# PuppyGraph lève 10 M$ pour les agents IA sur données d’entreprise

_Publié le 10 novembre 2026 — https://ip73.fr/2026/11/10/puppygraph-leve-10-m-pour-les-agents-ia-sur-donnees-d-entreprise/_

PuppyGraph vient de lever 10 millions de dollars dans le cadre d'un tour de table de Série A. Ce financement, mené par Particle Future et defy.vc, porte le capital total de l'entreprise à 15 millions de dollars. Cette injection de fonds est destinée à accélérer le développement technique et l'expansion commerciale de l'outil, essentiel pour les entreprises qui veulent déployer des agents d'intelligence artificielle capables de comprendre leurs systèmes d'information complexes.

Le besoin du marché est précis : les acteurs économiques exigent que leurs agents IA puissent répondre à des questions transversales, celles qui nécessitent de croiser des informations dispersées dans des dizaines, voire des milliers de tables différentes. Un simple projet de preuve de concept (PoC) peut couvrir trente à cinquante tables, mais en production, la réalité est bien plus dense. Un scénario typique, comme « si ce compte est compromis, quels systèmes critiques un attaquant pourrait-il atteindre ? », exige de suivre des relations complexes reliant identités, permissions et infrastructures.

En amont, face à cette complexité, les solutions existantes se heurtent à des limites. L'augmentation du nombre de tables fait exploser la taille des schémas nécessaires au contexte de l'agent, et le nombre de chemins possibles entre ces données devient exponentiel. Les requêtes profondes, si elles ne sont pas optimisées, deviennent soit trop lentes pour une investigation en temps réel, soit elles échouent par simple expiration de délai.

Une autre approche, celle de migrer ces données vers une base de graphe dédiée, soulève ses propres problèmes : temps de chargement, complexité de maintenance des pipelines, et des limites de performance face aux volumes de données d'entreprise massifs.

## Intégrer le calcul en graphe au cœur des données

PuppyGraph 1.0 change cette donne en intégrant le calcul en graphe directement aux plateformes de données existantes. Son moteur distribué supporte des requêtes en graphe à l'échelle pétaoctet, avec une réactivité mesurée en sous-secondes. L'outil se connecte nativement à des sources comme Apache Iceberg, Snowflake, Databricks, ClickHouse, ainsi qu'à PostgreSQL et Microsoft Fabric. L'avantage majeur, selon les clients, est de pouvoir exécuter des traversées en graphe sans déplacer ou dupliquer une seule ligne de données.

Patrick Lu, architecte principal chez Trend Micro, a souligné cette prouesse : « PuppyGraph est la seule solution que nous avons trouvée qui supporte Iceberg nativement à cette échelle, sans chargement de données. Vous vous connectez directement au lakehouse en dessous, et le cluster lui-même ne gère aucune donnée. L'interroger en graphe sur place, sans dupliquer une seule ligne, c'est ce qui a rendu cela viable pour nous. »

En plus de la rapidité, le système apporte des garde-fous cruciaux pour les environnements sensibles. PuppyGraph 1.0 applique les permissions au niveau de la ligne configurées tout au long des traversées en graphe, y compris aux étapes intermédiaires. L'authentification unique (SSO) et les contrôles basés sur les rôles lient l'accès aux données à l'identité de l'utilisateur. Pour sécuriser l'accès aux plateformes comme Snowflake, le système utilise une « vente de jetons » (credential vending) pour obtenir des identifiants à courte durée de vie, sans que l'utilisateur n'ait à gérer des accès permanents.

## L'agent IA, un navigateur de données en langage naturel

L'outil permet aux utilisateurs d'interroger les données d'entreprise en langage naturel via l'agent IA intégré ou des outils compatibles, tous connectés par une passerelle MCP. Au lieu de nécessiter une modélisation manuelle lourde, PuppyGraph propose un constructeur de schémas assisté par IA. Celui-ci génère automatiquement un schéma de graphe à partir des tables existantes, que les équipes peuvent ensuite valider.

Weimo Liu, cofondateur et PDG de PuppyGraph, insiste sur ce changement de paradigme : « Les enseignements des données d'entreprise seront bientôt générés par des agents. Les utilisateurs s'attendent à poser des questions qui traversent les départements et les systèmes, au-delà des flux qu'on a codés dans un tableau de bord. Ça exige que les agents naviguent dans des milliers de tables, suivent les bonnes relations et récupèrent des preuves en sous-secondes. »

Ran Xia, directeur de l'ingénierie chez Palo Alto Networks, confirme l'impact sur la latence : « Pour une application destinée à l'utilisateur final, la latence de requête et la fraîcheur des données sont non négociables. PuppyGraph nous permet d'exécuter des traversées en graphe multi-sauts directement sur notre plateforme de données existante, sans déplacer ni dupliquer une seule ligne. En éliminant le goulot d'étranglement ETL, nous avons supprimé la maintenance des pipelines tout en fournissant une analyse en graphe fulgurante à nos utilisateurs en temps réel. »

| Client | Bénéfice principal | Caractéristique technique | Source |
| :--- | :--- | :--- | :--- |
| Palo Alto Networks | Latence de requête ultra-faible | Traversées multi-sauts sans ETL | Ran Xia (Palo Alto Networks) |
| Coinbase | Déploiement rapide sans pipeline | Connexion directe aux tables Snowflake/Databricks | Xinyu Liu (Coinbase) |
| Trend Micro | Absence de duplication de données | Support natif Iceberg en graphe | Patrick Lu (Trend Micro) |

## Le défi de l'échelle et la robustesse des requêtes

Amy Yin, partenaire chez defy.vc, rappelle que l'intelligence artificielle ne résout pas encore tous les problèmes du *big data*. Si l'on peut demander à un modèle comme Claude de rédiger une requête, l'exécution de celle-ci à travers des milliards de liens techniques représente un défi d'ingénierie majeur. « PuppyGraph a été construit dès le départ pour la performance à l'échelle, fournissant aux agents un moteur de requête qui fonctionne directement sur les données que les entreprises possèdent déjà », affirme Amy Yin.

De plus, pour éviter les erreurs dues à des suppositions sur la connectivité des données, le moteur de requête de PuppyGraph refuse les références de relations non définies et renvoie un retour d'information que les agents peuvent utiliser pour corriger leurs requêtes. C'est une couche de vérification qui apporte une robustesse appréciable dans un environnement où la sémantique des données est intrinsèquement ambiguë.

Les développeurs peuvent commencer à tester l'outil immédiatement via une commande Docker, sans nécessiter de formulaire ou de paiement, et passer de la phase de déploiement à l'exécution de requêtes en dix minutes. L'adoption par des entités comme AMD, Datadog, Coinbase ou Netskope confirme l'intérêt sectoriel pour cette approche de graphe en temps réel.

## Sources

- [PuppyGraph Raises $10M Series A to Help Enterprises Build AI Agents That Query 3,000 Tables in Subseconds](https://www.storagenewsletter.com/2026/11/10/puppygraph-raises-10m-series-a-to-help-enterprises-build-ai-agents-that-query-3000-tables-in-subseconds/), StorageNewsletter, 10 novembre 2026
- [PuppyGraph raises $10M to let AI agents query enterprise data as a graph](https://siliconangle.com/2026/11/10/puppygraph-raises-10m-to-let-ai-agents-query-enterprise-data-as-a-graph/), SiliconANGLE, 10 novembre 2026