Стартап Probably привлёк $9 млн, чтобы сделать ИИ таким же точным, как обычный код

Американский стартап Probably закрыл посевной раунд на $9 млн. Деньги пойдут на разработку ИИ-систем, которые предотвращают галлюцинации и фактические ошибки до того, как ответ дойдёт до пользователя. Главная цель — добиться точности, сопоставимой с детерминированными системами, то есть с обычным программным кодом.

Почему галлюцинации — не просто неудобство

Большие языковые модели регулярно «галлюцинируют»: уверенно выдают неверные факты, ссылаются на несуществующие исследования, придумывают цитаты. По разным независимым оценкам, даже самые продвинутые коммерческие модели ошибаются в 10–20% конкретных фактических утверждений. При этом пользователю крайне сложно определить, где модель права, а где выдумывает — она звучит одинаково уверенно в обоих случаях. Это создаёт системный риск, который ограничивает применимость ИИ в реальных бизнес-сценариях. Компании вынуждены выбирать между двумя плохими вариантами: нанимать людей для верификации каждого ИИ-ответа или ограничивать использование моделей только теми задачами, где ошибка некритична. Для медицины, юриспруденции, финансового комплаенса и государственного сектора это фактически означает, что автономные ИИ-системы неприменимы — слишком высока цена ошибки.

Новая планка: детерминированная точность

Probably ставит нетривиальную планку — достичь точности детерминированных систем. Это принципиально отличается от того, как работают сегодняшние LLM. Детерминированная программа всегда даёт одинаковый результат при одинаковых входных данных: калькулятор никогда не «решит» придумать ответ на 2 + 2.

Языковая модель устроена иначе: она генерирует вероятностный текст, который может звучать убедительно, но не обязан быть верным. Команда Probably выстраивает архитектуру, где ИИ не просто генерирует ответ, а верифицирует его до отправки. Ключевые принципы: Чёткое разделение между достоверными знаниями и предположениями модели Верификация каждого фактического утверждения до того, как оно дойдёт до пользователя Явное «не знаю» вместо изобретённого факта Прозрачность: система объясняет источник каждого утверждения * Нулевая терпимость к фактическим ошибкам в итоговом ответе Такой подход противоположен тому, в котором шло большинство разработок LLM последних лет.

Модели дообучались с акцентом на «полезность» и «убедительность» — что нередко вступало в конфликт с точностью.

Рынок и конкуренция Задача надёжного ИИ сейчас активно привлекает венчурный капитал.

В этой нише работают Vectara, Cohere с упором на корпоративные RAG-архитектуры, ряд стелс-стартапов и академические проекты при крупных университетах. Крупные игроки — OpenAI, Anthropic и Google — также вкладываются в снижение галлюцинаций, но для них точность является лишь одной из многих характеристик продукта, а не основным дифференциатором. Probably строит всё вокруг одной идеи. $9 млн посевного раунда дают команде полтора-два года, чтобы доказать работоспособность архитектуры и привлечь следующее финансирование. Название компании — сознательная ирония над вероятностной природой языковых моделей и одновременно декларация о намерении её преодолеть.

Что это значит

Если Probably удастся убедительно закрыть проблему галлюцинаций, это откроет ИИ путь в регулируемые отрасли — здравоохранение, юридические услуги, финансовый комплаенс, — где сегодня автономные системы неприемлемы из-за неточности. Для бизнеса это означает возможность убрать дорогостоящий слой человеческой верификации и реально делегировать ответственные задачи машине — не на словах, а с измеримыми гарантиями точности.