PuppyGraph capta US$ 10 milhões em rodada Série A após multiplicar por sete a receita recorrente anual

A PuppyGraph anunciou, em 10 de novembro de 2026, que captou US$ 10 milhões em uma rodada Série A liderada pela Particle Future, com participação da defy.vc, para ampliar as equipes de engenharia e de expansão comercial no mercado corporativo. Com o financiamento, o total captado pela desenvolvedora do mecanismo de consultas a grafos chega a US$ 15 milhões.

A rodada vem após a disponibilização geral do PuppyGraph 1.0. A PuppyGraph informou que sua receita recorrente anual multiplicou por sete no último ano e que entre seus clientes estão AMD, Palo Alto Networks, Coinbase, Trend Micro, Datadog e Sola Security.

Consultas a dados corporativos sem movê-los

O PuppyGraph foi desenvolvido para agentes de IA que investigam questões de negócios em diferentes departamentos, em vez de simplesmente gerar SQL para um conjunto de dados conhecido. Um agente pode precisar acompanhar as relações entre clientes, produtos, componentes e fornecedores; à medida que o número de tabelas cresce, as descrições do esquema ocupam mais espaço na janela de contexto e aumentam as possíveis combinações de junções.

O mecanismo executa operações de grafo diretamente em bancos de dados, data warehouses e data lakes compatíveis. Os registros permanecem em sistemas como Apache Iceberg, Databricks, Snowflake, PostgreSQL e Microsoft Fabric, sem necessidade de um banco de dados de grafos dedicado, de uma cópia separada do grafo ou dos respectivos pipelines de carregamento. Os aplicativos ainda podem usar SQL para filtros e agregações e, ao mesmo tempo, recorrer a consultas a grafos para questões que envolvam muitas relações.

Uma ontologia define as entidades e relações de negócio aprovadas, oferecendo aos agentes caminhos válidos de investigação. O construtor de esquemas do PuppyGraph, assistido por IA, propõe esse modelo com base nas tabelas existentes, mas as equipes de dados analisam e aprovam seu significado para os negócios. Ferramentas de IA compatíveis se conectam por meio do MCP, e os usuários também podem trabalhar com o agente integrado do PuppyGraph.

O mecanismo rejeita referências a entidades ou relações que não constem da ontologia e retorna comentários estruturados para corrigir a consulta. Isso evita erros silenciosos causados por um agente que inventa uma conexão e trata o resultado como evidência. A PuppyGraph ressalta que a validação não garante uma conclusão correta, pois o agente ainda pode seguir uma hipótese inadequada ou realizar uma análise incompleta.

Desempenho e controles de governança

A PuppyGraph informou que seu mecanismo oferece suporte a consultas a grafos em menos de um segundo para cargas de trabalho compatíveis e permite que agentes consultem 3.000 tabelas corporativas como um único grafo. Em um benchmark separado da empresa, um cluster de quatro máquinas concluiu uma consulta com 10 saltos que abrangia bilhões de arestas em 2,26 segundos; o desempenho depende da carga de trabalho.

A velocidade influencia o andamento das investigações: os agentes testam várias hipóteses, e uma consulta lenta pode atrasar a próxima etapa analítica quando ela depende do resultado anterior. Por isso, o benchmark ajuda a avaliar se buscas aprofundadas por relações podem continuar interativas, em vez de servir apenas como medida da capacidade bruta de processamento de consultas.

O PuppyGraph 1.0 também aplica as permissões configuradas em nível de linha durante todo o percurso pelo grafo, inclusive nas etapas intermediárias. Os controles baseados em funções e a personificação de usuários vinculam o acesso à identidade do usuário. Há suporte a logon único, e os registros de auditoria administrativa documentam as atividades de gestão. O provisionamento de credenciais obtém credenciais de curta duração e vinculadas à identidade para plataformas como Snowflake e Databricks, sem exigir que os usuários exponham ou gerenciem credenciais de longa duração.

Implantações e prioridades de expansão

Leon Goldberg, CTO da Sola Security, afirmou: “Executamos agentes de IA em milhares de tabelas e bilhões de arestas por dia.” Ran Xia, diretor de engenharia da Palo Alto Networks, disse que a empresa executa percursos com vários saltos em sua plataforma de dados existente, sem mover nem duplicar linhas, eliminando a manutenção associada dos pipelines de ETL. Xinyu Liu, engenheiro de software sênior da Coinbase, afirmou que a Coinbase se conecta diretamente a tabelas mantidas no Snowflake e no Databricks e usa o MCP para fazer consultas em linguagem natural sobre relações.

A AMD começou com cargas de trabalho de TI e está ampliando o uso para dados de segurança da informação e marketing digital, informou a PuppyGraph. Essa expansão ilustra o modelo mais amplo da empresa: à medida que um mapa de relações conecta outros departamentos, os agentes podem investigar questões que antes esbarravam nos limites organizacionais.

A empresa pretende usar o novo capital para reduzir o trabalho necessário à configuração dos modelos de grafos, viabilizar consultas a relações em escala corporativa e ajudar os clientes a colocar agentes em produção. O principal desafio é ampliar essas investigações sem enfraquecer a ontologia aprovada por pessoas e os controles de permissões que determinam quais relações são válidas e quais dados cada usuário pode ver.