Prevalent AI samlar in $22 M för att skala pålitlig företagskontext för AI‑system

Prevalent AI har samlat in $22 miljoner i tillväxtkapital från Integrity Growth Partners (IGP), vilket markerar den första primära externa investeringen i företagets nioåriga historia. Finansieringen kommer i ett läge då företag möter ett växande problem i takt med den snabba antagandet av artificiell intelligens: AI‑system blir kanske mer kapabla, men deras beslut är bara lika tillförlitliga som den organisatoriska data och kontext som finns tillgänglig för dem.

Founded in 2017, Prevalent AI has remained bootstrapped and, according to the company, profitable since securing its first customer. The company says annual recurring revenue has more than doubled over the past year. The new capital will be directed toward expanding its global commercial organization, accelerating its push into the U.S., strengthening its leadership team, and extending technology originally developed for cybersecurity into broader enterprise risk and AI applications.

Första externa kapitalet efter nio år

Finansieringen är anmärkningsvärd delvis eftersom Prevalent AI tog en relativt ovanlig väg genom cybersäkerhetsmarknaden. Istället för att förlita sig på upprepade riskkapitalrundor för att finansiera tillväxt, spenderade företaget nästan ett decennium på att bygga kring intäkter från stora företagskunder innan de tog in primärt institutionellt kapital.

Prevalent AI grundades av VD Paul Stokes och COO Arun Raj, med rötter i den brittiska underrättelsegemenskapen. Företaget säger att grundteamet inkluderar alumner från Government Communications Headquarters (GCHQ), en erfarenhet som har bidragit till att forma deras fokus på att koppla ihop fragmenterad information i miljöer där ofullständig eller felaktig data kan få betydande operativa konsekvenser.

ISTARI, som stöds av det singaporianska investeringsföretaget Temasek, blev minoritetsaktieägare 2021 genom en sekundär transaktion, men den nya IGP‑investeringen representerar det första primära kapitalet som går direkt in i företaget.

Omvandla fragmenterad företagsdata till kontext

Det centrala problemet som Prevalent AI försöker lösa är inte en brist på företagsdata. Det är att den data som behövs för att fatta ett beslut ofta finns spridd över dussintals eller till och med hundratals system som beskriver samma organisation på olika sätt.

Ett säkerhetsteam kan till exempel förlita sig på sårbarhetsskannrar, endpoint‑plattformar, identitetssystem, molninfrastruktur, konfigurationshanteringsdatabaser, ärendehanteringsprogram och operativa verktyg. Varje system innehåller en del av bilden, med duplicerade poster, motstridiga identifierare och ofullständiga relationer mellan tillgångar.

Prevalent AIs Security Data Fabric är utformad för att samla in information från dessa olika system, normalisera den, lösa inkonsekvenser och kartlägga relationer mellan tillgångar, identiteter, sårbarheter, applikationer, kontroller och annan operativ information. Den resulterande datan upprätthålls som en kontinuerligt uppdaterad kunskapsgraf snarare än en annan isolerad säkerhetsdatabas.

Den distinktionen blir allt viktigare när AI‑agenter kommer in i bilden. Människor kan ibland känna igen att två något olika poster avser samma server, anställd eller applikation. En automatiserad agent som fattar beslut i maskinhastighet behöver dessa relationer etablerade på ett mer tillförlitligt sätt i förväg.

Hur Prevalent AI:s teknik fungerar

På integrationslagret använder Prevalent AI DataBridge för att koppla ihop moln, Software-as-a-Service (SaaS), lokala och operativa system. Plattformen tillämpar sedan entity‑resolution för att förena poster och bygga en enhetlig representation av företagsmiljön.

Kunskapsgrafen lägger till ett ytterligare lager genom att koppla ihop dessa entiteter via deras relationer. Istället för att behandla en sårbarhet som en isolerad upptäckt kan systemet till exempel koppla den till den drabbade tillgången, tillgångens affärsbetydelse, dess ägare, associerade identiteter, befintliga säkerhetskontroller och relevant hotinformation.

Prevalents verktyg för exponeringshantering använder denna kontext för att identifiera var risk är koncentrerad och prioritera åtgärder. Företagets plattform kan också korrelera fynd över verktyg för att minska duplicerade sårbarhetsposter och kontinuerligt övervaka förändringar i tillgångar, identiteter och infrastruktur.

Generativ AI läggs till ovanpå den strukturerade grunden snarare än att be den tolka rå företagsdata oberoende. Prevalents Navigator‑verktyg låter exempelvis användare fråga information som hålls i kunskapsgrafen via ett generativt AI‑gränssnitt.

Företaget erbjuder också DataForge, som genererar synkroniserade syntetiska dataset för AI‑utveckling, modelltestning och kvalitetssäkring utan att kräva att känslig produktionsdata exponeras under experiment.

Att gå bortom cybersäkerhet

Cybersäkerhet var en naturlig startpunkt eftersom ofullständig information omedelbart kan påverka beslut kring sårbarheter, identiteter, incidenter och kontroller. Men Prevalent AI ser i allt högre grad sin underliggande teknik som företagsinfrastruktur snarare än en säkerhetsspecifik produkt.

Företaget säger att kunder redan har utvidgat samma datagrund till områden som analys av finansiell brottslighet, operativ intelligens, efterlevnad, automatisering och AI‑drivna arbetsflöden utan att bygga om den underliggande arkitekturen.

Denna bredare möjlighet är en av huvudorsakerna till den nya finansieringen.

För AI‑agenter i synnerhet skiftar utmaningen i allt högre grad från huruvida en modell är tillräckligt intelligent för att utföra en uppgift till huruvida den har tillgång till korrekt information om den organisation den verkar i. En agent kan vara kapabel att identifiera en säkerhetssårbarhet, undersöka ett konto eller trigga ett automatiserat arbetsflöde, men dess nytta minskar snabbt om den inte på ett tillförlitligt sätt kan avgöra vilka system som finns, hur de är kopplade, vem som äger dem eller vilka policyer som styr dess handlingar.

Prevalent AI satsar i praktiken på att företagskontext blir ett viktigt lager i AI‑stacken, särskilt för organisationer där agenter förväntas vidta åtgärder snarare än bara generera svar.

Varför AI i företag höjer insatserna

Tidpunkten för finansieringen speglar ett bredare skifte inom AI i företag. Organisationer börjar gå bortom fristående copiloter och istället använda agenter som kan interagera med infrastruktur, applikationer och affärsprocesser.

Den övergången ökar konsekvenserna av dålig underliggande data.

Prevalent AI menar att deras suveräna arkitektur är särskilt relevant i dessa miljöer. Plattformen är designad för att verka inom infrastruktur som kontrolleras av kunden, vilket håller företagsdata under organisationens kontroll snarare än att den operativa kunskapsgrafen måste förlita sig på delad infrastruktur eller en specifik modellleverantör.

För starkt reglerade sektorer kan detta bli en viktig faktor när företag experimenterar med att ge AI‑system mer tillgång till känslig intern information och större befogenhet att vidta åtgärder.

Varför pålitlig kontext kan bli avgörande för AI i företag

När AI‑system går från att generera rekommendationer till att vidta åtgärder inom företag blir kvaliteten på den data som omger dessa system allt viktigare. En agent som har i uppdrag att undersöka en säkerhetsincident, godkänna ett arbetsflöde eller svara på ett operativt problem behöver mer än åtkomst till enskilda databaser. Den behöver en korrekt bild av hur tillgångar, identiteter, applikationer, policyer och affärsprocesser förhåller sig till varandra.

Detta skapar en växande infrastrukturutmaning för företag. Många organisationer har samlat på sig år av separata mjukvaruplattformar, duplicerade poster och inkonsekventa namngivningskonventioner. Stora språkmodeller kan göra denna information lättare att fråga, men de löser inte automatiskt motsägelser eller avgör vilken källa som ska litas på. Utan ett pålitligt kontextlager kan mer autonom AI helt enkelt låta befintliga dataproblem påverka beslut med högre hastighet och i större skala.

Kunskapsgrafer och datafabriker kan därför bli en viktig del av den framväxande AI‑arkitekturen för företag. Istället för att ersätta databaser eller AI‑modeller kan dessa system ligga mellan dem, kontinuerligt förena information och upprätthålla relationer som agenter kan använda när de beslutar vilka åtgärder som ska vidtas.

Implikationerna sträcker sig också långt bortom cybersäkerhet. Liknande problem finns inom bedrägeridetektion, regulatorisk efterlevnad, leverantörskedjehantering, IT‑drift och andra områden där beslut beror på information spridd över flera system. När företag implementerar agenter i dessa funktioner kan det bli allt viktigare att upprätthålla en konsekvent representation av organisationen.

Detta kan också förändra hur företag utvärderar AI‑infrastruktur. Modellprestanda kommer fortsatt att vara viktig, men organisationer kan lägga större vikt vid ursprunget, färskheten och relationerna i den data som matar modellerna. I en sådan miljö kan den konkurrensfördel inte enbart komma från att ha en mer kapabel AI‑modell, utan från att ge modellen en mer exakt förståelse av det företag den verkar i.