42AI sikrer 62,5 millioner dollar i såkornfinansiering til en verdensmodell for atferd

TechCrunch meldte 2. november 2026 at den israelske oppstartsbedriften 42AI hadde kommet ut av stealth-modus med 62,5 millioner dollar i såkornfinansiering og en verdensmodell for atferd som brukes av finansielle meglerhus. Grunnleggerne fortalte TechCrunch at systemet beregner sannsynligheten for hvordan enkeltkunder kan komme til å handle under skiftende omstendigheter.

Administrerende direktør og medgrunnlegger Amit Gal-Or fortalte TechCrunch at finansieringen kom fra grunnleggerne og Infinity Group over en periode på tre år, og at den ikke utelukkende ble hentet fra eksterne investorer. Infinity ble grunnlagt av faren hans, Amir Gal-Or, som også er styreleder i 42AI og medgrunnlegger. Ehud Ezra er teknologidirektør og medgrunnlegger.

Gal-Or sa at 42AI samarbeider med 10 store meglerhus, er i ferd med å ta inn flere kunder og har inntekter på mer enn et sjusifret beløp, men han oppga ikke et nøyaktig tall. Kundene betaler enten en fast avgift eller en prosentandel av verdien plattformen hjelper dem med å skape. Han sa at ett meglerhus skapte en tilleggsverdi på omtrent 30 millioner dollar gjennom dynamisk sikring.

Slik fungerer atferdsmodellen

Gal-Or og Ezra fortalte TechCrunch at atferd er sannsynlighetsbasert, ikke deterministisk. De sa at 42AI prøver å identifisere underliggende motiver i stedet for bare å ekstrapolere tidligere handlinger, og at modellen beregner sannsynligheten for mulige beslutninger under ulike omstendigheter.

For meglerhuskunder kan datagrunnlaget ifølge Ezra omfatte kundekjennskaps- og registreringsprosesser, interaksjoner med kundestøtte og salg, pengeoverføringer og handler. Signalene som undersøkes, omfatter sentiment, stemme, hvor ofte kunden ringer, tidspunktet for kjøp og salg samt samtidige markedsforhold.

TechCrunch meldte at disse observasjonene omgjøres til matematiske representasjoner av egenskaper og mates inn i en transformatorbasert verdensmodell. En separat språkmodell lager forklaringer på prediksjonene. Ezra sa at belønningene i opplæringen er utformet for å bevare underliggende tendenser i simuleringene: En person som vanligvis er risikoavers, skal ikke plutselig modelleres som risikovillig.

Treningsdata og rapporterte resultater

Gal-Or sa at 42AI brukte tre år på å utvikle metoden. Arbeidet kombinerte psykologisk forskning med nevrovitenskap og genetikk, og teamet fikk råd fra eksperter på psykologi og PTSD samt kjemikeren Dan Shechtman. Først studerte teamet tusenvis av mennesker ved hjelp av psykologiske vurderinger og atferdsscenarioer. Deretter la det til offentlige datasett og biobankdatasett som omfattet mer enn 2 millioner mennesker. Ifølge Gal-Or ble kundedatasettene senere utvidet til å omfatte nesten 30 millioner mennesker.

TechCrunch meldte at 42AI oppgir en nøyaktighet på 98 prosent for prediksjon av markedshandler. Gal-Or presiserte at tallet måler om handelsstrømmene holder seg innenfor et anslått intervall, ikke om hver enkelt handel blir korrekt predikert. Han oppga også F1-skårer på 0,8 til 0,85 for retning og volum på handler. F1 måler hvordan en klassifikasjonsmodell balanserer korrekte prediksjoner mot falske alarmer og hendelser den overser.

Grunnleggerne erkjente at det finnes en øvre grense for nøyaktigheten, fordi systemet ikke har tilgang til alt en person opplever. Ezra sa at nøyaktigheten også blir dårligere når viktig situasjonskontekst mangler, for eksempel råd fra en venn eller kollega som påvirker en beslutning om å handle.

Et forhåndstrykk sendt inn til arXiv 19. februar 2026 av Ben Yellin, Ezra, Mark Foreman og Shula Grinapol presenterte en stor atferdsmodell som var finjustert for å forutsi individuelle strategiske valg ut fra strukturerte, høy-dimensjonale profiler av psykometriske trekk. Forfatterne beskrev en modell som var trent på et proprietært datasett som knyttet stabile disposisjoner, motivasjonstilstander og situasjonsbetingelser til observerte valg.

I en evaluering av scenarioer som var holdt utenfor treningsdataene, rapporterte forfatterne bedre atferdsprediksjoner enn med den utilpassede grunnmodellen Llama-3.1-8B-Instruct, og resultater på nivå med ledende referansemodeller når modellen fikk informasjon om Big Five-trekkene. De rapporterte også at modellen fortsatte å dra nytte av mer detaljerte trekkprofiler, mens referansemodeller basert på prompting nådde en kompleksitetsgrense.

Bruk i meglerhus og oppgitte begrensninger

På 42AIs nettsted beskriver selskapet en teknologistakk for atferdsmodellering som omgjør rådata til atferdsdrivere, forutsier reaksjoner på bestemte hendelser og atferd over tid, simulerer endringer i variabler og gir forklaringer. Selskapet oppgir responstider på 1–10 millisekunder for verdensmodellen og 2–12 millisekunder for den store atferdsmodellen.

Ifølge nettstedet kan løsningen for meglerhus forutsi hver enkelt kundes handler opptil 24 timer fram i tid, fordelt på instrument, retning og volum. Blant bruksområdene for meglerhus nevnes også tidlig oversikt over eksponering, dynamisk sikring, håndtering av halerisiko samt reduksjon av kursglidning og verdi ved risiko. Gal-Or fortalte TechCrunch at kundene bruker systemet til å håndtere likviditet, marginkrav og sikringseksponering.

Gal-Or sa at systemet som er tatt i bruk, ikke trenger personidentifiserende informasjon, og at modellen aldri vet hvem personen er. TechCrunch meldte at 42AI likevel oppretter individuelle atferdsprofiler basert på koblet kundeaktivitet.

Da TechCrunch tok opp muligheten for at kunder kunne utnytte forutsigelser om sine egne klienter, kalte Ezra det en berettiget bekymring. Gründerne viste til regelverk, overvåking og en intern etikkomité, mens Gal-Or sa at teknologien kunne bidra til å håndtere slike risikoer. TechCrunch rapporterte at de ikke forklarte noen konkret mekanisme som skulle hindre kundene i å bruke forutsigelsene til å skaffe seg en fordel på bekostning av personene som ble profilert.

Gründerne fortalte TechCrunch at 42AI utforsker spill, forebygging av svindel og cybersikkerhet, og at selskapet på sikt ønsker at roboter og KI-agenter skal bruke modellen til å forstå mennesker. Ezra sa at modellen må trenes på reglene og konteksten i hvert nye domene. Gal-Or sa også at selskapet planlegger å hente inn mer kapital.

Utvidelse utover de dokumenterte utrullingene hos meglerforetak krever den domenespesifikke treningen Ezra beskrev, mens 42AIs uttalte finansieringsplan er å hente inn mer kapital.