42AI säkrar 62,5 miljoner dollar i såddfinansiering för en världsmodell för beteende

TechCrunch rapporterade den 2 november 2026 att den israeliska startupen 42AI hade lämnat stealthläget med 62,5 miljoner dollar i såddfinansiering och en världsmodell för beteende i drift hos finansmäklarfirmor. Grundarna berättade för TechCrunch att systemet uppskattar sannolikheten för hur enskilda kunder kan agera under förändrade omständigheter.

Vd:n och medgrundaren Amit Gal-Or berättade för TechCrunch att finansieringen kom från grundarna och Infinity Group under tre år och inte helt hade tagits in från externa investerare. Infinity grundades av hans far, Amir Gal-Or, som också är styrelseordförande i 42AI och en av företagets medgrundare. Ehud Ezra är teknikchef och medgrundare.

Gal-Or sade att 42AI samarbetar med 10 stora mäklarfirmor, tar in fler kunder och har intäkter på över en miljon, även om han inte angav någon exakt siffra. Kunderna betalar antingen en fast avgift eller en andel av det värde som plattformen hjälper dem att skapa. Han sade att en mäklarfirma skapade ett mervärde på cirka 30 miljoner dollar genom dynamisk säkring.

Så fungerar beteendemodellen

Gal-Or och Ezra berättade för TechCrunch att beteende är sannolikhetsstyrt snarare än deterministiskt. De sade att 42AI försöker identifiera underliggande drivkrafter i stället för att bara extrapolera tidigare handlingar, och att modellen tilldelar möjliga beslut sannolikheter under olika omständigheter.

För mäklarkunder kan indata enligt Ezra omfatta kundkännedoms- och introduktionsprocesser, support- och säljsamtal, penningöverföringar och affärer. De signaler som analyseras omfattar sentiment, röst, samtalsfrekvens, tidpunkterna för köp och försäljningar samt rådande marknadsförhållanden.

TechCrunch rapporterade att observationerna omvandlas till matematiska representationer av egenskaper och matas in i en transformatorbaserad världsmodell. En separat språkmodell genererar förklaringar till förutsägelserna. Ezra sade att belöningarna vid träningen är utformade för att bevara underliggande tendenser i simuleringarna: en person som vanligtvis är riskovillig ska inte plötsligt modelleras som riskbenägen.

Träningsdata och redovisade resultat

Gal-Or sade att 42AI ägnade tre år åt att utveckla metoden, där psykologisk forskning kombinerades med neurovetenskap och genetik och företaget fick råd av experter inom psykologi och PTSD samt kemisten Dan Shechtman. Inledningsvis studerade teamet tusentals människor genom psykologiska bedömningar och beteendescenarier. Därefter lade det till myndighets- och biobanksdata som omfattade fler än 2 miljoner människor. Han sade att kundernas datamängder senare utökades till att omfatta nästan 30 miljoner människor.

TechCrunch rapporterade den siffra på 98 procents träffsäkerhet vid förutsägelser av marknadsaffärer som 42AI uppgett. Gal-Or förtydligade att måttet visar om handelsflödena hamnar inom ett förutsagt intervall, inte om varje enskild affär förutsägs korrekt. Han uppgav också F1-värden på 0,8–0,85 för affärernas riktning och volym. F1 mäter hur väl en klassificeringsmodell balanserar korrekta förutsägelser mot falsklarm och missade händelser.

Grundarna medgav att det finns ett tak för träffsäkerheten eftersom systemet inte har tillgång till allt en person upplever. Ezra sade att träffsäkerheten också försämras när viktig situationskontext saknas, till exempel råd från en vän eller kollega som ändrar ett beslut om en affär.

Ett förtryck som skickades in till arXiv den 19 februari 2026 av Ben Yellin, Ezra, Mark Foreman och Shula Grinapol presenterade en stor beteendemodell som finjusterats för att förutsäga individuella strategiska val utifrån strukturerade, högdimensionella profiler av psykometriska egenskaper. Författarna beskrev hur modellen tränats på en proprietär datamängd som kopplar samman stabila dispositioner, motivationstillstånd och situationsbetingade begränsningar med observerade val.

I en utvärdering med scenarier som modellen inte tränats på rapporterade författarna bättre beteendeförutsägelser än med den oanpassade Llama-3.1-8B-Instruct-modellen i botten, och jämförbara resultat med ledande baslinjemodeller när de använde Big Five-egenskaper som villkor. De rapporterade också att deras modell fortsatte att gynnas av mer detaljerade egenskapsprofiler, medan baslinjemodeller som styrdes med promptar nådde ett tak för hur komplexa uppgifter de klarade.

Användning hos mäklarfirmor och uppgivna begränsningar

På 42AI:s webbplats beskriver företaget en beteendestack som omvandlar rådata till beteendedrivkrafter, förutsäger reaktioner på specifika händelser och beteende över tid, simulerar föränderliga variabler och ger förklaringar. Företaget anger svarstider på 1–10 millisekunder för världsmodellen och 2–12 millisekunder för den stora beteendemodellen.

För mäklarfirmor uppger webbplatsen att erbjudandet kan förutsäga varje kunds affärer upp till 24 timmar i förväg, uppdelat efter instrument, riktning och volym. Bland användningsområdena hos mäklarfirmor listar företaget också förhandsinsyn i exponering, dynamisk säkring, hantering av extremrisker samt minskad slippage och risk vid värdefall. Gal-Or berättade för TechCrunch att kunder använder systemet för att hantera likviditet, marginkrav och säkringsexponering.

Gal-Or sade att det driftsatta systemet inte behöver personligt identifierbar information och att modellen aldrig vet vem personen är. TechCrunch rapporterade att 42AI trots detta skapar individuella beteendeprofiler utifrån sammanlänkad kundaktivitet.

När TechCrunch tog upp möjligheten att kunder skulle kunna utnyttja förutsägelser om sina egna klienter kallade Ezra det en befogad farhåga. Grundarna hänvisade till regleringar, övervakning och en intern etikkommitté, medan Gal-Or sa att tekniken skulle kunna bidra till att hantera sådana risker. TechCrunch rapporterade att de inte förklarade någon specifik mekanism som skulle hindra kunder från att använda förutsägelser för att skaffa sig ett övertag gentemot personerna som profileras.

Grundarna sa till TechCrunch att 42AI utforskar spel, bedrägeribekämpning och cybersäkerhet och så småningom vill att robotar och AI-agenter ska använda modellen för att förstå människor. Ezra sa att modellen måste tränas på reglerna och sammanhanget inom varje nytt område. Gal-Or sa också att företaget planerar att ta in mer kapital.

En expansion utöver de dokumenterade driftsättningarna hos mäklarfirmor kräver den domänspecifika träning som Ezra beskrev, samtidigt som 42AI:s uttalade finansieringsplan är att ta in mer kapital.