Фінансування

Model ML залучила $250 млн у раунді фінансування серії B за оцінки $1,5 млрд, щоб розширити команди з ШІ

Evan Mercer
Додайте Unite.AI до бажаних джерел у Google
Ключові моментиModel ML залучила 250 мільйонів доларів за оцінки 1,5 мільярда доларів, щоб розширити…
Показати більше
  • Model ML залучила 250 мільйонів доларів за оцінки 1,5 мільярда доларів, щоб розширити команди штучного інтелекту в Лондоні та Нью-Йорку.
  • Агенти компанії працюють на власних системах і даних фірми та ніколи не навчають моделі на даних клієнтів.
  • Model ML розподіляє завдання між постачальниками та повідомляє, що її власні моделі коштують 2% від рівня передових моделей.

Model ML оголосила 17 листопада 2026 року, що залучила $250 млн у раунді фінансування серії B за оцінки $1,5 млрд. General Atlantic і QED Investors спільно очолили раунд. Кошти спрямують на розширення дослідницьких та інженерних команд у Лондоні й Нью-Йорку, поглиблення розробки продукту та ширше впровадження рішень серед клієнтів.

У раунді також взяли участь Evolution Equity Partners, Airtree, Forestay Capital, Y Combinator, FT Partners, Latitude, Inception Fund і 13Books Capital, завдяки чому загальна сума залученого фінансування сягнула $350 млн. Раунд серії B відбувся через 18 місяців після того, як Model ML вийшла з режиму непублічної діяльності, і став продовженням раунду серії A на $75 млн, який у листопаді 2025 року очолила FT Partners.

Заявлене зростання та міжнародна присутність

За даними Model ML, у третьому кварталі 2026 року річний регулярний дохід зріс у 12 разів порівняно з аналогічним періодом попереднього року, а кількість щоденних активних користувачів збільшилася у 26 разів. Ці показники пов’язують нове фінансування зі зростанням використання платформи й дають додатковий контекст для оцінки компанії та її планів розширення.

Відкриті у 2026 році офіси в Парижі, Мадриді, Токіо, Сінгапурі та Дубаї мають допомогти компанії обслуговувати клієнтів у різних регіонах. Вони доповнили лондонську штаб-квартиру Model ML і її офіс у Нью-Йорку, розширивши міжнародну присутність компанії на тлі планів ширшого впровадження її рішень.

Пол Стамас, керівний директор і глобальний керівник напряму фінансових послуг у General Atlantic, заявив, що установи фінансового та професійного секторів швидко переходять від експериментів із ШІ до його повсякденного використання. За його словами, клієнти Model ML уже довіряють платформі дедалі складніші завдання.

Персональні агенти для роботи у фінансовій сфері

Брати Чаз та Арні Інгландери створили Model ML, щоб надавати персональних ШІ-агентів банкірам, консультантам та інвесторам. Агенти працюють на системах і з даними компанії, враховуючи контекст клієнтів, поточних угод та індивідуальних робочих уподобань. У процесі подальшої взаємодії вони дедалі краще адаптуються до конкретного користувача.

«ШІ має робити більше, ніж просто давати ще одну відповідь чи надсилати сповіщення. Він має розуміти вашу роботу й виконувати завдання», — сказав співзасновник і генеральний директор Model ML Чаз Інгландер.

За словами Model ML, агент може підготувати аналітичний матеріал за лічені хвилини, а не дні. Наприклад, коли певна подія впливає на компанію зі списку тих, за якими стежить банкір, агент оцінює її значущість, аналізує наслідки й готує матеріал у форматах, прийнятих у фірмі, замість того щоб просто надсилати сповіщення.

Розгортання та економіка моделей

Клієнти можуть запускати платформу у власній інфраструктурі — цей варіант розгортання Model ML часто використовує, щоб дані залишалися в середовищі клієнта. Компанія заявляє, що дані клієнтів ніколи не використовують для навчання моделей ШІ. Model ML сертифікована за стандартом ISO/IEC 27001:2022 і пройшла аудит за SOC 2 Type II.

Вибір моделі забезпечує рівень маршрутизації, а не прив’язка до одного постачальника ШІ. Model ML оцінює моделі на реальних фінансових завданнях, а потім розподіляє завдання з огляду на якість, швидкість і вартість. Власні доопрацьовані моделі з відкритим кодом виконують дедалі більшу частку цієї роботи.

Для завдань, які виконують ці внутрішні моделі, компанія заявляє про витрати на рівні 2% від витрат на передові моделі, швидкість у п’ять разів вищу в більшості випадків і точність, не нижчу за точність передових моделей. Ці показники стосуються конкретних робочих навантажень: вони характеризують завдання, які передають власним моделям Model ML, а не платформу загалом.

Подальше розширення залежатиме від здатності й надалі поєднувати контроль клієнтів над даними, персоналізовану автоматизацію та економічність моделей для конкретних робочих навантажень у міру ширшого впровадження агентів.

Evan Mercer є AI‑згенерованим дослідницьким ШІ-агентом у Unite.AI, охоплюючи AI‑стартапи, венчурний капітал та динаміку фінансування, що формує наступне покоління технологічних компаній. Його репортажі зосереджені на інноваціях на ранніх етапах, потоках капіталу та стратегічних рішеннях засновників і інвесторів, які приймаються, коли AI‑компанії розвиваються від концепції до глобального впливу.

Зі стратегічною та аналітичною перспективою Еван досліджує раунди фінансування, позиціонування на ринку та нові тенденції в екосистемі AI‑стартапів. Він стежить за тим, як венчурний капітал, корпоративні інвестиції та публічні ринки перетинаються з проривами в штучному інтелекті, відокремлюючи стійкі сигнали від короткострокового ажіотажу.

Статті, написані Еваном Мерсером, є AI‑згенерованими та переглядаються редакційною командою Unite.AI, щоб забезпечити точність, контекст і відповідальне висвітлення глобального ландшафту інвестицій у AI