42AI haalt $62,5 miljoen aan startfinanciering op voor gedragswereldmodel

TechCrunch meldde op 2 november 2026 dat de Israëlische startup 42AI uit de stealthmodus was gekomen met $62,5 miljoen aan startfinanciering en een gedragswereldmodel dat bij financiële makelaars actief is. De oprichters vertelden TechCrunch dat het systeem inschat hoe waarschijnlijk het is dat individuele klanten zich onder veranderende omstandigheden op een bepaalde manier gedragen.

Topman en medeoprichter Amit Gal-Or vertelde TechCrunch dat de financiering in drie jaar tijd afkomstig was van de oprichters en Infinity Group, en niet volledig was opgehaald bij externe investeerders. Infinity werd opgericht door zijn vader, Amir Gal-Or, die ook voorzitter van 42AI en medeoprichter is. Ehud Ezra is technisch directeur en medeoprichter.

Gal-Or zei dat 42AI samenwerkt met 10 grote makelaars, meer klanten aan boord neemt en een omzet van meer dan zeven cijfers genereert, al gaf hij geen exact bedrag. Klanten betalen een vast bedrag of een percentage van de waarde die het platform hen helpt te behalen. Volgens hem heeft één makelaar met dynamische hedging ongeveer $30 miljoen aan extra waarde gegenereerd.

Zo werkt het gedragsmodel

Gal-Or en Ezra vertelden TechCrunch dat gedrag probabilistisch en niet deterministisch is. Volgens hen probeert 42AI onderliggende drijfveren te achterhalen in plaats van eerdere handelingen simpelweg door te trekken; het model kent aan mogelijke beslissingen onder verschillende omstandigheden waarschijnlijkheden toe.

Voor klanten in de makelaardij kunnen de invoergegevens volgens Ezra bestaan uit klantidentificatie- en onboardingprocessen, interacties met de klantenservice en verkoopteams, geldtransfers en transacties. De onderzochte signalen omvatten sentiment, stemgebruik, de frequentie van telefoongesprekken, het tijdstip van aankopen en verkopen en de gelijktijdige marktomstandigheden.

TechCrunch meldde dat deze waarnemingen worden omgezet in wiskundige representaties van kenmerken en worden ingevoerd in een op een transformer gebaseerd wereldmodel. Een afzonderlijk taalmodel genereert verklaringen bij de voorspellingen. Ezra zei dat de beloningen tijdens de training zo zijn ontworpen dat onderliggende neigingen tijdens simulaties behouden blijven: iemand die doorgaans risico mijdt, zou niet plotseling als een risiconemer moeten worden gemodelleerd.

Trainingsgegevens en gerapporteerde resultaten

Gal-Or zei dat 42AI drie jaar aan de ontwikkeling van de aanpak heeft besteed. Daarbij werd psychologisch onderzoek gecombineerd met neurowetenschap en genetica, en werd advies ingewonnen bij deskundigen op het gebied van psychologie en PTSS en bij chemicus Dan Shechtman. Het team bestudeerde aanvankelijk duizenden mensen aan de hand van psychologische assessments en gedragsscenario’s en voegde daarna overheids- en biobankdatasets toe met gegevens over meer dan 2 miljoen mensen. Volgens hem werden de klantdatasets vervolgens uitgebreid tot bijna 30 miljoen mensen.

TechCrunch meldde dat 42AI een nauwkeurigheid van 98% claimt bij het voorspellen van markttransacties. Gal-Or verduidelijkte dat dit cijfer aangeeft of de handelsstromen binnen een voorspelde bandbreedte vallen, en niet of elke afzonderlijke transactie correct wordt voorspeld. Ook rapporteerde hij F1-scores van 0,8 tot 0,85 voor de richting en het volume van transacties. De F1-score meet hoe een classificatiemodel de balans vindt tussen correcte voorspellingen, valse alarmen en gemiste gebeurtenissen.

De oprichters erkenden dat er een bovengrens aan de nauwkeurigheid zit, omdat het systeem geen toegang heeft tot alles wat iemand meemaakt. Ezra zei dat de nauwkeurigheid ook afneemt wanneer belangrijke context ontbreekt, zoals advies van een vriend of collega dat een handelsbeslissing verandert.

Een preprint die op 19 februari 2026 bij arXiv werd ingediend door Ben Yellin, Ezra, Mark Foreman en Shula Grinapol introduceerde een Large Behavioral Model dat met aanvullende training was afgestemd op het voorspellen van individuele strategische keuzes op basis van gestructureerde, hoogdimensionale psychometrische kenmerkprofielen. De auteurs beschreven een training met een eigen dataset waarin stabiele disposities, motivatietoestanden en situationele beperkingen werden gekoppeld aan waargenomen keuzes.

Bij een evaluatie met achtergehouden scenario’s rapporteerden de auteurs betere gedragsvoorspellingen dan met de niet-aangepaste Llama-3.1-8B-Instruct-basis en vergelijkbare prestaties als die van toonaangevende basismodellen wanneer het model informatie over de Big Five-persoonlijkheidskenmerken kreeg. Ook meldden ze dat hun model bleef profiteren van uitgebreidere kenmerkprofielen, terwijl basismodellen die op prompts waren gebaseerd tegen een complexiteitsgrens aanliepen.

Toepassingen bij makelaars en genoemde beperkingen

Op de website van 42AI beschrijft het bedrijf een gedragsstack die ruwe gegevens omzet in gedragsdrijfveren, reacties op specifieke gebeurtenissen en gedrag in de loop van de tijd voorspelt, veranderende variabelen simuleert en verklaringen geeft. Het bedrijf vermeldt responstijden van 1–10 milliseconden voor het wereldmodel en 2–12 milliseconden voor het grote gedragsmodel.

Volgens de website kan het aanbod voor makelaars de transacties van elke klant tot 24 uur vooruit voorspellen, uitgesplitst naar instrument, richting en volume. De genoemde toepassingen bij makelaars omvatten ook vroegtijdig inzicht in blootstelling, dynamische hedging, beheer van staartrisico en vermindering van slippage en value-at-risk. Gal-Or vertelde TechCrunch dat klanten het systeem gebruiken om liquiditeit, margevereisten en hedgingblootstelling te beheren.

Gal-Or zei dat het ingezette systeem geen persoonlijk identificeerbare informatie nodig heeft en dat het model nooit weet wie de persoon is. TechCrunch meldde dat 42AI desondanks individuele gedragsprofielen opstelt op basis van gekoppelde klantactiviteiten.

Toen TechCrunch de mogelijkheid aankaartte dat klanten voorspellingen over hun eigen klanten zouden kunnen misbruiken, noemde Ezra dat een terechte zorg. De oprichters wezen op regelgeving, monitoring en een interne ethische commissie, terwijl Gal-Or zei dat de technologie zulke risico’s zou kunnen helpen aanpakken. TechCrunch meldde dat zij geen specifiek mechanisme hadden toegelicht om te voorkomen dat klanten de voorspellingen zouden gebruiken om een voordeel te behalen ten opzichte van de mensen van wie het gedrag in kaart wordt gebracht.

De oprichters vertelden TechCrunch dat 42AI de mogelijkheden onderzoekt op het gebied van gaming, fraudepreventie en cyberbeveiliging, en uiteindelijk wil dat robots en AI-agenten het model gebruiken om mensen te begrijpen. Ezra zei dat het model moet worden getraind op de regels en context van elk nieuw domein. Gal-Or zei ook dat het bedrijf van plan is meer geld op te halen.

Voor uitbreiding buiten de gedocumenteerde implementaties bij effectenmakelaars is de domeinspecifieke training nodig die Ezra beschreef. Het financieringsplan van 42AI is om meer geld op te halen.