DataBahn samlar in 40 miljoner dollar för att bygga ett agensbaserat kontrollskikt för företagsdata

DataBahn har samlat in 40 miljoner dollar i serie B-finansiering medan de försöker expandera infrastrukturen som företag använder för att förbereda, styra och leverera data till artificiella intelligenssystem.

Insight Partners ledde rundan, med befintliga investerare Forgepoint Capital, GTM Capital och S3 Ventures som också deltog. Investeringen gör att det Dallas-baserade företagets totala finansiering uppgår till 59 miljoner dollar, efter en serie A på 17 miljoner dollar som tillkännagavs i juni 2025.

DataBahn planerar att använda den nya kapitalen för forskning och utveckling, ytterligare produktfunktioner och den fortsatta expansionen av sin partnerledda försäljningsmodell. Företaget positionerar sin plattform som ett “agensbaserat datakontrollplan”, ett infrastrukturlager som avser att hantera hur företagsdata flyttar mellan operativa system, säkerhetsplattformar, lagringsmiljöer och AI-modeller.

Finansieringsrundan kommer när företag genererar mer telemetri än deras befintliga säkerhets- och analyssystem kan ekonomiskt bearbeta. Samtidigt kräver AI-agenter och copiloter tillgång till tillförlitlig företagskontext om de förväntas fatta användbara beslut eller vidta åtgärder på behalf av anställda.

Att gå bortom konventionella datapipelor

Traditionella företagsdatapipelor samlar vanligtvis in information från en källa och levererar den till en destination, till exempel en säkerhetsinformation- och händelsehanteringsplattform, datawarehouse eller molnlagringsystem.

Den modellen blir mindre effektiv när antalet datakällor, destinationer och konsumenter utökas. Ett företag kan behöva samla in loggar från molninfrastruktur, identitetssystem, slutpunkter, applikationer, industriutrustning och programvaror som en tjänst, samtidigt som de skickar olika delar av den informationen till säkerhetssystem, analyssystem, datalager och AI-applikationer.

Att flytta varje tillgänglig händelse till varje nedströmsystem kan skapa betydande lagrings-, bearbetnings- och molndataöverföringskostnader. Det kan också göra det svårare för analytiker och AI-modeller att hitta den information som verkligen är relevant.

DataBahn inför en hanteringslager mellan källorna och destinationerna. Deras plattform kan samla in, filtrera, normalisera, berika och dirigera information medan den flyttar, snarare än att kräva att varje nedströmsapplikation oberoende bearbetar den råa datan.

Företaget säger att deras teknik för närvarande stöder mer än 600 datakällor och är utformad för att förbli oberoende av någon särskild lagringsplattform, säkerhetsleverantör eller AI-modell. Detta gör det möjligt för kunder att ändra destinationer eller använda flera system utan att bygga om insamlingslagret runt varje leverantörs arkitektur.

DataBahn fokuserade initialt tungt på cybersäkerhetstelemetri men har sedan utvidgat sin plattform till att omfatta applikations-, observabilitets- och sakernas internet- och operativteknikdata.

Att förbereda företagsdata för AI-agenter

AI-komponenten i DataBahns strategi är inte begränsad till att lägga till en konversationsgränssnitt till en befintlig dataplattform.

Deras Cruz AI-system fungerar som en agensbaserad dataingenjör som hjälper till med arbete som traditionellt hanteras genom manuellt konfigurerade integreringar och parsningsregler. Programvaran övervakar inkommande datascheman, identifierar ändringar och kan generera uppdaterade parsare och mappningar när en källas format ändras.

Detta är viktigt eftersom företagsdatakällor sällan förblir statiska. Programvaruleverantörer introducerar nya fält, ändrar händelseformat och uppdaterar applikationsprogrammeringsgränssnitt. När dessa ändringar bryter en pipeline kan säkerhets- och dataingenjörsteam förlora synlighet tills integrationen repareras.

DataBahn beskriver Cruz som ett sätt att omvandla den processen till en godkännandebaserad arbetsflöde. Istället för att bygga varje anslutning eller parser från början kan systemet analysera den ändrade källan och förbereda en uppdaterad konfiguration för granskning.

Plattformen normaliserar också informationen till konsekventa scheman, inklusive det öppna säkerhetsschemat. Standardisering kan göra datan lättare för säkerhetssystem och AI-system att tolka eftersom samma typ av händelse representeras konsekvent, oavsett vilken produkt som genererade den.

För AI-agenter är det bredare målet att tillhandahålla tillräcklig kontext för att stödja ett beslut utan att kopiera ett företags hela datafastighet till en annan plattform. DataBahn kan bearbeta information kontinuerligt medan de hämtar ytterligare kontext när en applikation eller agent behöver det.

Detta tillvägagångssätt kan bli viktigare när företag flyttar från generativa AI-system som primärt svarar på frågor till agenter som initierar arbetsflöden, ändrar konfigurationer eller svarar på operativa händelser. Tillförlitligheten för dessa agenter kommer att bero delvis på om den underliggande datan är aktuell, korrekt strukturerad och styrd.

Intelligensen flyttar in i dataströmmen

DataBahn har också utvecklat vad de kallar Autonomous In-Stream Data Intelligence, en arkitektur som tillämpar analys och beslutsfattande medan informationen fortfarande flyttar genom pipelinen.

Systemet är avsett att göra mer än att förbereda data för analys efter att den har nått en destination. Det kan utvärdera datakvalitet, identifiera saknad information och bestämma hur enskilda händelser ska hanteras i realtid.

I en säkerhetsmiljö kan till exempel en pipeline berika en inkommande händelse med hotinformation, dirigera högvärdestelemetri till en analytikplattform och flytta lägre prioriterad information till billigare lagring. Att tillämpa dessa beslut innan datan når en säkerhetsplattform kan reducera inkörselkostnader utan att tvinga ett företag att överge information som kan behövas för en utredning.

Företaget har hävdat att intelligensen ska sitta i pipelinen snarare än att bara tillämpas efter att datan har samlats in och lagrats.

Denna arkitektur återspeglar också en bredare förändring i företagsdatahantering. Pipelinen blir ett aktivt policy- och orkestreringslager snarare än passiv rörledning som ansluter två system.

Företagsadoption driver serie B

DataBahn rapporterar att deras intäkter har ökat med mer än 400 % år över år, med en nettointäktsretention på 180 %. De hävdar också noll kundbortfall och en 97 % framgångsgrad över proof-of-concept-distributioner.

Företaget betjänar organisationer inom hälsovård, finansiella tjänster, tillverkning och transport, inklusive flera Fortune 100-företag. Deras offentliggjorda kunder inkluderar MVB Bank och Canada Pension Plan Investment Board.

MVB Banks säkerhetschef Parrish Gunnels sa att plattformen hjälpte banken att bringa flera dataformat, regulatoriska krav och revisionskontroller till en gemensam miljö som stöder deras AI-agenter.

Hos Canada Pension Plan Investment Board används tekniken för att standardisera påkopplingen av säkerhetstelemetri. Organisationen sa att detta minskade den anpassade ingenjörskonst som tidigare krävdes för att ansluta nya logkällor och gjorde det lättare att identifiera system som inte skickade den förväntade datan.

DataBahn har i huvudsak förföljt dessa kunder genom kanal- och tekniska partners snarare än att förlita sig uteslutande på direktförsäljning. Nya initiativ inkluderar en djupare integration med Microsofts säkerhetsekosystem och en distributionsavtal för Asien-Stilla havet med cybersäkerhetsdistributören M.Tech.

Finansiering riktar sig mot en växande infrastrukturbottenvåning

Serie B kommer att tillåta DataBahn att expandera en produkt i skärningspunkten mellan flera alltmer dyra företagsproblem.

Säkerhetsteam samlar in mer telemetri för att upptäcka attacker och uppfylla regulatoriska krav. Data- och observabilitetsteam bearbetar större volymer av applikations- och infrastrukturinformation. AI-team behöver åtkomst till både operativ data och affärskontext.

Varje grupp kan köpa ytterligare lagrings- och bearbetningskapacitet, men det åtgärdar inte den underliggande dupliceringen och fragmenteringen. Data kan fortfarande samlas in flera gånger, omvandlas olika av varje plattform och låsas in i system som gör det dyrt att återanvända dem på annat håll.

DataBahn satsar på att företag istället kommer att placera ett oberoende kontrollskikt mellan systemen som producerar data och de som konsumerar den.

Möjligheten är större än att minska lagringskostnader. Ett effektivt kontrollplan kan bestämma vilken information en AI-agent är tillåten att komma åt, berika den informationen med nödvändig kontext och upprätthålla en post om hur datan omvandlades och dirigerades.

Det skulle ge pipelinen en central roll i AI-styrning, särskilt i reglerade branscher där organisationer måste förklara den information som används av automatiserade system.

Att bygga datafundamentet för agensbaserad AI

Utmaningen för DataBahn kommer att vara att visa att den framväxande “agensbaserade datakontrollplan”-kategorin är tillräckligt distinkt från befintliga datapipeline-, säkerhetsdata- och observabilitetsplattformar för att motivera ett annat lager i företagsteknologistacken.

Stora moln- och säkerhetsleverantörer utökar också sina data dirigering-, lagrings- och AI-kapaciteter. DataBahns motargument är att en neutral plattform kan ge kunderna större kontroll över var informationen lagras och vilka applikationer eller modeller som konsumerar den.

Deras förmåga att upprätthålla den neutraliteten samtidigt som de integrerar med ett växande antal företagssystem kommer att vara viktigt när företaget skalar.

Serie B ger DataBahn ytterligare resurser för att utveckla den arkitekturen när AI-agenter blir mer djupt inbäddade i företagsverksamhet. Den centrala premissen är enkel: organisationer behöver inte nödvändigtvis samla in och kopiera mer data. De behöver ett bättre sätt att identifiera, styra och aktivera den information som är viktig i den stund den behövs.

DataBahn planerar att förhandsgranska sin nästa agensbaserade datakontrollplansfunktion på Black Hat USA 2026.