Financement et positionnement du marché
Euno, startup israélienne officiellement nommée Delphi.io Inc., a annoncé une levée de 23 millions de dollars en série A, portée à 29 M$ au total. Le tour a été mené par N47 avec la participation de 10D, Wiz Inc., Cyera Inc. et d’autres investisseurs. Cette enveloppe financière vise à accélérer le développement d’une plateforme d’entreprise capable de fournir un context brain natif IA, un segment encore peu exploité où la plupart des solutions restent des adaptations humaines.
Architecture du "context brain"
Le produit repose sur un graph de métadonnées évolutif qui capture en continu les signaux opérationnels (logs, flux de travail, règles de gouvernance). En analysant les motifs de ces signaux, le système infère automatiquement les connaissances institutionnelles nécessaires à la prise de décision des agents. Cette inférence se fait sans recourir à une curation manuelle, réduisant le temps de mise en place d’une couche contextuelle de plus d’un an à quelques semaines. Le moteur intègre également les politiques de gouvernance de l’entreprise, garantissant que chaque agent ne consulte que les données pertinentes pour la tâche assignée.
Confiance, hallucinations et contraintes techniques
Selon la co‑fondatrice Sarah Levy, le principal obstacle à l’adoption des agents IA en entreprise est le manque de confiance, notamment les hallucinations où le modèle génère des réponses erronées. En fournissant un contexte structuré et vérifié, Euno prétend limiter ces dérives. Cependant, la dépendance à des métadonnées fiables impose des exigences de qualité des données en amont : les organisations doivent disposer de flux d’événements cohérents et d’une gouvernance clairement définie. De plus, le traitement de graphes massifs nécessite une infrastructure scalable, souvent basée sur des clusters de calcul distribués, ce qui peut augmenter les coûts d’infrastructure.
Implications opérationnelles et limites
Les premiers clients, dont Zayo Group Holdings et AlphaSense, ont constaté une accélération de leurs déploiements d’agents, grâce à la réduction du délai de préparation du contexte. L’équipe, actuellement de 30 personnes, prévoit de doubler ses effectifs d’ici l’an prochain, renforçant la recherche et les fonctions commerciales. Malgré ces avancées, la solution reste dépendante d’un modèle propriétaire d’apprentissage continu ; les concurrents disposant des mêmes modèles de base ne pourront pas reproduire le même niveau de performance sans accéder aux historiques opérationnels spécifiques de chaque entreprise. Enfin, la transparence du processus d’inférence n’est pas détaillée publiquement, ce qui peut freiner les audits de conformité dans les secteurs fortement régulés.
