PuppyGraph pozyskuje 10 mln USD w rundzie serii A po siedmiokrotnym wzroście rocznych przychodów powtarzalnych

PuppyGraph ogłosił 10 listopada 2026 r., że pozyskał 10 mln USD w rundzie serii A prowadzonej przez Particle Future, z udziałem defy.vc. Środki zostaną przeznaczone na rozwój zespołu inżynieryjnego i działań związanych z wejściem na rynek przedsiębiorstw. Dzięki tej rundzie łączne finansowanie firmy rozwijającej silnik zapytań grafowych wzrosło do 15 mln USD.

Runda nastąpiła po udostępnieniu PuppyGraph 1.0 w wersji ogólnodostępnej. PuppyGraph poinformował, że roczne przychody powtarzalne wzrosły siedmiokrotnie w ciągu ostatniego roku. Wśród klientów firmy są AMD, Palo Alto Networks, Coinbase, Trend Micro, Datadog i Sola Security.

Wykonywanie zapytań do danych przedsiębiorstwa bez ich przenoszenia

PuppyGraph jest przeznaczony dla agentów AI, które analizują zagadnienia biznesowe obejmujące różne działy, a nie tylko generują zapytania SQL dla znanego im zbioru danych. Agent może potrzebować prześledzić powiązania między klientami, produktami, komponentami i dostawcami. Wraz ze wzrostem liczby tabel opisy schematów zajmują coraz większą część jego okna kontekstowego, a liczba możliwych ścieżek łączenia danych rośnie.

Silnik wykonuje operacje grafowe bezpośrednio na obsługiwanych bazach danych, hurtowniach i jeziorach danych. Rekordy pozostają w systemach takich jak Apache Iceberg, Databricks, Snowflake, PostgreSQL i Microsoft Fabric, co pozwala uniknąć dedykowanej grafowej bazy danych, oddzielnej kopii grafu i związanych z nią potoków ładowania danych. Aplikacje nadal mogą używać SQL do filtrowania i agregowania danych, a w przypadku pytań dotyczących licznych powiązań — wykonywać zapytania grafowe.

Ontologia określa zatwierdzone jednostki biznesowe i relacje między nimi, wskazując agentom prawidłowe ścieżki analizy. Wspomagany przez AI kreator schematów PuppyGraph proponuje taki model na podstawie istniejących tabel, ale zespoły ds. danych weryfikują i zatwierdzają jego znaczenie biznesowe. Zgodne narzędzia AI łączą się za pośrednictwem MCP, a użytkownicy mogą też korzystać z wbudowanego agenta PuppyGraph.

Silnik odrzuca odwołania do jednostek lub relacji, których nie ma w ontologii, i zwraca uporządkowane informacje zwrotne ułatwiające poprawienie zapytania. Pozwala to zapobiegać niewykrywanym błędom, które powstają, gdy agent wymyśla powiązanie i traktuje uzyskany wynik jako dowód. PuppyGraph zastrzega, że walidacja nie gwarantuje poprawnego wniosku, ponieważ agent nadal może przyjąć błędną hipotezę lub przeprowadzić niepełną analizę.

Wydajność i mechanizmy kontroli zarządzania dostępem

PuppyGraph poinformował, że jego silnik obsługuje zapytania grafowe wykonywane w czasie krótszym niż sekunda dla obsługiwanych obciążeń i pozwala agentom odpytywać 3000 tabel przedsiębiorstwa tak, jakby tworzyły jeden graf. W osobnym teście porównawczym firmy klaster złożony z czterech maszyn wykonał zapytanie o głębokości 10 przeskoków przez miliardy krawędzi w 2,26 sekundy. Wydajność zależy od obciążenia.

Szybkość wpływa na przebieg analiz: agenci testują wiele hipotez, a wolne zapytanie może wstrzymać kolejny etap analizy, jeśli zależy on od poprzedniego wyniku. Dlatego test porównawczy pozwala ocenić, czy wyszukiwanie głębokich powiązań może odbywać się interaktywnie, a nie tylko mierzyć surową przepustowość zapytań.

PuppyGraph 1.0 egzekwuje również skonfigurowane uprawnienia na poziomie wierszy podczas całego przechodzenia przez graf, także na etapach pośrednich. Mechanizmy kontroli oparte na rolach i podszywanie się pod użytkownika wiążą dostęp z jego tożsamością. System obsługuje jednokrotne logowanie, a dzienniki audytowe administratora rejestrują działania związane z zarządzaniem. Mechanizm dostarczania poświadczeń pobiera krótkotrwałe poświadczenia uwzględniające tożsamość użytkownika dla platform takich jak Snowflake i Databricks, dzięki czemu użytkownicy nie muszą ujawniać ani samodzielnie zarządzać poświadczeniami o długim okresie ważności.

Wdrożenia i priorytety rozwoju

Leon Goldberg, dyrektor ds. technicznych w Sola Security, powiedział: „Codziennie uruchamiamy agentów AI na tysiącach tabel i miliardach krawędzi”. Ran Xia, dyrektor ds. inżynierii w Palo Alto Networks, powiedział, że firma wykonuje wieloetapowe przejścia przez graf na istniejącej platformie danych, bez przenoszenia ani powielania wierszy, eliminując tym samym konieczność utrzymywania powiązanego potoku ETL. Xinyu Liu, starszy inżynier oprogramowania w Coinbase, powiedział, że Coinbase łączy się bezpośrednio z tabelami zarządzanymi w Snowflake i Databricks oraz wykorzystuje MCP do zadawania w języku naturalnym pytań o relacje.

AMD rozpoczęło od obciążeń związanych z IT i rozszerza zastosowanie rozwiązania na dane dotyczące bezpieczeństwa informacji oraz marketingu cyfrowego — poinformował PuppyGraph. Ten rozwój pokazuje szerszy model działania firmy: gdy mapa powiązań obejmuje kolejne działy, agenci mogą analizować zagadnienia, których wcześniej nie dało się zbadać poza granicami organizacyjnymi.

Firma planuje przeznaczyć nowy kapitał na ograniczenie nakładu pracy potrzebnego do skonfigurowania modelu grafowego, ułatwienie wykonywania zapytań o relacje w skali przedsiębiorstwa oraz pomoc klientom we wdrażaniu agentów do środowisk produkcyjnych. Głównym wyzwaniem jest rozszerzanie zakresu tych analiz bez osłabiania zatwierdzanej przez ludzi ontologii i mechanizmów kontroli uprawnień, które określają, jakie relacje są prawidłowe i jakie dane może zobaczyć każdy użytkownik.