Euno samlar in 23 M$ i Series A för att bygga ett kontextlager för företags‑AI‑agenter

Euno har samlat in 23 miljoner dollar i Series A‑finansiering för att expandera sin företags‑AI‑kontextplattform, i takt med att företag i allt högre grad ställs inför ett problem som bättre grundmodeller ensamma inte kan lösa: att ge AI‑agenter tillräcklig organisationskunskap för att på ett pålitligt sätt kunna arbeta med komplex affärsdata.

Rundan leddes av N47, med deltagande från befintlig investerare 10D och en grupp teknikgrundare och chefer som inkluderar Wiz‑medgrundare Yinon Kostika, Cyera‑medgrundare och VD Yotam Segev, Eon‑medgrundare och VD Ofir Ehrlich, Tavily‑grundare Rotem Weiss samt tidigare Tableau‑VD och -president Mark Nelson. Finansieringen tar Eunos totala kapital till 29 miljoner dollar.

Euno grundades 2023 av Sarah Levy och Eyal Firstenberg och planerar att använda det nya kapitalet främst för att expandera försäljning och marknadsföring samt öka investeringarna i AI‑forskning. Företaget, som är verksamt i USA och Israel och sysselsätter nästan 30 personer, förväntar sig att ungefär fördubbla sin personalstyrka före årets slut.

Flaskhalsen i företags‑AI skiftar mot kontext

Den snabba förbättringen av stora språkmodeller har gjort det alltmer genomförbart att distribuera AI‑agenter som kan fråga databaser, generera analyser, skriva kod och automatisera affärsprocesser. Men att koppla en agent till företagsystem introducerar en annan utmaning: att veta vilken information som är auktoritativ.

En stor organisation kan ha tusentals tabeller, instrumentpaneler, nyckeltal, datamodeller och konkurrerande definitioner för samma affärskoncept. En AI‑agent som ombeds beräkna intäkter, till exempel, behöver mer än bara åtkomst till en databas. Den måste veta vilket intäktsnyckeltal som är godkänt, vilka tabeller som är aktuella, hur nyckeltalet beräknas, var dess indata kommer ifrån, och om den begärande användaren har behörighet att komma åt den underliggande informationen.

Euno försöker omvandla den institutionella kunskapen till maskinläsbar infrastruktur.

Dess plattform bygger kontinuerligt upp ett levande kontextgraf som inkluderar information som datalänkning, användning, ägande, affärslogik, hälsosignaler och styrningsstatus. Istället för att presentera varje tillgänglig resurs för en agent kan systemet leverera kontext som är relevant för den specifika användaren, uppgiften och beslutet som fattas.

Denna distinktion kan bli allt viktigare när företag går från AI‑system som svarar på frågor till autonoma agenter som kan vidta åtgärder över flera företagsystem.

”Modeller blir hela tiden bättre och billigare, men den långsiktiga AI‑försvarsmuren för företag kommer i allt högre grad att komma från den ackumulerade dokumentationen av hur arbete utförs,” sade Euno‑medgrundare och VD Sarah Levy.

Omvandla metadata till infrastruktur för AI‑agenter

Eunos teknik bygger på metadata, informationen som beskriver var data kommer ifrån, hur den omvandlas, vem som använder den och hur olika resurser förhåller sig till varandra.

Plattformen kartlägger kolumnnivå‑linjering över datalager, analysesystem, instrumentpaneler och nyckeltal och kombinerar sedan den informationen med användnings‑ och styrningssignaler. Dess automatiserade märkningssystem kan dynamiskt klassificera resurser som egenskaper såsom ”AI‑klar”, ”PII‑fri”, ”hälsosam” eller ”certifierad” baserat på regler som organisationen fastställt. Dessa klassificeringar uppdateras när den underliggande data‑miljön förändras.

Euno tillhandahåller också arbetsflöden som kan reagera när dessa villkor förändras. Organisationer kan exempelvis identifiera ocertifierade instrumentpaneler som plötsligt blir kraftigt använda, spåra spridningen av personligt identifierbar information (PII), flagga odokumenterade modeller eller lyfta fram nyckeltal som inte längre uppfyller interna kvalitetsstandarder.

Företaget har byggt sin egen Euno Query Language (EQL) för att navigera relationer inom grafen. Euno säger att dess graf‑baserade arkitektur låter agenter hämta sammanlänkad metadata med färre frågor, vilket potentiellt minskar mängden kontextuell information som måste matas in i en modell.

Viktigt är att plattformen är utformad för att ligga bredvid befintlig företags‑data‑infrastruktur snarare än att ersätta den. Euno stödjer integrationer som sträcker sig över datalager och plattformar såsom Snowflake och Databricks; transformationsverktyg inklusive dbt; samt affärsintelligensplattformar inklusive Tableau, Looker, Power BI, ThoughtSpot, Sigma och Omni.

Att föra in kontext direkt i AI‑system

En annan komponent i Eunos strategi är att göra denna organisationskontext direkt tillgänglig för tredjeparts‑AI‑agenter.

Företaget driver en Model Context Protocol (MCP)‑server genom vilken verktyg som Claude, Cursor, Visual Studio Code Copilot och andra kompatibla system kan fråga Eunos företagskontext. Agenter kan använda dessa verktyg för att hitta resurser, granska uppströms‑linjering, utföra påverkananalys, söka i dokumentation eller generera och köra EQL‑frågor.

Euno har också dokumenterat integrationer med system inklusive Snowflake Intelligence, vilket visar hur dess kontextlager effektivt kan bli en mellanhand mellan generella AI‑modeller och ett företags underliggande data‑tillgångar.

Denna positionering speglar ett bredare skifte som sker inom företags‑AI. I takt med att tillgången till kraftfulla modeller blir alltmer standardiserad kan differentieringen flytta mot den proprietära informationen kring dessa modeller: organisationsprocesser, behörigheter, relationer, historiska beslut, definitioner och återkoppling från tidigare agent‑aktivitet.

Kontext kan bli en del av företags‑AI‑försvarsmuren

Euno menar att denna ackumulerade kontext kan bli mer värdefull över tid.

När en agent utför en uppgift kan systemet fånga information om hur kontexten användes och mata tillbaka dessa signaler till företagskontextlagret. I teorin skapar det en återkopplingsslinga där en organisation successivt bygger en rikare maskinläsbar representation av hur verksamheten fungerar.

Detta tacklar också en av de centrala utmaningarna för agentbaserade AI‑implementeringar: styrning. Att ge en autonom agent åtkomst till företagssystem utan att förstå vilken information den kan hämta eller hur den ska tolka den introducerar operativa och säkerhetsrisker. Eunos metod kombinerar kontextuell hämtning med roll‑medveten styrning så att en agent får information som är lämplig för dess uppgift och behörigheter snarare än obegränsad åtkomst till hela miljön.

Företaget säger att dess plattform läser företagsmetadata snarare än den underliggande affärsdatan själv, en arkitektonisk distinktion avsedd att minska dataexponering samtidigt som systemet kan kartlägga relationer och ge agenter operativ kontext.

Euno arbetar redan med företagskunder inklusive AlphaSense och Zayo Group, och deras webbplats dokumenterar även implementeringar med företag som Bolt.

För den bredare AI‑industrin sträcker sig betydelsen av Eunos Series A bortom ännu en finansieringsrunda för företagsinfrastruktur. Grundmodeller blir snabbt mer kapabla och alltmer utbytbara för många arbetsbelastningar. Om den trenden fortsätter blir ett av de svårare problemen att ge dessa modeller en pålitlig förståelse för de organisationer de verkar i.

Det kan göra kontextinfrastruktur, snarare än den underliggande modellen, till ett av de mest betydelsefulla lagren i den framväxande företags‑AI‑stacken.