Prevalent AI arrecada $22 milhões para ampliar o contexto empresarial confiável para sistemas de IA

Prevalent AI arrecadou $22 milhões em capital de crescimento da Integrity Growth Partners (IGP), marcando o primeiro investimento externo primário na história de nove anos da empresa, sediada em Londres. O financiamento chega enquanto as empresas enfrentam um problema crescente ao lado da rápida adoção da inteligência artificial: os sistemas de IA podem estar se tornando mais capazes, mas suas decisões são tão confiáveis quanto os dados organizacionais e o contexto disponíveis para eles.

Fundada em 2017, a Prevalent AI permaneceu bootstrapped e, segundo a empresa, lucrativa desde que garantiu seu primeiro cliente. A companhia afirma que a receita recorrente anual mais que dobrou no último ano. O novo capital será direcionado para expandir sua organização comercial global, acelerar sua expansão nos EUA, reforçar sua equipe de liderança e estender a tecnologia originalmente desenvolvida para cibersegurança a riscos empresariais mais amplos e aplicações de IA.

Primeiro capital externo após nove anos

O financiamento é notável em parte porque a Prevalent AI seguiu uma rota relativamente incomum pelo mercado de cibersegurança. Em vez de depender de rodadas de venture capital repetidas para financiar o crescimento, a empresa passou quase uma década construindo a partir da receita de grandes clientes corporativos antes de captar capital institucional primário.

Prevalent AI foi cofundada pelo CEO Paul Stokes e pelo COO Arun Raj, com raízes na comunidade de inteligência do Reino Unido. A empresa diz que sua equipe fundadora inclui ex‑integrantes da Government Communications Headquarters (GCHQ), experiência que ajudou a moldar seu foco em conectar informações fragmentadas em ambientes onde dados incompletos ou imprecisos podem gerar consequências operacionais significativas.

ISTARI, que conta com o apoio da empresa de investimentos de Cingapura Temasek, tornou‑se acionista minoritária em 2021 por meio de uma transação secundária, mas o novo investimento da IGP representa o primeiro capital primário que vai diretamente para a empresa.

Transformando dados empresariais fragmentados em contexto

O problema central que a Prevalent AI tenta resolver não é a escassez de dados corporativos. É que os dados necessários para tomar uma decisão costumam estar distribuídos por dezenas ou até centenas de sistemas que descrevem a mesma organização de maneiras diferentes.

Uma equipe de segurança, por exemplo, pode depender de scanners de vulnerabilidades, plataformas de endpoints, sistemas de identidade, infraestrutura de nuvem, bancos de dados de gerenciamento de configuração, softwares de tickets e ferramentas operacionais. Cada sistema contém uma parte do panorama, com registros duplicados, identificadores conflitantes e relacionamentos incompletos entre ativos.

A Security Data Fabric da Prevalent AI foi projetada para ingerir informações desses diferentes sistemas, normalizá‑las, resolver inconsistências e mapear relacionamentos entre ativos, identidades, vulnerabilidades, aplicativos, controles e outras informações operacionais. Os dados resultantes são mantidos como um grafo de conhecimento continuamente atualizado, em vez de outro banco de dados de segurança isolado.

Essa distinção torna‑se cada vez mais importante quando agentes de IA entram em cena. Humanos podem, às vezes, reconhecer que dois registros ligeiramente diferentes se referem ao mesmo servidor, funcionário ou aplicativo. Um agente automatizado que toma decisões em velocidade de máquina precisa que esses relacionamentos estejam estabelecidos de forma mais confiável com antecedência.

Como funciona a tecnologia da Prevalent AI

No nível de integração, a Prevalent AI usa DataBridge para conectar nuvem, Software‑as‑a‑Service (SaaS), ambientes on‑premises e sistemas operacionais. A plataforma então aplica resolução de entidades para reconciliar registros e construir uma representação unificada do ambiente empresarial.

O grafo de conhecimento adiciona outra camada ao conectar essas entidades por meio de seus relacionamentos. Em vez de tratar uma vulnerabilidade como um achado isolado, por exemplo, o sistema pode vinculá‑la ao ativo afetado, à importância comercial do ativo, ao seu proprietário, às identidades associadas, aos controles de segurança existentes e às informações de ameaça relevantes.

As ferramentas de gerenciamento de exposição da Prevalent utilizam esse contexto para identificar onde o risco está concentrado e priorizar a remediação. A plataforma também pode correlacionar achados entre ferramentas para reduzir registros de vulnerabilidades duplicados e monitorar continuamente mudanças em ativos, identidades e infraestrutura.

A IA generativa está sendo adicionada sobre essa base estruturada, em vez de ser solicitada a interpretar dados brutos da empresa de forma independente. A ferramenta Navigator da Prevalent, por exemplo, permite que usuários consultem informações mantidas no grafo de conhecimento por meio de uma interface de IA generativa.

A empresa também oferece o DataForge, que gera conjuntos de dados sintéticos sincronizados para desenvolvimento de IA, teste de modelos e garantia de qualidade, sem exigir que dados de produção sensíveis sejam expostos durante a experimentação.

Além da cibersegurança

A cibersegurança foi um ponto de partida natural porque informações incompletas podem afetar imediatamente decisões sobre vulnerabilidades, identidades, incidentes e controles. Mas a Prevalent AI vê cada vez mais sua tecnologia subjacente como infraestrutura empresarial, e não como um produto exclusivo de segurança.

A empresa afirma que clientes já ampliaram a mesma base de dados para áreas como análise de crimes financeiros, inteligência operacional, conformidade, automação e fluxos de trabalho impulsionados por IA, sem reconstruir a arquitetura subjacente.

Essa oportunidade mais ampla é uma das principais razões por trás do novo financiamento.

Para agentes de IA em particular, o desafio está mudando cada vez mais de “o modelo é inteligente o suficiente para executar a tarefa” para “ele tem acesso a informações precisas sobre a organização em que opera”. Um agente pode ser capaz de identificar uma vulnerabilidade de segurança, investigar uma conta ou acionar um fluxo de trabalho automatizado, mas sua utilidade diminui rapidamente se não puder determinar de forma confiável quais sistemas existem, como eles estão conectados, quem os possui ou quais políticas regem suas ações.

A Prevalent AI está efetivamente apostando que o contexto empresarial se tornará uma camada importante da pilha de IA, especialmente para organizações onde os agentes devem executar ações em vez de apenas gerar respostas.

Por que a IA empresarial eleva os riscos

O momento do financiamento reflete uma mudança mais ampla na IA empresarial. As organizações estão começando a ir além de copilotos independentes, avançando para agentes capazes de interagir com infraestrutura, aplicativos e processos de negócios.

Essa transição aumenta as consequências de dados subjacentes de baixa qualidade.

A Prevalent AI argumenta que sua arquitetura soberana é particularmente relevante nesses ambientes. Sua plataforma foi projetada para operar dentro da infraestrutura controlada pelo cliente, mantendo os dados empresariais sob o controle da organização, em vez de exigir que o grafo de conhecimento operacional dependa de infraestrutura compartilhada ou de um provedor de modelo específico.

Para setores altamente regulamentados, isso pode se tornar uma consideração importante à medida que as empresas experimentam conceder aos sistemas de IA mais acesso a informações internas sensíveis e maior autoridade para executar ações.

Por que o contexto confiável pode se tornar crítico para a IA empresarial

À medida que os sistemas de IA passam de gerar recomendações para executar ações dentro das empresas, a qualidade dos dados que os cercam se tornará cada vez mais importante. Um agente encarregado de investigar um incidente de segurança, aprovar um fluxo de trabalho ou responder a um problema operacional precisa de mais do que acesso a bancos de dados individuais. Ele necessita de uma visão precisa de como ativos, identidades, aplicativos, políticas e processos de negócios se relacionam entre si.

Isso cria um desafio de infraestrutura crescente para as empresas. Muitas organizações acumularam anos de plataformas de software desconectadas, registros duplicados e convenções de nomenclatura inconsistentes. Modelos de linguagem grande podem facilitar a consulta a essas informações, mas não resolvem automaticamente contradições nem determinam qual fonte deve ser confiável. Sem uma camada de contexto confiável, IA mais autônoma poderia simplesmente permitir que problemas de dados existentes influenciassem decisões em velocidade e escala maiores.

Grafos de conhecimento e data fabrics, portanto, podem se tornar uma parte importante da emergente arquitetura de IA empresarial. Em vez de substituir bancos de dados ou modelos de IA, esses sistemas podem ficar entre eles, reconciliando informações continuamente e mantendo relacionamentos que os agentes podem usar ao decidir quais ações tomar.

As implicações também se estendem muito além da cibersegurança. Problemas semelhantes existem na detecção de fraudes, conformidade regulatória, gestão da cadeia de suprimentos, operações de TI e outras áreas onde decisões dependem de informações distribuídas em múltiplos sistemas. À medida que as empresas implantam agentes nessas funções, manter uma representação consistente da organização pode se tornar cada vez mais necessário.

Isso também pode mudar a forma como as empresas avaliam a infraestrutura de IA. O desempenho do modelo continuará importante, mas as organizações podem dar maior ênfase à proveniência, atualidade e relacionamentos dos dados que alimentam esses modelos. Nesse ambiente, a vantagem competitiva pode não vir apenas de ter um modelo de IA mais capaz, mas de proporcionar a esse modelo uma compreensão mais precisa da empresa na qual ele opera.