Startupy3 lis 2026, 19:04 UTC·1 min czytania

Trajectory zebrało 45 mln dolarów w rundzie A pod wodzą Sequoia

Amerykański startup Trajectory zamknął rundę A o wartości 45 mln dolarów. Prowadził ją Sequoia, a firmę wyceniono na 300 mln dolarów.

Abstract illustration of an AI model learning loop with feedback arrows, representing Trajectory's continual learning platform. — Zdjęcie: Webrazzi

SUMO

Dialo

ediviewer

Amerykańska platforma AI Trajectory pozyskała 45 mln dolarów w rundzie serii A. Rundę poprowadził fundusz Sequoia, a do inwestorów dołączyli Nvidia, Bessemer Venture Partners oraz Bain Capital Ventures. Wycena spółki wzrosła do 300 mln dolarów.

Firma zapowiada, że przeznaczy nowy kapitał na rozwój platformy, ulepszanie procesów ciągłego uczenia się i doszkalania modeli AI oraz na dalszy wzrost.

Własny model bez zespołu badawczego

Trajectory założyli Ronak Malde, Michael Elabd i Arjun Karanam. Platforma pozwala firmom dopasowywać modele sztucznej inteligencji do własnej branży i potrzeb. Chodzi zwłaszcza o dziedziny wymagające specjalistycznej wiedzy, takie jak prawo czy finanse, w których modele ogólnego przeznaczenia bywają zawodne. Dzięki Trajectory przedsiębiorstwa mogą trenować modele bez tworzenia własnych zespołów badawczych i bez korzystania z drogich konsultantów inżynieryjnych.

Rozwiązanie łączy modele open source z aplikacjami, z których korzystają firmy, i zbiera informacje zwrotne o jakości ich działania. Następnie wykorzystuje je do ponownego trenowania modeli. To podejście, nazywane uczeniem ciągłym (continual learning), sprawia, że model z czasem coraz lepiej radzi sobie w konkretnej dziedzinie, ucząc się na wcześniejszych zadaniach i opiniach użytkowników.

Dla kogo

Platformą mogą zarządzać także osoby bez przygotowania technicznego. Prawnicy mogą poprawiać zdolność modeli do analizy umów, a eksperci od finansów – jakość wycen spółek.

Z rozwiązania korzystają m.in. Harvey, Rogo, Decagon, Mercor oraz Nvidia. Obecność takich nazw wśród klientów i inwestorów pokazuje, że rośnie zainteresowanie modelami AI dopasowanymi do wąskich zadań, a nie wyłącznie uniwersalnymi systemami.