42AI säkrar 62,5 miljoner dollar i såddfinansiering för beteendemodell av världen

TechCrunch rapporterade den 2 november 2026 att den israeliska startupen 42AI hade lämnat stealthläget med 62,5 miljoner dollar i såddfinansiering och en beteendemodell av världen som används hos finansmäklarfirmor. Grundarna sade att systemet uppskattar sannolikheten för hur enskilda kunder kan agera när omständigheterna förändras.

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

Gal-Or sade att 42AI samarbetar med 10 stora mäklarfirmor, håller på att ta in fler kunder och har intäkter på mer än sjusiffriga belopp, men han angav ingen exakt siffra. Kunderna betalar antingen en fast avgift eller en andel av det värde som plattformen hjälper dem att skapa. En mäklarfirma skapade ett mervärde på cirka 30 miljoner dollar genom dynamisk säkring.

Så fungerar beteendemodellen

Gal-Or och Ezra beskriver beteende som sannolikhetsbaserat snarare än deterministiskt. 42AI försöker identifiera bakomliggande drivkrafter i stället för att bara extrapolera tidigare handlingar, och modellen tilldelar sannolikheter åt möjliga beslut under olika omständigheter.

För mäklarfirmornas kunder kan underlaget omfatta kundkännedoms- och introduktionsprocesser, support- och säljsamtal, penningöverföringar och affärer. Bland signalerna som analyseras finns sentiment, röst, samtalsfrekvens, tidpunkten för köp och försäljningar samt rådande marknadsförhållanden.

Observationerna omvandlas till matematiska representationer av egenskaper och matas in i en transformerbaserad världsmodell. En separat språkmodell genererar förklaringar till förutsägelserna. Ezra sade att belöningssignalerna under träningen är utformade för att bevara bakomliggande tendenser i simuleringarna: en person som vanligtvis är riskavert ska inte plötsligt modelleras som riskbenägen.

Träningsdata och redovisade resultat

Gal-Or sade att 42AI ägnade tre år åt att utveckla metoden genom att kombinera psykologisk forskning med neurovetenskap och genetik. Företaget fick också råd av experter inom psykologi och PTSD samt kemisten Dan Shechtman. Till en början studerade teamet tusentals personer med hjälp av psykologiska bedömningar och beteendescenarier. Därefter lade man till data från myndigheter och biobanker som omfattade fler än 2 miljoner människor. Kundernas datamängder utökades senare till att omfatta nästan 30 miljoner människor.

42AI uppger att träffsäkerheten för förutsägelser om marknadsaffärer är 98 procent. Gal-Or förtydligade att måttet visar om handelsflödena hamnar inom ett förutsagt intervall, inte om varje enskild affär förutsägs korrekt. Han redovisade också F1-värden på 0,8–0,85 för handelsriktning och volym. F1 mäter hur väl en klassificeringsmodell balanserar korrekta förutsägelser mot falsklarm och missade händelser.

Grundarna medgav att det finns en övre gräns för träffsäkerheten, eftersom systemet inte har tillgång till allt en person upplever. Träffsäkerheten försämras också när viktig situationskontext saknas, exempelvis råd från en vän eller kollega som förändrar ett handelsbeslut.

Ett förpublicerat manuskript 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 enskilda personers strategiska val utifrån strukturerade, högdimensionella profiler av psykometriska egenskaper. Författarna beskrev hur modellen tränats på en proprietär datamängd som kopplar samman stabila läggningar, motivationstillstånd och situationsbundna begränsningar med observerade val.

I en utvärdering av scenarier som modellen inte hade tränats på rapporterade författarna bättre beteendeförutsägelser än med den oförändrade Llama-3.1-8B-Instruct-modellen som grund, och jämförbara resultat med de mest avancerade jämförelsemodellerna när modellen fick Big Five-egenskaper som underlag. Deras modell fortsatte också att dra nytta av tätare egenskapsprofiler, medan de promptbaserade jämförelsemodellerna nådde en komplexitetsgräns.

Användning hos mäklarfirmor och angivna 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.

Enligt webbplatsen kan tjänsten för mäklarfirmor förutsäga varje kunds affärer upp till 24 timmar i förväg, uppdelade efter instrument, riktning och volym. Andra angivna användningsområden för mäklarfirmor är förhandsinsyn i exponering, dynamisk säkring, hantering av extremrisker samt minskade transaktionsglidningar och lägre Value at Risk. Gal-Or sade att kunderna använder systemet för att hantera likviditet, marginalkrav och säkringsexponering.

Gal-Or sade att det driftsatta systemet inte behöver personligt identifierbara uppgifter och att modellen aldrig får veta vem personen är. TechCrunch rapporterade att 42AI ändå skapar individuella beteendeprofiler utifrån sammanlänkad kundaktivitet.

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

Grundarna sade att 42AI utforskar spelbranschen, bedrägeribekämpning och cybersäkerhet och på sikt vill att robotar och AI-agenter ska använda modellen för att förstå människor. Ezra sade att modellen måste tränas på reglerna och kontexten för varje nytt område. Företaget planerar också att ta in mer kapital.

Expansion utanför de implementeringar som gjorts hos mäklarfirmor kräver domänspecifik träning, medan finansieringsplanen är att ta in mer kapital.