Стартап Empromptu AI из Сан-Франциско представил платформу Alchemy Models, которая превращает рабочие процессы в данные для дообучения ИИ без отдельной ML-команды. Для компаний, которые уже внедряют ИИ в документооборот, поддержку клиентов или отраслевые сценарии, это выглядит как попытка решить сразу две боли: дорогой inference по API и слабую управляемость моделей под конкретный домен.
По данным VentureBeat, идея Alchemy проста: каждое обращение к корпоративному ИИ и каждая правка эксперта в ответе системы считаются полезным обучающим сигналом. Обычно этот сигнал пропадает. Empromptu предлагает забирать его автоматически, прогонять через пайплайн валидации и использовать для регулярного fine-tuning. Получившиеся веса, по словам компании, принадлежат заказчику, а не провайдеру базовой модели.
На практике схема устроена в два этапа. Сначала инфраструктура Golden Data Pipelines очищает, извлекает и обогащает данные компании, чтобы приложение стартовало на более-менее структурированном входе. Затем, когда приложение уже работает, его ответы уходят обратно в тот же контур: профильные специалисты проверяют и исправляют результат, а подтвержденные версии становятся обучающим набором для следующего цикла. Иными словами, дообучение ИИ происходит не вокруг отдельного исследовательского проекта, а вокруг живого бизнес-процесса. Empromptu называет итоговые модели Expert Nano Models — это небольшие специализированные модели под конкретную задачу, а не еще одна попытка сделать универсальный интеллект на все случаи квартальной отчетности.
На фоне обычного RAG и классического fine-tuning это действительно отдельная конструкция. RAG помогает модели подтянуть релевантный контекст в момент ответа, но сами веса не меняет. Традиционное дообучение веса меняет, однако требует заранее собранного и размеченного датасета, отдельного ML-контура и людей, которые умеют всем этим управлять. У Empromptu ставка на другое: приложение само производит данные, а валидация встроена в рабочий процесс. Компания также обещает, что вместе с обучением внутри контура живут evals, guardrails и compliance-контроли. Для отраслей вроде медицины, финансов, legal tech и ритейла это важнее красивых слайдов про автономных агентов: там ошибка редко проходит как «ну это же бета».
Гендиректор Empromptu Шанеа Левен формулирует проблему довольно приземленно: компании боятся, что их бизнес съедят более быстрые игроки с лучшими моделями, но не видят понятного пути защиты. В этом смысле Alchemy пытается продать не просто платформу, а короткий маршрут к собственному «data moat». Аргумент понятен: если компания гоняет через API все больше запросов, она платит все больше за inference, но не владеет тем, как именно ее рабочие данные улучшают поведение модели. Собственная специализированная модель выглядит здесь как способ снизить стоимость вывода со временем и получить больше контроля над качеством.
Самый конкретный ранний кейс, который приводит Empromptu, связан с компанией Ascent Autism из сферы поведенческого здоровья. Она использует Alchemy для автоматизации сессионной документации и коммуникации с родителями. В систему подаются записи занятий, транскрипты, заметки и поведенческие метрики, после чего формируются структурированные записи и персонализированные обновления. Раньше на один такой пакет уходил один-два часа ручной работы, теперь — 10-15 минут. Если пересчитать грубо, речь идет о сокращении времени до 87%. Сооснователь и CTO Ascent Autism Фараз Фадави отдельно отмечает, что их интересовали не только точность, но и прослеживаемость вывода до исходных данных, а также соответствие клиническому стилю компании. Это показательный момент: в корпоративных сценариях ценится не абстрактный benchmark, а то, сколько редактуры осталось у сотрудника после генерации.
При этом у подхода есть и вполне земные ограничения. Первое — объем данных. Пока приложение не накопит достаточно валидированных примеров, никакого ощутимого эффекта от обучения не будет, и первые внедрения работают на базовой модели. Левен это прямо признает: обучение требует времени. Второе — зависимость от платформы. Alchemy работает внутри среды Empromptu, и если компания хочет получить тот же результат на своей инфраструктуре, ей придется самостоятельно собирать контур захвата сигналов, валидации, оценки и fine-tuning. То есть тезис «без ML-команды» верен в обмен на довольно плотный managed-контур.
Для разработчиков и продуктовых команд здесь важен не столько сам запуск Empromptu, сколько сдвиг в логике корпоративного ИИ. Последние два года рынок в основном спорил, что выбрать: RAG для доступа к знаниям или fine-tuning для специализации модели. Теперь появляется третья развилка — дообучение ИИ прямо из продакшн-процесса, где пользовательские правки становятся не мусором, а активом. Если эта модель приживется, командам придется проектировать AI-фичи не только под качество ответа здесь и сейчас, но и под сбор корректного обучающего сигнала на дистанции. И тогда главный вопрос будет уже не в том, у кого самый громкий LLM-бренд в стеке, а у кого лучше устроен конвейер превращения рабочих правок в собственную модель. Детали запуска и цитаты руководства можно сверить в материале .