalagre og plattformer som Snowflake og Databricks; transformasjonsverktøy inkludert dbt; og forretningsintelligens‑plattformer som Tableau, Looker, Power BI, ThoughtSpot, Sigma og Omni.

Bringe kontekst direkte inn i AI‑systemer

En annen komponent i Eunos strategi er å gjøre denne organisatoriske konteksten direkte tilgjengelig for tredjeparts‑AI‑agenter.

Selskapet driver en Model Context Protocol (MCP)‑server som gjør det mulig for verktøy som Claude, Cursor, Visual Studio Code Copilot og andre kompatible systemer å forespørre Eunos bedriftskontekst. Agenter kan bruke disse verktøyene til å finne ressurser, inspisere oppstrøms‑linje, utføre påvirkningsanalyse, søke i dokumentasjon, eller generere og kjøre EQL‑spørringer.

Euno har også dokumentert integrasjoner med systemer inkludert Snowflake Intelligence, som illustrerer hvordan deres kontekstlag effektivt kan bli en mellommann mellom generelle AI‑modeller og en bedrifts underliggende data‑eiendom.

Denne posisjoneringen gjenspeiler en bredere endring som skjer innen bedrifts‑AI. Etter hvert som tilgang til kapable modeller blir stadig mer standardisert, kan differensieringen skifte mot den proprietære informasjonen som omgir modellene: organisatoriske prosesser, tillatelser, relasjoner, historiske beslutninger, definisjoner og tilbakemeldinger fra tidligere agent‑aktivitet.

Kontekst kan bli en del av bedrifts‑AI‑forsvarsverket

Euno hevder at denne akkumulerte konteksten kan bli mer verdifull over tid.

Når en agent utfører en oppgave, kan systemet fange informasjon om hvordan konteksten ble brukt og sende disse signalene tilbake til bedriftskontekstlaget. I teorien skaper dette en tilbakemeldingssløyfe der en organisasjon gradvis bygger en rikere maskinlesbar representasjon av hvordan virksomheten opererer.

Dette adresserer også en av de sentrale utfordringene ved agentbaserte AI‑utrullinger: styring. Å gi en autonom agent tilgang til bedriftsystemer uten å forstå hvilken informasjon den kan hente eller hvordan den skal tolke den, introduserer drifts‑ og sikkerhetsrisikoer. Eunos tilnærming kombinerer kontekstuell henting med rollebevisst styring slik at en agent får informasjon som er passende for oppgaven og tillatelsene, i stedet for ubegrenset tilgang til hele miljøet.

Selskapet sier at plattformen leser bedriftsmetadata i stedet for de underliggende forretningsdataene, en arkitektonisk distinksjon som er ment å redusere dataeksponering samtidig som systemet kan kartlegge relasjoner og gi agenter operasjonell kontekst.

Euno jobber allerede med bedriftskunder som AlphaSense og Zayo Group, mens nettstedet også dokumenterer utrullinger som involverer selskaper som Bolt.

For den bredere AI‑industrien går betydningen av Eunos Series A utover en ny finansieringsrunde for bedriftsinfrastruktur. Grunnleggende modeller blir raskt mer kapable og stadig mer utskiftbare for mange arbeidsbelastninger. Hvis denne trenden fortsetter, vil en av de vanskeligste oppgavene være å gi disse modellene en pålitelig forståelse av organisasjonene de opererer i.

Det kan gjøre kontekstinfrastruktur, snarere enn den underliggende modellen selv, til ett av de mest betydningsfulle lagene i den fremvoksende bedrifts‑AI‑stabelen.