Die statische Ära der künstlichen Intelligenz ist vorbei. Oder zumindest möchte Trajectory, dass es so ist.
Ehemalige Forscher aus den großen Ligen – Google, Apple, OpenAI – setzen auf eine Idee. Feedback aus der Praxis. Diese Woche haben sie Trajectory gestartet, mit dem Ziel, den Kreis zwischen Benutzerfehlern und Modellverbesserungen zu schließen. Nicht mehr einmal trainieren und auf das Beste hoffen.
Trajectory hat gerade 15 Millionen US-Dollar eingesammelt. Samen rund. Bewertung: 115 Millionen US-Dollar. Die Überzeugung leitete die Anklage. Bessemer und Radical VC schlossen sich an. Große Namen im Bereich Individualinvestitionen? Jeff Dean, Chefwissenschaftler von Google DeepMind. Fei-Fei Li, die „Patin der KI“. Der Glaubwürdigkeitsstapel ist groß.
Ronak Malde ist CEO. Er kam von Windsurf und wechselte dann während der chaotischen 2,4-Milliarden-Dollar-Einstellungsoffensive letztes Jahr zu DeepMind. Zu seinen Mitbegründern gehören Arjun Karanam vom Vision Pro-Team von Apple und Michael Elabd, früher in der Robotikabteilung von DeepMind. Kleines Team, derzeit nur elf Leute. Ehrgeiz? Riesig.
Sie argumentieren, die Branche sei kaputt. Warum?
Denn Ihre KI hört auf zu lernen, wenn die Trainingsphase endet. OpenAI, Anthropic, Google – sie bauen Bestien. Codierungsmodelle, die besser schreiben als Sie. Mathematische Modelle, die Beweise lösen. Aber nach dem Start? Gefroren. Eine Statue. Das Modell, das Sie am Dienstag im Stich gelassen hat, wird Sie am Freitag genauso im Stich lassen.
„Selbst die leistungsstärkste KI von heute ist statisch.“
Malde verweist auf Codierungsassistenten wie Cursor als Proof of Concept. Sie nutzen bereits Benutzerdaten, um Modelle ständig zu optimieren. Das ist der Grund, warum die Codierung von KI so schnell explodierte. Es geht nicht nur um die Stärke des Basismodells. Es ist die oberste Ebene des kontinuierlichen Lernens. Trajectory möchte dieselbe Mechanik in jede andere Vertikale bringen. Nicht nur Code. Kundenbetreuung. Verkäufe. Gesetz.
Es ist jedoch schwieriger.
Der Code wird entweder ausgeführt oder er stürzt ab. Binär. Sauber. Eine Rückgabeanfrage, die von einem Support-Bot bearbeitet wird? Das ist chaotisch. Mehrdeutig. Der Erfolg ist unklar. Karanam gibt die Herausforderung zu. Trajectory hilft Unternehmen dabei, ihre eigenen Erfolgskennzahlen zu definieren. Sie beginnen nicht mit GPT-4. Sie beginnen mit einem Open-Source-Modell, das anschließend für Ihren spezifischen Job geschult wird.
Nimm Dekagon. Sie bauen KI-Agenten für den Kundensupport. Wenn ein Bot ausfällt und an einen Menschen übergibt, protokolliert Trajectory diesen Fehler. Nächste Woche? Sie trainieren darauf. Das neue Modell macht diesen Fehler nicht. Sie behaupten, dass diese nachtrainierten, schmalen Modelle die Grenzriesen bei bestimmten Aufgaben schlagen.
Führungskräfte lieben die Idee. Derzeit erfordert der Einsatz von KI die Einstellung „vorwärts eingesetzter Ingenieure“. Ausgefallene Berater, die in Ihr Unternehmen integriert sind und den Tech-Stack betreuen. OpenAI und Anthropic sind damit beschäftigt, Teams zusammenzustellen, die diese manuelle Arbeit für Sie erledigen. Elabd hasst das. Er möchte, dass sich die Software selbst repariert. Für die Wartung sind keine Techniker erforderlich. Einfach einstecken. Es lernt. Es wird besser.
Ist es echtes kontinuierliches Lernen? Kritiker könnten mit den Augen rollen. Die Updates erfolgen wöchentlich. Zwischen diesen Aktualisierungen ist das Modell immer noch statisch. Es ist zeitweise. Ein Patch. Kein Stream.
Elabd wischt das beiseite. Sagt, wöchentlich sei nur der Anfang. Das Ziel sind tägliche Updates. Stündliche Updates. Vielleicht sogar Lernen pro Interaktion. Er stellt sich eine Welt vor, in der Unternehmen nicht eine riesige KI für alle trainieren. Sie trainieren spezifische KIs für jeden einzelnen Mitarbeiter. Personalisiert. Adaptiv. Live.
Klingt riskant. Klingt unglaublich. Welches wird es sein?
Um es herauszufinden, müssen wir auf den nächsten wöchentlichen Patch warten.
