42AI haalt 62,5 miljoen dollar aan startfinanciering op voor gedragswereldmodel

meldde TechCrunch op 2 november 2026 dat de Israëlische startup 42AI uit de stealthmodus was gekomen met 62,5 miljoen dollar aan startfinanciering en een gedragswereldmodel dat actief is bij financiële brokerbedrijven. De oprichters zeiden dat het systeem inschat hoe groot de kans is dat individuele klanten zich onder veranderende omstandigheden op een bepaalde manier gedragen.

Medeoprichter en algemeen directeur Amit Gal-Or zei dat de financiering in drie jaar tijd afkomstig was van de oprichters en Infinity Group, en niet volledig van externe investeerders was opgehaald. Infinity is opgericht door zijn vader, Amir Gal-Or, die ook voorzitter van 42AI en medeoprichter is. Ehud Ezra is technisch directeur en medeoprichter.

Gal-Or zei dat 42AI met 10 grote brokerbedrijven samenwerkt, meer klanten aansluit en een omzet van meer dan zeven cijfers genereert, al noemde hij geen exact bedrag. Klanten betalen een vast bedrag of een percentage van de waarde die het platform hun helpt te realiseren. Eén brokerbedrijf genereerde dankzij dynamische hedging ongeveer 30 miljoen dollar aan extra waarde.

Hoe het gedragsmodel werkt

Gal-Or en Ezra beschrijven gedrag als probabilistisch en niet als deterministisch. 42AI probeert onderliggende drijfveren te herkennen in plaats van eerdere handelingen simpelweg door te trekken. Het model kent kansen toe aan mogelijke beslissingen onder verschillende omstandigheden.

Voor klanten van brokerbedrijven kunnen de invoergegevens afkomstig zijn uit klantidentificatie- en onboardingprocessen, klantondersteuning en verkoopcontacten, geldtransfers en transacties. De onderzochte signalen omvatten sentiment, stemgebruik, de frequentie van telefoongesprekken, het tijdstip van aankopen en verkopen en de marktomstandigheden op dat moment.

Deze observaties worden omgezet in wiskundige representaties van eigenschappen en ingevoerd in een op transformers gebaseerd wereldmodel. Een afzonderlijk taalmodel genereert verklaringen bij de voorspellingen. Ezra zei dat de trainingsbeloningen zo zijn ontworpen dat onderliggende neigingen tijdens simulaties behouden blijven: iemand die doorgaans risico mijdt, mag niet ineens als een risiconemer worden gemodelleerd.

Trainingsgegevens en gerapporteerde resultaten

Gal-Or zei dat 42AI drie jaar aan de ontwikkeling van deze aanpak heeft besteed. Daarbij combineerde het bedrijf psychologisch onderzoek met neurowetenschap en genetica, en kreeg het advies van deskundigen op het gebied van psychologie en PTSS en van chemicus Dan Shechtman. Het team onderzocht aanvankelijk duizenden mensen met psychologische beoordelingen en gedragsscenario’s. Daarna voegde het overheids- en biobankdatasets toe met gegevens over meer dan 2 miljoen mensen. Vervolgens werden de datasets van klanten uitgebreid tot bijna 30 miljoen mensen.

42AI schat de nauwkeurigheid van zijn voorspellingen van markttransacties op 98%. Gal-Or verduidelijkte dat het bedrijf meet of handelsstromen binnen een voorspeld bereik vallen, en niet of elke afzonderlijke transactie correct wordt voorspeld. Ook meldde hij F1-scores van 0,8 tot 0,85 voor de richting en het volume van transacties. De F1-score meet hoe goed een classificatiemodel juiste voorspellingen afweegt tegen valse alarmen en gemiste gebeurtenissen.

De oprichters erkenden dat de nauwkeurigheid een bovengrens heeft, omdat het systeem geen toegang heeft tot alles wat iemand meemaakt. De nauwkeurigheid neemt ook af wanneer belangrijke context ontbreekt, zoals advies van een vriend of collega waardoor iemand een andere handelsbeslissing neemt.

Een preprint die op 19 februari 2026 bij arXiv is ingediend door Ben Yellin, Ezra, Mark Foreman en Shula Grinapol introduceerde een groot gedragsmodel dat verder was afgestemd om individuele strategische keuzes te voorspellen op basis van gestructureerde, hoogdimensionale psychometrische profielen van eigenschappen. De auteurs beschreven hoe het model was getraind op een eigen dataset die stabiele disposities, motiverende toestanden en situationele beperkingen koppelt aan waargenomen keuzes.

Bij een evaluatie van scenario’s die buiten de training waren gehouden, rapporteerden de auteurs betere gedragsvoorspellingen dan met de niet-aangepaste Llama-3.1-8B-Instruct als basis, en vergelijkbare prestaties met toonaangevende referentiemodellen wanneer het model de Big Five-kenmerken als uitgangspunt kreeg. Hun model bleef bovendien profiteren van uitgebreidere eigenschapsprofielen, terwijl referentiemodellen op basis van prompts tegen een bovengrens aanliepen naarmate de complexiteit toenam.

Toepassingen bij brokerbedrijven en genoemde beperkingen

Op de website van 42AI beschrijft het bedrijf een gedragsstack die ruwe gegevens omzet in gedragsfactoren, reacties op specifieke gebeurtenissen en gedrag in de loop van de tijd voorspelt, veranderende variabelen simuleert en verklaringen geeft. Voor het wereldmodel noemt het reactietijden van 1–10 milliseconden en voor het grote gedragsmodel 2–12 milliseconden.

De website vermeldt dat het aanbod brokerbedrijven tot 24 uur vooruit de transacties van elke klant kan voorspellen, uitgesplitst naar instrument, richting en volume. Andere genoemde toepassingen voor brokerbedrijven zijn vroegtijdig inzicht in blootstellingen, dynamische hedging, beheer van staartrisico’s en een vermindering van slippage en Value at Risk. Gal-Or zei dat klanten het systeem gebruiken om hun liquiditeit, marginvereisten en hedgingblootstelling te beheren.

Gal-Or zei dat het geïmplementeerde systeem geen persoonlijk identificeerbare informatie nodig heeft en dat het model nooit weet wie iemand is. TechCrunch meldde dat 42AI desondanks individuele gedragsprofielen opstelt op basis van gekoppelde klantactiviteiten.

Toen TechCrunch de mogelijkheid opperde dat klanten voorspellingen over hun eigen cliënten zouden uitbuiten, noemde Ezra dat een terechte zorg. De oprichters wezen op regelgeving, toezicht en een interne ethische commissie, terwijl Gal-Or zei dat de technologie zulke risico’s zou kunnen helpen aanpakken. Ze lichtten niet toe welk specifiek mechanisme klanten ervan zou weerhouden voorspellingen te gebruiken om een voordeel te behalen ten opzichte van de mensen van wie het gedrag wordt geprofileerd.

De oprichters zeiden dat 42AI toepassingen verkent in de gamingsector, fraudepreventie en cyberbeveiliging, en uiteindelijk wil dat robots en AI-agenten het model gebruiken om mensen te begrijpen. Ezra zei dat het model moet worden getraind op de regels en context van elk nieuw domein. Het bedrijf is ook van plan extra geld op te halen.

Uitbreiding naar domeinen buiten de toepassingen bij makelaars vereist die domeinspecifieke training, terwijl het financieringsplan erop gericht is extra geld op te halen.