TechCrunch: Probably привлекает $9 млн для AI с детерминированной валидацией

Стартап Probably, основанный Питером Элиасом, объявил 16 июня 2026 года о привлечении $9 млн в рамках посевного раунда под руководством Andreessen Horowitz. Гипотеза компании состоит в том, что большинство проблем с надёжностью AI — это инженерные проблемы, а не проблемы модели, и правильное решение — это архитектура валидации вокруг модели, а не более мощная модель.

Элиас описывает подход как «экзоскелет для науки о данных»: выводы LLM проходят через детерминированный валидатор, прежде чем попасть к пользователю. Если валидатор не может подтвердить результат по исходным данным, вывод помечается или блокируется. Эта архитектура позволяет работать с моделью, которую Элиас описывает как «на четыре класса слабее, чем передовые модели», поскольку качество модели частично компенсируется качеством обвязки. Меньшие модели запускаются на локальном оборудовании, а не в инфраструктуре дата-центров, что существенно снижает затраты на инференс — ощутимое преимущество в условиях, когда организации всё больше сталкиваются с давлением на бюджеты AI.

Текущий продукт ориентирован на запросы в области науки о данных: пользователи задают вопросы о сложных датасетах и получают ответы со ссылками и контрольным следом. Элиас заявляет о точности 99,99% — на уровне традиционного детерминированного ПО — при сохранении гибкости интерфейса на естественном языке. Следующие целевые области — бухгалтерия и медицинские сервисы: домены, где фактические ошибки являются юридическими рисками, а не просто проблемой качества продукта.

Для product-менеджеров, создающих AI-функции в регулируемых или чувствительных к точности средах, архитектура, которую описывает Probably, — это конкретный проектный паттерн. Актуальный вопрос смещается с выбора модели к тому, какая валидация стоит downstream от модели. Команды, которые сейчас принимают допустимый уровень ошибок от LLM, могут обнаружить, что подход с инженерией обвязки меняет как структуру затрат, так и профиль рисков их AI-функции — особенно если они сейчас используют передовые модели преимущественно из-за потребности в точности, а не из-за необходимости в полном диапазоне их возможностей.