42AI залучила $62,5 млн посівного фінансування для створення поведінкової моделі світу

Як повідомляє TechCrunch, 2 листопада 2026 року ізраїльський стартап 42AI вийшов із режиму прихованої роботи, залучивши $62,5 млн посівного фінансування для розробки поведінкової моделі світу, що працює в брокерських компаніях. Засновники розповіли TechCrunch, що система оцінює ймовірність того, як окремі клієнти можуть діяти за різних обставин.

Генеральний директор і співзасновник Amit Gal-Or розповів TechCrunch, що протягом трьох років фінансування надходило від засновників і Infinity Group, а не було повністю залучене від зовнішніх інвесторів. Infinity заснував його батько, Amir Gal-Or, який також є головою ради директорів 42AI та співзасновником компанії. Ehud Ezra — технічний директор і співзасновник.

За словами Gal-Or, 42AI співпрацює з 10 великими брокерськими компаніями, підключає нових клієнтів і отримує дохід у розмірі понад семизначної суми, хоча він не назвав точної цифри. Клієнти платять фіксовану суму або відсоток від вигоди, яку допомагає отримати платформа. Він сказав, що одна брокерська компанія отримала близько $30 млн додаткової вигоди завдяки динамічному хеджуванню.

Як працює поведінкова модель

Gal-Or і Ezra розповіли TechCrunch, що поведінка має ймовірнісний, а не детермінований характер. За їхніми словами, 42AI намагається виявити глибинні мотиви, а не просто екстраполювати попередні дії; модель оцінює ймовірність різних рішень за різних обставин.

За словами Ezra, для клієнтів брокерських компаній вхідні дані можуть включати відомості, зібрані під час перевірки клієнта та його реєстрації, взаємодії зі службою підтримки й відділом продажів, грошові перекази та біржові операції. Серед аналізованих сигналів — настрої, голос, частота дзвінків, час купівлі й продажу, а також поточна ситуація на ринку.

Як повідомляє TechCrunch, ці спостереження перетворюють на математичні представлення рис і подають на вхід моделі світу на основі трансформера. Окрема мовна модель генерує пояснення прогнозів. За словами Ezra, функції винагороди під час навчання розроблено так, щоб у симуляціях зберігалися глибинні схильності: людину, яка зазвичай уникає ризику, не слід раптово моделювати як схильну до ризику.

Дані для навчання та заявлені результати

За словами Gal-Or, 42AI витратила три роки на розробку цього підходу, поєднуючи психологічні дослідження з нейронаукою та генетикою й консультуючись із фахівцями з психології та ПТСР, а також із хіміком Dan Shechtman. Спочатку команда вивчала тисячі людей за допомогою психологічних оцінювань і поведінкових сценаріїв, а потім додала державні дані та дані біобанків, що охоплювали понад 2 млн людей. За його словами, згодом клієнтські набори даних розширилися й охопили майже 30 млн людей.

TechCrunch повідомляє, що 42AI заявляє про 98% точності прогнозування ринкових торгів. Gal-Or уточнив, що цей показник визначає, чи потрапляють потоки торгів у прогнозований діапазон, а не те, чи правильно передбачено кожну окрему операцію. Він також повідомив про оцінки F1 від 0,8 до 0,85 для прогнозування напрямку торгів і їхнього обсягу. Показник F1 вимірює, наскільки добре модель класифікації балансує між правильними прогнозами, хибними спрацюваннями та пропущеними подіями.

Засновники визнали, що точність має верхню межу, оскільки система не має доступу до всього, що переживає людина. Ezra сказав, що точність також знижується, коли бракує важливого контексту ситуації, наприклад поради друга чи колеги, яка змінює рішення щодо торгівлі.

Препринт, поданий до arXiv 19 лютого 2026 року Ben Yellin, Ezra, Mark Foreman і Shula Grinapol, представив велику поведінкову модель, налаштовану для прогнозування індивідуальних стратегічних рішень на основі структурованих психометричних профілів рис високої розмірності. Автори описали навчання на власному наборі даних, що пов’язує стійкі схильності, мотиваційні стани й ситуаційні обмеження зі спостережуваними рішеннями.

Під час оцінювання на відкладених сценаріях автори повідомили про точніше прогнозування поведінки порівняно з базовою моделлю Llama-3.1-8B-Instruct без адаптації та про результати, порівнянні з найсучаснішими базовими моделями, якщо враховувати риси Великої п’ятірки. Також вони повідомили, що модель і далі вигравала від докладніших профілів рис, тоді як базові моделі, яким задавали підказки, досягали межі складності.

Застосування в брокерських компаніях і заявлені обмеження

На сайті 42AI компанія описує поведінковий технологічний стек, який перетворює необроблені дані на поведінкові чинники, прогнозує реакції на конкретні події та поведінку з часом, моделює змінні умови й надає пояснення. Заявлена швидкість відповіді становить 1–10 мілісекунд для моделі світу та 2–12 мілісекунд для великої моделі поведінки.

На сайті зазначено, що для брокерських компаній система може прогнозувати операції кожного клієнта на строк до 24 годин наперед, указуючи фінансовий інструмент, напрямок і обсяг. Серед застосувань у брокерській сфері також названо завчасну оцінку ризикових позицій, динамічне хеджування, управління хвостовими ризиками та зменшення прослизання й вартості під ризиком. Gal-Or розповів TechCrunch, що клієнти використовують систему для управління ліквідністю, вимогами до маржі та ризиками хеджування.

За словами Gal-Or, розгорнута система не потребує персональних даних, що дають змогу ідентифікувати особу, і модель ніколи не знає, ким є людина. Водночас TechCrunch повідомляє, що 42AI створює індивідуальні поведінкові профілі на основі пов’язаної між собою клієнтської активності.

Коли TechCrunch порушив питання про те, що клієнти можуть використати прогнози щодо власних клієнтів у своїх інтересах, Ezra назвав це цілком обґрунтованим занепокоєнням. Засновники вказали на нормативні вимоги, моніторинг і внутрішній комітет з етики, а Gal-Or сказав, що ця технологія може допомогти впоратися з такими ризиками. За повідомленням TechCrunch, вони не пояснили, який саме механізм не дозволив би клієнтам використовувати прогнози, щоб отримати перевагу над людьми, чиї профілі створюють.

Засновники розповіли TechCrunch, що 42AI досліджує можливості застосування моделі в ігровій індустрії, запобіганні шахрайству та кібербезпеці й зрештою хоче, щоб роботи й ШІ-агенти використовували її для розуміння людей. Ezra сказав, що модель потрібно навчати з урахуванням правил і контексту кожної нової сфери. Gal-Or також сказав, що компанія планує залучити додаткові кошти.

Щоб вийти за межі задокументованих впроваджень у брокерській діяльності, потрібне галузеве навчання моделі, про яке говорив Ezra, а заявлений план 42AI щодо фінансування передбачає залучення додаткових коштів.