PuppyGraph tar in 10 miljoner dollar i A-runda efter sjufaldig ökning av ARR

PuppyGraph meddelade den 10 november 2026 att bolaget tagit in 10 miljoner dollar i en A-runda ledd av Particle Future, med deltagande från defy.vc, för att utöka ingenjörsverksamheten och satsningarna på företagsmarknaden. Finansieringen innebär att utvecklaren av den grafbaserade frågemotorn nu har tagit in totalt 15 miljoner dollar.

Rundan kommer efter den allmänna lanseringen av PuppyGraph 1.0. PuppyGraph uppgav att de årligen återkommande intäkterna ökade sjufaldigt under det senaste året. Bland kunderna finns AMD, Palo Alto Networks, Coinbase, Trend Micro, Datadog och Sola Security.

Frågor mot företagsdata där den finns

PuppyGraph riktar sig till AI-agenter som undersöker affärsfrågor över avdelningsgränser, snarare än att bara generera SQL för en känd datamängd. En agent kan behöva följa samband mellan kunder, produkter, komponenter och leverantörer. När antalet tabeller ökar tar schemabeskrivningar upp mer av agentens kontextfönster, samtidigt som antalet möjliga kopplingsvägar blir fler.

Frågemotorn utför grafberäkningar direkt i databaser, datalager och datasjöar som stöds. Data ligger kvar i system som Apache Iceberg, Databricks, Snowflake, PostgreSQL och Microsoft Fabric, vilket gör att man slipper en separat grafdatabas, en separat grafkopia och tillhörande inläsningsprocesser. Applikationer kan fortfarande använda SQL för filtrering och aggregeringar och samtidigt välja grafbaserade frågor för frågor där relationer står i centrum.

En ontologi anger godkända affärsentiteter och relationer och ger agenter giltiga vägar att följa i sina undersökningar. PuppyGraphs AI-assisterade schemabyggare föreslår en sådan modell utifrån befintliga tabeller, men datateamen granskar och godkänner dess affärsmässiga innebörd. AI-verktyg som är kompatibla ansluter via MCP, och användarna kan också arbeta med PuppyGraphs inbyggda agent.

Frågemotorn avvisar hänvisningar till entiteter eller relationer som inte finns i ontologin och lämnar strukturerad återkoppling som hjälper till att korrigera frågan. Det motverkar tysta fel som uppstår när en agent hittar på ett samband och behandlar resultatet som bevis. PuppyGraph framhåller att validering inte garanterar en korrekt slutsats, eftersom en agent fortfarande kan utgå från en dålig hypotes eller genomföra en ofullständig analys.

Prestanda- och styrningskontroller

PuppyGraph uppgav att frågemotorn stöder grafbaserade frågor som besvaras på under en sekund för arbetslaster som stöds, och gör det möjligt för agenter att fråga över 3 000 företagstabeller som om de utgjorde en enda graf. I ett separat företagsbenchmarktest genomförde ett kluster med fyra maskiner en fråga med 10 hopp över miljarder kanter på 2,26 sekunder. Prestandan beror på arbetslasten.

Hastigheten påverkar hur undersökningar fortskrider: agenter testar flera hypoteser, och en långsam fråga kan försena nästa analyssteg när det bygger på föregående resultat. Benchmarktestet är därför relevant för frågan om djupa relationssökningar kan förbli interaktiva, snarare än att enbart mäta den råa frågekapaciteten.

PuppyGraph 1.0 tillämpar också konfigurerade behörigheter på radnivå under hela graftraverseringar, även i mellanliggande steg. Rollbaserade kontroller och användarimpersonering knyter åtkomsten till användarens identitet. Enkel inloggning stöds, och administrativa granskningsloggar registrerar hanteringsaktiviteter. Hantering av autentiseringsuppgifter utfärdar kortlivade uppgifter som är kopplade till användarens identitet för plattformar som Snowflake och Databricks, utan att användarna behöver lämna ut eller hantera långlivade autentiseringsuppgifter.

Driftsättningar och prioriteringar för expansion

Sola Securitys teknikchef Leon Goldberg sade: ”Vi kör AI-agenter över tusentals tabeller och miljarder kanter varje dag.” Palo Alto Networks teknikdirektör Ran Xia sade att företaget genomför traverseringar med flera hopp på sin befintliga dataplattform utan att flytta eller duplicera rader, vilket eliminerar det tillhörande underhållet av ETL-processer. Coinbase seniora mjukvaruingenjör på staff-nivå Xinyu Liu sade att Coinbase ansluter direkt till tabeller som underhålls i Snowflake och Databricks och använder MCP för naturligt formulerade frågor om relationer.

AMD började med IT-arbetslaster och utökar nu användningen till data inom informationssäkerhet och digital marknadsföring, uppgav PuppyGraph. Den expansionen illustrerar företagets bredare modell: när en relationskarta kopplar samman fler avdelningar kan agenter undersöka frågor som tidigare fastnade vid organisationsgränser.

Företaget planerar att använda det nya kapitalet för att minska arbetet med att sätta upp grafmodeller, göra relationsfrågor praktiskt användbara i stor skala för företag och hjälpa kunder att ta sina agenter i produktion. Den centrala utmaningen är att bredda dessa undersökningar utan att försvaga den mänskligt godkända ontologin och behörighetskontrollerna, som avgör vilka relationer som är giltiga och vilka data varje användare kan se.