KeewanoDB: base de datos para agentes IA levanta US$12M

KeewanoDB: una base de datos pensada para que los agentes de IA recuerden la historia completa

Keewano, una startup fundada por Mark Kardashov (CEO) y Pavel Bibergal (CTO), anunció este martes la disponibilidad general de KeewanoDB, una base de datos que la compañía describe como de tipo "event series" (series de eventos), junto con US$12M de financiación seed liderada por Hetz Ventures. El producto corre como servicio gestionado en Google Cloud, con planes de expandirse a otras nubes y a despliegue on-premise a principios de 2027, según VentureBeat.

La propuesta es directa: en lugar de aplanar los eventos en filas y agregados precomputados — algo que los data warehouses tradicionales sí hacen —, KeewanoDB conserva la secuencia completa de eventos asociada a cada entidad (un usuario, un dispositivo o un agente) y la trata como una sola tabla por entidad. Las consultas nunca hacen joins cruzados.

Por qué una base de datos "diferente" para agentes

En la nota original, Kardashov resume el problema con una frase útil para cualquier founder que esté montando pipelines con agentes: "los agentes y las máquinas se están convirtiendo en grandes consumidores de datos, y necesitan cosas distintas a las de antes".

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Según cuenta VentureBeat, Bibergal venía de dirigir infraestructura de datos en Plarium, un vendor de juegos cross-platform. Hace unos dos años, su equipo empezó a construir con agentes y LLMs, y pese a tener presupuesto grande y un equipo completo de analistas, no conseguía responder preguntas simples en tiempo real. Los data warehouses estándar podían mostrar qué había pasado; explicar el porqué, a un coste sostenible, no estaba al alcance de esa infraestructura. Ese hueco, dice la nota, fue lo que llevó a Bibergal a marcharse y construir el primer prototipo de KeewanoDB por su cuenta.

Cuando VentureBeat le preguntó por la diferencia con una base de datos de series de tiempo como InfluxDB, Kardashov la rebautizó como "event series database" y evitó encuadrarla como grafo, documento o time series, aunque dijo compartir conceptos con las tres.

Cómo funciona KeewanoDB según la compañía

VentureBeat describe tres piezas de la arquitectura:

Formato de almacenamiento. Eventos almacenados como unidades de cuatro bytes en disco, secuenciados por entidad, sin joins en las consultas.
Capa semántica. Construida durante la ingesta con modelos de lenguaje (LLM), adjunta contexto adicional a cada evento conforme llega. Si un usuario pasa de activo a inactivo y luego a marcado por fraude, las tres etiquetas persisten en secuencia; el agente ve el estado actual sin perder los anteriores.
Camino de consulta. Un motor de aceleración permite a los agentes correr scripts directamente dentro de la base de datos vía Model Context Protocol (MCP), eliminando el paso de mover los datos a un proceso externo.

Sobre MCP, el CTO de Keewano ya no necesita explicación para muchos founders: es el protocolo abierto que estandarizó la forma en que los agentes acceden a herramientas y fuentes de datos. Integrarse directamente con la base de datos vía MCP es, en la práctica, ofrecer un endpoint nativo para agentes.

Encima de esa capa analítica hay dos agentes adicionales: uno de consultas en lenguaje natural y otro, llamado Signal, que según la compañía ejecuta detección de anomalías e inferencia causal aproximadamente una vez por hora.

Dónde encaja en un mercado de bases de datos que ya se movía hacia agentes

KeewanoDB no llega sola. VentureBeat recoge que en marzo de 2026, Oracle actualizó su base de datos hacia un motor transaccional único que abarca vector, JSON, grafo, relacional y espacial, argumentando que mantener el contexto del agente sincronizado entre sistemas separados se rompe bajo carga de producción. En junio, Couchbase hizo un movimiento parecido, defendiendo que sus raíces de caché y base transaccional son una base más sólida para memoria persistente de agentes que las herramientas pensadas para búsqueda o analítica.

Philip Russom, analista distinguido de IronSpark Analysis, dijo a VentureBeat que el diferenciador clave es que el machine learning (ML) es nativo en Keewano. A su juicio, la mayoría de los DBMS comerciales ofrecen alguna funcionalidad de ML, pero suele ser un retrofit sobre un sistema relacional: los datos estructurados se transforman para servir a las operaciones de ML y el procesamiento corre fuera del DBMS, lo que genera movimiento de datos, latencia y coste. "Honestamente, todavía no puedo encasillar a KeewanoDB", dijo. "De momento parece una mezcla de grafo, red neuronal, time series, in-memory y DBMS en tiempo real. Definitivamente no es JARD ni YAPI" — siglas internas para "solo otra base relacional" y "otra iteración más de Postgres".

Como referencia cercana en otro ángulo del mismo problema, Jedify anunció en junio de 2026 una Serie A de US$24M liderada por Norwest, con participación estratégica de Snowflake Ventures, para construir "context graphs" para agentes IA empresariales. Su ronda seed previa, de US$8.5M, se había cerrado en septiembre de 2023, llevando el total a algo más de US$33M, según reportó Yahoo Finance a partir del comunicado de la propia compañía. La tesis de Jedify coincide con la de Keewano: sin contexto de negocio disponible en tiempo de ejecución, los agentes o alucinan o queman tokens procesando información irrelevante.

La encuesta que está empujando a los vendors a moverse

VentureBeat cita su propio Pulse Research: en una encuesta de julio de 2026 a 101 empresas con más de 100 empleados, el 68% dijo que en los últimos seis meses sus agentes de IA habían producido respuestas confiadas pero incorrectas que atribuyeron a contexto de negocio faltante o inconsistente — no a error del modelo. El caso recurrente (37%) superó al caso puntual (32%).

Esa cifra es la que explica el ruido de producto que vemos en 2026: Oracle, Couchbase, Keewano y Jedify están respondiendo al mismo diagnóstico desde ángulos distintos.

¿Qué significa esto para tu startup?

Aquí va el filtro práctico que la propia nota de VentureBeat sugiere al data engineer: ¿cómo acceden hoy tus agentes al historial de eventos? Si lo reensamblan desde un warehouse o índice de búsqueda en tiempo de consulta, o si lo leen de agregados precomputados que ya tiraron la secuencia, ese es exactamente el hueco que Keewano está describiendo.

Tres acciones concretas que podés evaluar esta semana:

Audita una decisión incorrecta reciente de tu agente. Volvé al log y comprobá si el fallo se explica por una secuencia de eventos incompleta (estado anterior perdido, etiqueta sobrescrita) o por un fallo de prompt. Si es lo primero, el problema es de almacenamiento de contexto, no de modelo.
Mapea cuántos hops de datos hace un agente antes de responder. Cada movimiento hacia un warehouse o índice externo suma latencia y coste de tokens. KeewanoDB y similares prometen reducir esos saltos ejecutando lógica más cerca del dato.
Decide si necesitás un context graph, un event store o un DBMS unificado. La nota de VentureBeat cita el caso de Jedify como "context graph" y el de Keewano como "event series". Si tu problema principal es razonar sobre relaciones entre entidades, mirá grafos de contexto. Si tu problema es reconstruir secuencias de comportamiento por entidad, mirá event stores.

La decisión final sigue dependiendo de tu workload: ninguna arquitectura nueva desplaza a la anterior de forma universal, y Keewano todavía no tiene el track record en producción que tienen Oracle, Snowflake o incluso Couchbase. Pero el hecho de que los vendors tradicionales y las startups recién financiadas estén atacando el mismo problema desde múltiples ángulos es, en sí mismo, la señal más importante para un founder que esté construyendo producto sobre agentes en 2026.