Стартап Trajectory привлек $15 млн посевных инвестиций при оценке $115 млн и собирается продавать бизнесу то, чего ИИ-продуктам пока хронически не хватает: непрерывное обучение ИИ на реальных действиях пользователей. Для разработчиков и продуктовых команд это важный сигнал: рынок смещается от гонки за самой мощной базовой моделью к инфраструктуре, которая позволяет регулярно доучивать модель под конкретный продукт, команду и сценарий.
О запуске компании, как пишет Wired, объявила группа исследователей с опытом работы в Google DeepMind, Apple, OpenAI и Meta Superintelligence Labs. Раунд возглавил фонд Conviction, также в нем участвовали Bessemer Venture Partners, Radical VC и BoxGroup. Среди частных инвесторов названы главный научный сотрудник Google DeepMind Джефф Дин и профессор Стэнфорда Фэй-Фэй Ли, которую в индустрии давно называют одним из ключевых людей в истории современного ИИ. Уже по списку имен понятно, что ставка здесь делается не на очередной AI-ассистент с новым интерфейсом, а на слой между моделью и продуктом, который должен замкнуть цикл обратной связи.
Trajectory возглавил Ронак Малде, ранее работавший исследователем ИИ в Windsurf, а затем перешедший в Google DeepMind после сделки, в рамках которой Google наняла ключевых сотрудников этого стартапа. Среди сооснователей также Арджун Каранам, бывший исследователь Apple, работавший над Vision Pro, и Майкл Элабд из робототехнического подразделения Google DeepMind. Команда небольшая, 11 исследователей и инженеров, но тезис у нее амбициозный: современные модели становятся заметно сильнее на этапе обучения, а потом фиксируются в состоянии «как есть» и продолжают одинаково ошибаться хоть вчера, хоть через неделю. Именно этот разрыв Trajectory и пытается превратить в продукт.
Почему всем внезапно понадобился цикл обратной связи
Логика стартапа выросла из того, что уже происходит в AI-кодинге. По словам Малде, такие продукты, как Cursor, фактически показали раннюю рабочую версию подхода, где поведение пользователей превращается в материал для постобучения, а улучшения быстро выкатываются обратно в продукт. В результате модель не просто существует как API с красивым промптом, а постепенно подстраивается под реальные задачи и реальные ошибки. Отсюда и бум так называемого vibe-coding: ценность дает не только базовая модель, но и скорость итерации поверх нее.
Для отрасли это важный сдвиг. Несколько лет ИИ-рынок жил в режиме «доступ к лучшей frontier-модели решит все остальное». На практике оказалось, что этого недостаточно. Если продукт работает в службе поддержки, продажах, юриспруденции или внутренних операциях компании, ему мало быть просто умным в среднем по больнице. Ему нужно меньше ошибаться именно в тех местах, где ошибка бьет по выручке, SLA или нагрузке на людей. Поэтому непрерывное обучение ИИ постепенно превращается из академической мечты в прикладную бизнес-задачу. В декабре 2025 года на конференции NeurIPS лауреат премии Тьюринга Ричард Саттон прямо говорил, что continual learning критично для построения по-настоящему интеллектуальных агентов. Trajectory явно пытается упаковать эту исследовательскую идею в корпоративный SaaS.
При этом стартап честно идет не от универсального AGI-обещания, а от узких вертикальных кейсов. Один из клиентов, упомянутых в материале, это Decagon, компания, которая делает AI-агентов для поддержки клиентов. Сценарий простой и очень приземленный: если бот не справился, например не смог корректно обработать возврат и передал запрос человеку, система фиксирует такой сбой как обучающий сигнал. Затем на этих кейсах дообучается следующая версия модели, и обновления могут выходить хоть каждую неделю. Trajectory утверждает, что такие постобученные модели на узких задачах уже способны обгонять решения frontier-лабораторий там, где для заказчика важен не абстрактный бенчмарк, а конкретный бизнес-процесс.
Что это меняет для продуктов и команд
Ключевой нюанс в том, что код писать и проверять сравнительно легко: он либо компилируется, либо нет, тест проходит либо падает. За пределами разработки все грязнее. В продажах, саппорте, HR или legal-tech критерии качества расплывчаты: ответ может быть формально корректным, но бесполезным; автоматизация может сработать быстро, но сорвать конверсию; ассистент может «почти помочь», а потом незаметно отправить задачу человеку. Именно здесь Trajectory и видит свой шанс. Платформа должна не просто собирать логи, а помогать компании формализовать, что считать успехом именно для ее продукта, и на этой базе настраивать модель под бизнес-цели.
Отдельно важно, что компания предлагает стартовать не с закрытой модели OpenAI или Anthropic, а с open source-модели, уже постобученной под конкретный AI-продукт. Это не вопрос идеологии, а скорее вопрос управляемости. Если бизнес хочет часто переобучать систему, ему нужен больший контроль над данными, метриками, пайплайном оценки и стоимостью итераций. Для российских и вообще неамериканских команд это особенно понятный тезис: чем ближе ИИ к критичному бизнес-процессу, тем меньше хочется строить все на черном ящике, который обновляется по чужому расписанию.
В материале Wired есть еще один показательный мотив: Trajectory хочет уменьшить зависимость компаний от армии так называемых forward deployed engineers, консультантов и встроенных технических команд, которые вручную допиливают AI-стек под конкретного заказчика. За последний год этим путем уже активно идут OpenAI, Anthropic и Palantir. Но такая модель плохо масштабируется: чем больше кастомизации, тем больше ручной работы, тем выше стоимость внедрения. Если платформа действительно сможет сама регулярно улучшать модель по боевым данным, часть этой нагрузки уйдет из сервиса в продукт. Для CTO и VP of Product это звучит куда интереснее, чем еще один чат-интерфейс поверх LLM.
Скепсис, впрочем, тоже понятен. В классическом смысле это пока не «настоящее» непрерывное обучение ИИ, а серия частых обновлений на основе накопленного опыта. Модели Trajectory, если верить материалу, сейчас обновляются примерно раз в неделю и между релизами остаются статичными. То есть до сценария, где система учится после каждого взаимодействия, дистанция еще большая. Но рынок, похоже, уже согласен считать даже такой промежуточный вариант полезным. Если модель становится лучше не раз в полгода после большого релиза, а каждую неделю по итогам реальных ошибок, это уже меняет экономику продукта.
Вопрос теперь не в том, сможет ли одна команда из 11 человек решить фундаментальную проблему обучения ИИ на лету. Вопрос в другом: не окажется ли через год, что именно такие платформы, а не сами базовые модели, станут главным местом конкуренции за корпоративный рынок. Если это произойдет, выигрывать будут не те, у кого самый впечатляющий демо-ролик, а те, чьи ИИ-системы быстрее учатся на собственных промахах. Подробнее об этом кейсе можно посмотреть в материале .