42AI sikrer sig 62,5 mio. dollar i seedfinansiering til adfærdsbaseret verdensmodel

TechCrunch rapporterede den 2. november 2026, at den israelske startup 42AI var kommet ud af hemmelighedsfasen med 62,5 millioner dollar i seedfinansiering og en adfærdsbaseret verdensmodel i drift hos finansielle mæglerhuse. Grundlæggerne fortalte TechCrunch, at systemet beregner sandsynligheden for, hvordan individuelle kunder kan agere under skiftende omstændigheder.

Administrerende direktør og medstifter Amit Gal-Or fortalte TechCrunch, at finansieringen kom fra grundlæggerne og Infinity Group over tre år og ikke udelukkende blev hentet hos eksterne investorer. Infinity blev grundlagt af hans far, Amir Gal-Or, som også er bestyrelsesformand i 42AI og medstifter af virksomheden. Ehud Ezra er teknologidirektør og medstifter.

Gal-Or sagde, at 42AI samarbejder med 10 store mæglerhuse, er ved at onboarde flere kunder og har en omsætning på over syv cifre, men han oplyste ikke et præcist beløb. Kunderne betaler enten et fast gebyr eller en procentdel af den værdi, platformen hjælper dem med at skabe. Han sagde, at ét mæglerhus skabte en merværdi på cirka 30 millioner dollar gennem dynamisk afdækning.

Sådan fungerer adfærdsmodellen

Gal-Or og Ezra fortalte TechCrunch, at adfærd er probabilistisk snarere end deterministisk. De sagde, at 42AI forsøger at identificere underliggende motiver i stedet for blot at fremskrive tidligere handlinger, og at modellen tildeler sandsynligheder til mulige beslutninger under forskellige omstændigheder.

For mæglerhusenes kunder kan input ifølge Ezra omfatte kend-din-kunde- og onboardingprocesser, interaktioner med support og salg, pengeoverførsler og handler. De analyserede signaler omfatter sentiment, stemme, hyppigheden af opkald, tidspunktet for køb og salg samt samtidige markedsforhold.

TechCrunch rapporterede, at disse observationer omdannes til matematiske repræsentationer af egenskaber og indgår i en transformerbaseret verdensmodel. En separat sprogmodel genererer forklaringer på forudsigelserne. Ezra sagde, at belønningerne i træningen er udformet, så underliggende tendenser bevares i simuleringerne: En person, der normalt er risikoavers, bør ikke pludselig modelleres som risikovillig.

Træningsdata og rapporterede resultater

Gal-Or sagde, at 42AI brugte tre år på at udvikle metoden, hvor psykologisk forskning blev kombineret med neurovidenskab og genetik, og at virksomheden fik rådgivning fra eksperter i psykologi og PTSD samt kemikeren Dan Shechtman. I begyndelsen undersøgte teamet tusindvis af mennesker gennem psykologiske vurderinger og adfærdsscenarier og tilføjede derefter datasæt fra myndigheder og biobanker, der dækkede mere end 2 millioner mennesker. Han sagde, at kundedatasættene siden blev udvidet, så de dækkede næsten 30 millioner mennesker.

TechCrunch rapporterede, at 42AI oplyste en nøjagtighed på 98 % ved forudsigelse af markedshandler. Gal-Or præciserede, at tallet måler, om handelsstrømmene ligger inden for et forudsagt interval, og ikke om hver enkelt handel forudsiges korrekt. Han oplyste også F1-scorer på 0,8 til 0,85 for handelsretning og -volumen. F1 måler, hvordan en klassifikationsmodel afvejer korrekte forudsigelser mod falske alarmer og oversete hændelser.

Grundlæggerne anerkendte, at der er en øvre grænse for nøjagtigheden, fordi systemet ikke har adgang til alt det, en person oplever. Ezra sagde, at nøjagtigheden også falder, når vigtig situationsbestemt kontekst mangler, for eksempel råd fra en ven eller kollega, der ændrer en handelsbeslutning.

Et fortryk indsendt til arXiv den 19. februar 2026 af Ben Yellin, Ezra, Mark Foreman og Shula Grinapol introducerede en stor adfærdsmodel, der var finjusteret til at forudsige individuelle strategiske valg ud fra strukturerede, højdimensionelle profiler af psykometriske træk. Forfatterne beskrev træning på et proprietært datasæt, der kobler stabile dispositioner, motiverende tilstande og situationsbestemte begrænsninger til observerede valg.

I en evaluering af scenarier, der var holdt ude af træningen, rapporterede forfatterne bedre adfærdsforudsigelser end med den ikke-tilpassede Llama-3.1-8B-Instruct-grundmodel og sammenlignelige resultater med førende referencemodeller, når de blev betinget af Big Five-træk. De rapporterede også, at modellen fortsat havde gavn af mere detaljerede trækprofiler, mens promptbaserede referencemodeller ramte en grænse for kompleksitet.

Anvendelse hos mæglerhuse og oplyste begrænsninger

På 42AI’s website beskriver virksomheden en adfærdsplatform, der omdanner rådata til adfærdsdrivkræfter, forudsiger reaktioner på specifikke begivenheder og adfærd over tid, simulerer ændringer i variabler og leverer forklaringer. Virksomheden angiver svartider på 1–10 millisekunder for verdensmodellen og 2–12 millisekunder for den store adfærdsmodel.

Ifølge virksomhedens website kan løsningen for mæglerhuse forudsige hver enkelt kundes handler op til 24 timer i forvejen fordelt på instrument, retning og volumen. Blandt anvendelserne hos mæglerhuse nævner virksomheden også tidligt indblik i eksponering, dynamisk afdækning, styring af halerisiko samt reduktion af slippage og Value-at-Risk. Gal-Or fortalte TechCrunch, at kunderne bruger systemet til at styre likviditet, marginkrav og afdækningseksponering.

Gal-Or sagde, at det system, der er sat i drift, ikke har brug for personhenførbare oplysninger, og at modellen aldrig ved, hvem personen er. TechCrunch rapporterede, at 42AI alligevel opretter individuelle adfærdsprofiler ud fra sammenkædede kundeaktiviteter.

Da TechCrunch rejste spørgsmålet om, hvorvidt kunder kunne udnytte forudsigelser om deres egne klienter, kaldte Ezra det en berettiget bekymring. Grundlæggerne henviste til regulering, overvågning og et internt etikudvalg, mens Gal-Or sagde, at teknologien kunne bidrage til at håndtere sådanne risici. TechCrunch rapporterede, at de ikke forklarede nogen konkret mekanisme, der skulle forhindre kunder i at bruge forudsigelserne til at opnå en fordel på bekostning af de personer, der blev profileret.

Grundlæggerne fortalte TechCrunch, at 42AI undersøger muligheder inden for spil, forebyggelse af svindel og cybersikkerhed og på sigt ønsker, at robotter og AI-agenter skal bruge modellen til at forstå mennesker. Ezra sagde, at modellen skal trænes i reglerne og konteksten for hvert nyt område. Gal-Or sagde også, at virksomheden planlægger at rejse yderligere kapital.

En udvidelse ud over de dokumenterede implementeringer hos mæglere kræver den domænespecifikke træning, som Ezra beskrev, mens 42AI ifølge virksomhedens egen udmelding planlægger at rejse yderligere kapital.