42AI pozyskuje 62,5 mln dolarów finansowania zalążkowego na rozwój behawioralnego modelu świata

Jak poinformował TechCrunch 2 listopada 2026 r., izraelski startup 42AI zakończył działanie w trybie stealth, pozyskując 62,5 mln dolarów finansowania zalążkowego i opracowując behawioralny model świata wykorzystywany w domach maklerskich. Założyciele powiedzieli TechCrunch, że system szacuje prawdopodobieństwo tego, jak poszczególni klienci mogą się zachować w zmieniających się okolicznościach.

Prezes i współzałożyciel Amit Gal-Or powiedział TechCrunch, że finansowanie pochodziło od założycieli i Infinity Group, a jego pozyskiwanie trwało trzy lata; nie całość zapewnili inwestorzy zewnętrzni. Infinity założył jego ojciec, Amir Gal-Or, który jest również prezesem zarządu 42AI i współzałożycielem firmy. Ehud Ezra jest dyrektorem ds. technologii i współzałożycielem.

Gal-Or powiedział, że 42AI współpracuje z 10 dużymi domami maklerskimi, pozyskuje kolejnych klientów i generuje przychody przekraczające siedmiocyfrową kwotę, nie podał jednak dokładnej wartości. Klienci płacą stałą opłatę albo określony procent wartości, którą pomaga im uzyskać platforma. Dodał, że jeden z domów maklerskich uzyskał dzięki dynamicznemu zabezpieczaniu około 30 mln dolarów dodatkowej wartości.

Jak działa model behawioralny

Gal-Or i Ezra powiedzieli TechCrunch, że ludzkie zachowanie jest probabilistyczne, a nie deterministyczne. Jak wyjaśnili, 42AI próbuje rozpoznawać ukryte motywacje, zamiast po prostu ekstrapolować wcześniejsze działania, a model przypisuje prawdopodobieństwo możliwym decyzjom w różnych okolicznościach.

Ezra powiedział, że w przypadku klientów domów maklerskich dane wejściowe mogą obejmować procedury KYC (poznania klienta) i wdrażania klientów, interakcje z działami obsługi i sprzedaży, przelewy pieniężne oraz transakcje. Analizowane sygnały to między innymi sentyment, głos, częstotliwość połączeń, terminy zakupów i sprzedaży oraz występujące w tym samym czasie warunki rynkowe.

TechCrunch poinformował, że obserwacje te są przekształcane w matematyczne reprezentacje cech i wprowadzane do modelu świata opartego na architekturze transformerowej. Odrębny model językowy generuje wyjaśnienia prognoz. Ezra powiedział, że mechanizmy nagradzania podczas trenowania mają za zadanie zachowywać podstawowe skłonności w symulacjach: osoby, która zwykle unika ryzyka, nie powinno się nagle modelować jako skłonnej do jego podejmowania.

Dane treningowe i raportowane wyniki

Gal-Or powiedział, że 42AI przez trzy lata opracowywała to podejście, łącząc badania psychologiczne z neuronauką i genetyką oraz korzystając z porad ekspertów w dziedzinie psychologii i zespołu stresu pourazowego (PTSD), a także chemika Dana Shechtmana. Zespół początkowo badał tysiące osób za pomocą testów psychologicznych i scenariuszy behawioralnych, a następnie dodał rządowe zbiory danych i dane z biobanków obejmujące ponad 2 mln osób. Jak dodał, później zbiory danych klientów powiększyły się i objęły prawie 30 mln osób.

TechCrunch podał, że 42AI deklaruje 98-procentową dokładność prognozowania transakcji rynkowych. Gal-Or wyjaśnił, że wskaźnik ten mierzy, czy przepływy transakcyjne mieszczą się w przewidywanym przedziale, a nie to, czy prawidłowo prognozowana jest każda pojedyncza transakcja. Podał również wyniki F1 na poziomie od 0,8 do 0,85 dla kierunku i wolumenu transakcji. F1 mierzy, jak model klasyfikacyjny równoważy prawidłowe prognozy z fałszywymi alarmami i pominiętymi zdarzeniami.

Założyciele przyznali, że dokładność ma swoje ograniczenia, ponieważ system nie ma dostępu do wszystkiego, czego doświadcza dana osoba. Ezra powiedział, że dokładność spada również wtedy, gdy brakuje istotnego kontekstu sytuacyjnego, na przykład rady znajomego lub współpracownika, która zmienia decyzję o zawarciu transakcji.

Preprint złożony w arXiv 19 lutego 2026 r. przez Bena Yellina, Ezrę, Marka Foremana i Shulę Grinapol przedstawiał duży model behawioralny dostrojony do przewidywania indywidualnych wyborów strategicznych na podstawie uporządkowanych, wielowymiarowych profili cech psychometrycznych. Autorzy opisali trenowanie modelu na zastrzeżonym zbiorze danych łączącym stabilne dyspozycje, stany motywacyjne i ograniczenia sytuacyjne z zaobserwowanymi wyborami.

W ocenie scenariuszowej na niewykorzystywanym wcześniej zbiorze autorzy odnotowali lepsze przewidywanie zachowań niż w przypadku niedostosowanego modelu bazowego Llama-3.1-8B-Instruct, a także porównywalne wyniki z wiodącymi modelami bazowymi, gdy warunkowano je cechami z Wielkiej Piątki. Podali również, że ich model nadal korzystał z bardziej szczegółowych profili cech, podczas gdy modele bazowe wykorzystujące podpowiedzi osiągały pułap złożoności.

Zastosowania w domach maklerskich i deklarowane ograniczenia

Na stronie internetowej 42AI firma opisuje stos behawioralny, który przekształca surowe dane w czynniki behawioralne, przewiduje reakcje na konkretne zdarzenia i zachowanie w czasie, symuluje zmienne warunki oraz dostarcza wyjaśnień. Podaje, że czas odpowiedzi modelu świata wynosi od 1 do 10 milisekund, a dużego modelu zachowań — od 2 do 12 milisekund.

Według strony oferta dla domów maklerskich pozwala przewidywać transakcje każdego klienta z wyprzedzeniem do 24 godzin, z podziałem na instrument, kierunek i wolumen. Wśród zastosowań w domach maklerskich wymieniono również wcześniejszy wgląd w ekspozycję, dynamiczne zabezpieczanie, zarządzanie ryzykiem skrajnym oraz ograniczanie poślizgu cenowego i wartości zagrożonej (VaR). Gal-Or powiedział TechCrunch, że klienci korzystają z systemu do zarządzania płynnością, wymogami dotyczącymi depozytu zabezpieczającego i ekspozycją zabezpieczającą.

Gal-Or powiedział, że wdrożony system nie potrzebuje danych umożliwiających identyfikację osób, a model nigdy nie wie, kim jest dana osoba. TechCrunch poinformował jednak, że 42AI tworzy indywidualne profile behawioralne na podstawie powiązanej aktywności klientów.

Gdy TechCrunch zwrócił uwagę na możliwość wykorzystywania przez klientów przewidywań dotyczących ich własnych klientów, Ezra uznał to za uzasadnioną obawę. Założyciele wskazali na regulacje, monitoring i wewnętrzną komisję etyczną, a Gal-Or powiedział, że technologia może pomóc ograniczyć takie ryzyko. TechCrunch poinformował, że nie wyjaśnili, jaki konkretny mechanizm miałby powstrzymywać klientów przed wykorzystywaniem przewidywań do uzyskiwania przewagi nad osobami, których profile są tworzone.

Założyciele powiedzieli TechCrunch, że 42AI bada możliwości zastosowania modelu w grach, zapobieganiu oszustwom i cyberbezpieczeństwie, a w przyszłości chce, by roboty i agenci sztucznej inteligencji korzystali z niego, aby rozumieć ludzi. Ezra powiedział, że model musi być trenowany w oparciu o zasady i kontekst każdej nowej dziedziny. Gal-Or dodał, że firma planuje pozyskać dodatkowe środki.

Rozszerzenie działalności poza udokumentowane wdrożenia w firmach maklerskich wymaga specjalistycznego szkolenia modelu dla danej dziedziny, o którym mówił Ezra, natomiast deklarowany plan finansowania 42AI zakłada pozyskanie dodatkowych środków.