Présentation
PuppyGraph, startup spécialisée dans les moteurs de requête graphique, a annoncé une levée de 10 millions de dollars en série A, portant le total des investissements à 15 millions de dollars. La levée suit la sortie officielle de la version 1.0 de son logiciel, qui promet de transformer les entrepôts et lakehouses existants en un graphe exploitable sans migration de données.
Architecture et fonctionnement
Le moteur de PuppyGraph se connecte directement à des plateformes telles que Snowflake ou Databricks. Il utilise des short‑lived credentials liés à l’identité de l’utilisateur, évitant ainsi la gestion de clés permanentes. Une fois la connexion établie, le système génère automatiquement un schéma graphique à partir de 3 000 tables d’entreprise grâce à un outil d’assistance IA. Ce schéma décrit les relations entre entités (identités, permissions, actifs) et sert de base à toutes les requêtes.
Les agents IA interagissent avec le graphe via le Model Context Protocol, qui permet d’intégrer les modèles d’IA déjà déployés par l’entreprise. Chaque requête est formulée en anglais naturel, traduite en une requête graph‑SQL interne, puis exécutée sur le graphe virtuel. Si une relation n’est pas définie dans le schéma, la requête est rejetée et un message d’erreur structuré est renvoyé, guidant l’agent vers une correction.
Performances, contraintes et sécurité
Selon les tests internes, le moteur délivre des résultats en moins d’une seconde même lorsqu’il parcourt plusieurs relations entre tables. Cependant, l’article signale que les projets dépassant 30 à 50 tables rencontrent des limites : la description du schéma consomme une partie du context window des modèles d’IA, réduisant la capacité de traitement. Des requêtes très profondes peuvent également dépasser le délai d’attente et être abandonnées.
Sur le plan de la sécurité, PuppyGraph respecte les permissions au niveau des lignes (row‑level security) à chaque saut de la traversée. Les contrôles d’accès sont réévalués à chaque hop, garantissant que les agents ne peuvent accéder qu’aux données autorisées pour l’identité source. Cette approche minimise les risques d’escalade de privilèges lors d’une interrogation transversale.
Perspectives et limites
Le modèle économique repose sur un abonnement SaaS, avec un chiffre d’affaires récurrent annuel qui aurait multiplié par sept en un an, bien que le montant exact ne soit pas communiqué. La disponibilité d’une version gratuite, déployable en 10 minutes via une simple commande Docker, facilite les essais mais ne précise pas les performances en environnement de production à grande échelle.
Les premiers clients – AMD, Palo Alto Networks, Coinbase, Datadog et Trend Micro – confirment que la création d’un graphe ne nécessite pas de migration de données, mais la réussite dépend de la qualité du schéma initial et de la capacité des agents à gérer le contexte limité. Les développeurs devront donc équilibrer la granularité du schéma avec les exigences de leurs modèles d’IA pour éviter les time‑outs.
