Keewano ha reso generalmente disponibile KeewanoDB, un database progettato per conservare direttamente la sequenza completa degli eventi associati a utenti, dispositivi e agenti AI, evitando di ricostruire a posteriori il contesto attraverso join, data warehouse o indici di ricerca. Il servizio è disponibile come piattaforma completamente gestita su Google Cloud, mentre il supporto per altri cloud provider e per deployment self-managed è previsto all’inizio del 2027. Contestualmente alla disponibilità generale, la società ha annunciato un finanziamento seed da 12 milioni di dollari guidato da Hetz Ventures.
L’architettura nasce dall’esigenza di preservare non soltanto il dato finale, ma anche l’ordine e l’evoluzione degli eventi che hanno portato a uno stato corrente. Nei sistemi tradizionali, gli eventi vengono spesso trasformati in righe, aggregazioni o viste precomputate che semplificano l’analisi ma possono perdere parte della sequenza temporale e del contesto necessario a un agente per comprendere perché un determinato evento si sia verificato. KeewanoDB mantiene invece la cronologia legata alla singola entità e consente agli agenti di leggerla direttamente dove risiede, attraverso SDK e Model Context Protocol, senza dover prima trasferire i dati verso un processo esterno.
Il modello dati viene definito dall’azienda come “event series database” e non come un tradizionale database relazionale, documentale, a grafo o time series, pur condividendo alcuni concetti con queste categorie. Ogni entità, per esempio un utente, un dispositivo oppure un agente, viene trattata come chiave primaria e tutti gli eventi che la riguardano vengono collegati in sequenza alla stessa entità. Secondo la descrizione fornita da Keewano, il risultato può essere interpretato come una grande tabella separata per ciascuna entità, invece di un insieme di tabelle relazionali che devono essere combinate attraverso join durante l’esecuzione delle query.
L’architettura è composta da tre livelli principali. Il formato di storage conserva gli eventi in unità da quattro byte su disco e li organizza in base all’entità di appartenenza, eliminando l’uso delle join nelle query. Un semantic layer interviene invece durante l’ingestion e utilizza modelli linguistici per aggiungere ulteriore contesto a ciascun evento nel momento in cui viene registrato. Queste informazioni semantiche non sovrascrivono gli stati precedenti, ma entrano a loro volta nella sequenza: se un utente passa, per esempio, da attivo a inattivo e successivamente viene segnalato per frode, tutti questi stati rimangono disponibili nella cronologia, permettendo all’agente di conoscere la condizione corrente senza perdere il percorso precedente.
Il terzo elemento è il percorso di query, basato su un acceleration engine che consente agli agenti di eseguire script direttamente all’interno del database tramite MCP. In questo modo viene eliminato uno dei passaggi comuni nelle architetture agentiche, dove i dati vengono prima estratti dal database e trasferiti verso un componente esterno che li elabora. Keewano punta quindi a ridurre data movement, latenza e consumo di risorse mantenendo l’elaborazione più vicina al livello in cui la sequenza degli eventi è già memorizzata.
Al database è associato anche un livello di analytics opzionale. Questo comprende un agente per interrogazioni in linguaggio naturale e un secondo agente denominato Signal, che secondo l’azienda esegue approssimativamente una volta all’ora attività di rilevamento delle anomalie e inferenza causale. L’impostazione punta quindi non soltanto a fornire agli agenti una memoria cronologica persistente, ma anche a consentire analisi sul modo in cui lo stato di un’entità cambia nel tempo e sulle possibili relazioni tra eventi differenti.
L’origine del progetto è legata al lavoro del cofondatore e CTO Pavel Bibergal, in precedenza responsabile dell’infrastruttura dati presso la società di gaming multipiattaforma Plarium. Il team aveva iniziato circa due anni fa a lavorare con agenti e modelli linguistici, incontrando difficoltà nell’ottenere risposte in tempo reale anche disponendo di un budget elevato e di analisti dedicati. I data warehouse esistenti erano in grado di mostrare cosa fosse accaduto, ma risultava più complesso ricostruire in modo economico il perché di un determinato comportamento mantenendo l’intera sequenza degli eventi. Questo limite ha portato allo sviluppo del primo prototipo di KeewanoDB.
Secondo Philip Russom, distinguished analyst presso IronSpark Analysis, uno degli elementi più distintivi del progetto è il fatto che le funzionalità legate al machine learning siano native nell’architettura invece di essere aggiunte successivamente a un database relazionale. Russom osserva che molti database commerciali dispongono oggi di capacità ML, ma spesso richiedono trasformazioni dei dati strutturati e spostano l’elaborazione fuori dal DBMS, introducendo ulteriori movimenti di dati e consumo di risorse. Lo stesso analista descrive KeewanoDB come una combinazione di caratteristiche riconducibili a database a grafo, neural network, time series, sistemi in-memory e real-time, senza ricondurlo però a una categoria tradizionale precisa.
L’approccio si inserisce in un mercato in cui diversi produttori stanno modificando le proprie piattaforme dati per supportare memoria persistente e contesto degli agenti AI. Oracle ha recentemente ampliato il proprio database con un motore transazionale capace di gestire nello stesso ambiente dati vettoriali, JSON, grafi, dati relazionali e spaziali, mentre Couchbase ha puntato sulle proprie tecnologie di caching e transazione come base per la memoria persistente degli agenti. Keewano sceglie invece di differenziarsi intervenendo direttamente sul modo in cui gli eventi vengono scritti e conservati, mantenendo intatta la loro sequenza fin dall’ingestion.
Il problema del contesto rimane particolarmente rilevante nelle applicazioni agentiche. Una ricerca VentureBeat Pulse condotta nel luglio 2026 su 101 aziende con più di 100 dipendenti ha rilevato che il 68% aveva osservato negli ultimi sei mesi risposte sicure ma errate da parte degli agenti AI attribuite a contesto aziendale mancante o incoerente piuttosto che a un errore del modello. Nel 37% dei casi il problema era ricorrente, contro il 32% di episodi isolati. KeewanoDB cerca di affrontare proprio questo tipo di limite conservando una storia degli eventi già strutturata per entità, evitando che l’agente debba ricostruirla ogni volta da aggregazioni o fonti separate.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)