Лондонский стартап Model ML привлёк $250 млн в раунде Series B при оценке $1,5 млрд. Компания строит ИИ для банкиров и консультантов: её агенты должны брать на себя финансовые модели, презентации для клиентов и часть работы по due diligence. Для IT-команд это ещё один заметный сигнал: рынок готов платить не за универсальный чат-бот, а за систему, которая встраивается в привычные корпоративные процессы и отвечает за конкретный, дорогой результат.
Раунд совместно возглавили General Atlantic и прежний инвестор QED Investors, сообщает TechCrunch. Новое финансирование последовало примерно через год после объявленного раунда Series A на $75 млн. Model ML основали братья Чаз и Арни Ингландеры; компании три года. До этого они запускали ещё два бизнеса, включая маркетплейс аренды вещей Fat Llama, который в 2022 году шведская Hygglo купила за $41,5 млн.
Не просто текст, а контекст сделки
Заявка Model ML шире, чем «сгенерировать пару слайдов». Стартап говорит, что его агенты подключаются к системам, данным и рабочим инструментам клиента, включая Excel и PowerPoint. Они должны понимать контекст конкретной сделки и обновлять модель либо презентацию, если появляется информация, меняющая исходные допущения или выводы аналитиков.
Именно здесь находится самая болезненная часть работы младших сотрудников инвестиционных банков и консалтинга. Финансовая модель редко живёт отдельно от письма клиента, новой версии прогнозов, внутренних комментариев и десятка связанных таблиц. Презентация для питча тоже не возникает из одной команды в чате: цифры должны совпадать с моделью, логика — с текущей позицией команды, а изменения — не потеряться между версиями файлов. Ошибка в формуле или устаревшая диаграмма стоят заметно дороже, чем несколько часов, потраченных на ручную правку.
Поэтому ИИ для банкиров — это в первую очередь задача интеграции, контроля доступа и воспроизводимости, а не качества красивого текста. Банку или крупной консалтинговой фирме недостаточно получить убедительный ответ модели. Им нужно понимать, на каких документах он основан, кто имел доступ к данным сделки, как проверить расчёт и можно ли безопасно включить результат в материал для клиента. Именно эти требования обычно превращают пилот с генеративным ИИ в длинный проект с участием информационной безопасности, юристов и владельцев корпоративных данных.
Конкуренция идёт за дорогие рабочие часы
Model ML выходит не в пустую нишу. Среди стартапов, автоматизирующих повторяющиеся задачи инвестбанкиров и консультантов, TechCrunch называет Hebbia и Rogo. Rogo в апреле привлекла $160 млн при оценке $2 млрд. Свои инструменты для финансовых специалистов создают также Anthropic и OpenAI. Высокие оценки объясняются просто: в сделках и стратегическом консалтинге много дорогостоящего ручного труда, а каждая успешно автоматизированная операция легко переводится в часы, скорость подготовки материалов и загрузку команд.
Отдельная ставка Model ML — инфраструктура. Компания утверждает, что использует модели с открытым исходным кодом, а не только наиболее мощные коммерческие модели. По её оценке, это позволяет работать примерно за 2% их стоимости и получать результат быстрее. Цифра — собственное заявление стартапа, а не независимый бенчмарк, но сама логика понятна. Если агенту нужно регулярно читать внутренние документы, пересчитывать таблицы и обновлять презентации, стоимость каждого запроса перестаёт быть технической мелочью и становится частью юнит-экономики продукта.
Для российских разработчиков и продуктовых команд в этой истории интересна не столько сумма раунда, сколько архитектурный выбор. Корпоративный агент, работающий с конфиденциальной информацией, должен уметь подключаться к источникам данных, соблюдать права доступа, сохранять следы действий и не ломать существующий рабочий ритуал. Excel и PowerPoint здесь важны не как пережиток прошлого, а как интерфейс, в котором уже принимаются решения. Продукт, требующий перенести весь процесс в новый кабинет, почти наверняка проиграет тому, кто аккуратно автоматизирует привычный стек.
Впрочем, автоматизация не отменяет потребность в людях, способных проверить итог. Чем больше агенту доверяют в расчётах и материалах для сделки, тем выше цена неверного контекста, пропущенного ограничения или уверенно сформулированного, но ошибочного вывода. Следующий этап конкуренции в этом сегменте будет решаться не только скоростью генерации: рынок проверит, кто сумеет доказать надёжность агента в реальной сделочной работе и превратить ИИ для банкиров из впечатляющей демонстрации в стандартный инструмент команды.

