PuppyGraph henter inn 10 millioner dollar i Serie A etter sjudobling av ARR

PuppyGraph kunngjorde 10. november 2026 at selskapet hadde hentet inn 10 millioner dollar i en Serie A-runde ledet av Particle Future, med deltakelse fra defy.vc, for å styrke ingeniørarbeidet og den kommersielle satsingen mot bedriftsmarkedet. Finansieringen bringer den samlede kapitalinnhentingen til utvikleren av grafspørringsmotoren opp i 15 millioner dollar.

Runden kommer etter at PuppyGraph 1.0 ble allment tilgjengelig. PuppyGraph opplyste at de årlige gjentakende inntektene (ARR) ble sjudoblet det siste året, og at kundene omfatter AMD, Palo Alto Networks, Coinbase, Trend Micro, Datadog og Sola Security.

Spørringer mot bedriftsdata der de ligger

PuppyGraph retter seg mot KI-agenter som undersøker forretningsspørsmål på tvers av avdelinger, i stedet for bare å generere SQL for et kjent datasett. En agent kan måtte følge relasjoner mellom kunder, produkter, komponenter og leverandører. Etter hvert som antallet tabeller øker, tar skjema­beskrivelser opp mer av kontekstvinduet, samtidig som antallet mulige koblingsveier øker.

Motoren utfører grafberegninger direkte mot databaser, datavarehus og datasjøer som støttes. Dataene blir liggende i systemer som Apache Iceberg, Databricks, Snowflake, PostgreSQL og Microsoft Fabric, slik at man unngår en egen grafdatabase, en separat grafkopi og tilhørende datainnlastingspipeliner. Applikasjoner kan fortsatt bruke SQL til filtrering og aggregering, samtidig som de kan velge grafspørringer for spørsmål der relasjoner står sentralt.

En ontologi definerer godkjente forretningsenheter og relasjoner og gir agentene gyldige veier for undersøkelsene. PuppyGraphs KI-assisterte skjemabygger foreslår en slik modell basert på eksisterende tabeller, men datateamene gjennomgår og godkjenner den forretningsmessige betydningen. Kompatible KI-verktøy kobles til via MCP, og brukerne kan også arbeide gjennom agenten som er innebygd i PuppyGraph.

Motoren avviser referanser til enheter eller relasjoner som ikke finnes i ontologien, og gir strukturert tilbakemelding som kan brukes til å korrigere spørringen. Dette motvirker skjulte feil som oppstår når en agent finner på en forbindelse og behandler resultatet som dokumentasjon. PuppyGraph understreker at validering ikke garanterer en riktig konklusjon, ettersom en agent fortsatt kan følge en dårlig hypotese eller gjennomføre en ufullstendig analyse.

Ytelse og styringskontroller

PuppyGraph opplyste at motoren støtter grafspørringer på under ett sekund for arbeidsbelastninger som støttes, og gjør det mulig for agenter å spørre på tvers av 3 000 bedriftstabeller som én samlet graf. I en separat test utført av selskapet fullførte en klynge med fire maskiner en spørring med 10 hopp over milliarder av kanter på 2,26 sekunder. Ytelsen avhenger av arbeidsbelastningen.

Hastigheten påvirker hvordan undersøkelsene forløper: Agenter tester flere hypoteser, og en treg spørring kan forsinke neste analysetrinn når dette avhenger av det foregående resultatet. Testresultatet sier derfor noe om hvorvidt omfattende søk etter relasjoner kan gjennomføres interaktivt, og er ikke bare et mål på rå spørringskapasitet.

PuppyGraph 1.0 håndhever også konfigurerte tillatelser på radnivå gjennom hele graftraverseringer, inkludert i mellomliggende trinn. Rollebaserte kontroller og brukere som opptrer på vegne av andre, knytter tilgangen til brukeridentiteten. Enkel pålogging støttes, mens administrative revisjonslogger registrerer administrasjonsaktivitet. Automatisk utstedelse av tilgangsopplysninger henter kortvarige, identitetsbaserte opplysninger for plattformer som Snowflake og Databricks, uten at brukerne må eksponere eller administrere langvarige tilgangsopplysninger.

Implementeringer og prioriteringer for videre vekst

Leon Goldberg, teknologidirektør i Sola Security, sa: «Vi kjører KI-agenter på tvers av tusenvis av tabeller og milliarder av kanter hver dag.» Ran Xia, teknisk direktør i Palo Alto Networks, sa at selskapet utfører traverseringer med flere hopp på sin eksisterende dataplattform uten å flytte eller duplisere rader, noe som eliminerer behovet for vedlikehold av den tilhørende ETL-pipelinen. Xinyu Liu, senior programvareingeniør på stabsnivå hos Coinbase, sa at Coinbase kobler seg direkte til tabeller som vedlikeholdes i Snowflake og Databricks, og bruker MCP til naturlige språkspørringer om relasjoner.

AMD begynte med IT-arbeidsbelastninger og utvider nå bruken til data om informasjonssikkerhet og digital markedsføring, opplyste PuppyGraph. Denne utvidelsen illustrerer selskapets bredere modell: Når et relasjonskart knytter til seg flere avdelinger, kan agenter undersøke spørsmål som tidligere ble stanset av organisatoriske grenser.

Selskapet planlegger å bruke den nye kapitalen til å redusere arbeidet med å sette opp grafmodeller, gjøre relasjonsspørringer praktiske i stor skala for bedrifter og hjelpe kundene med å sette agenter i produksjon. Hovedutfordringen er å utvide undersøkelsene uten å svekke den menneskegodkjente ontologien og tilgangskontrollene som avgjør hvilke relasjoner som er gyldige, og hvilke data hver bruker kan se.