Model ML, лондонский стартап, основанный братьями Чазом и Арни Инглендерами, закрыл раунд Series B в $250 млн при оценке в $1,5 млрд. Раунд возглавили General Atlantic и QED Investors. Это второе серьёзное финансирование компании — год назад она привлекла $75 млн.
Бизнес-модель простая: AI-агенты интегрируются в корпоративные системы клиентов, подключаются к Excel, PowerPoint, внутренним данным и автоматизируют то, что раньше делали junior-специалисты. Агенты понимают контекст сделки, обновляют финмодели и презентации при изменении условий. По сути, это электронный помощник, который знает всё о текущих проектах и может работать без тормоза 24/7.
Рынок автоматизации back-office в инвестбанкинге и консалтинге реально оживляется. Два месяца назад конкурент Rogo привлёк $160 млн при оценке в $2 млрд. Есть ещё Hebbia, которая решает похожие задачи. Даже OpenAI и Anthropic запустили специализированные финансовые инструменты. Но Model ML заявляет о конкурентном преимуществе: они работают на открытых моделях (типа Llama или Mistral), а не на дорогих frontier-моделях от OpenAI и Google. По их словам, это даёт им скорость в 2% от стоимости: проще всего сверху открытые модели работают дешевле и часто быстрее на специализированных задачах.
Ключевой вопрос — действительно ли открытые модели справляются с качеством финансовых вычислений так же хорошо, как закрытые. На практике для шаблонных операций (обновление таблиц, переформатирование данных, стандартные расчёты) разницы часто нет, а экономия реальная. Но если нужна нестандартная аналитика или работа с очень сложной логикой — здесь frontier-модели всё ещё выигрывают.
Для российского финансового сектора такие инструменты могут быть полезны — локальные инвестбанки и консалтинговые фирмы тратят немало человеко-часов на рутину. Платформы автоматизации вроде AI Studio уже решают похожие задачи в других сферах, но специализированные решения для финсектора с интеграцией в корпоративные системы остаются редкостью. Препятствие стандартное: интеграция требует глубокого понимания внутренних процессов клиента, а это дороговато. Но потенциал очевиден — экономия на зарплате junior-специалистов, ускорение cycles от идеи до питча.
Одно важное уточнение: автоматизация junior-работы в банках — это не замена аналитиков, а инструмент для них. Когда модель обновляется за секунду вместо часа ручной работы, аналитик может сосредоточиться на действительно сложной части: интерпретации данных, поиске риска, стратегическом анализе. Вопрос только в том, будет ли банк нанимать меньше junior-ов или просто требовать от них больше работы. История ИТ-индустрии говорит в пользу первого варианта.
Алексей Мартыненко
Главный редактор SPV News
Model ML попадают в область, где автоматизация действительно работает — рутинные, повторяющиеся операции с чётким синтаксисом и предсказуемой структурой. Выбор в пользу открытых моделей имеет смысл не столько как маркетинг, сколько как инженерное решение: для финмоделей вам не нужна спектаклярная креативность GPT, нужна предсказуемая точность и скорость. Вопрос лишь в том, насколько хорошо эти модели справляются с исключениями и новыми паттернами — а про это в инвестиционных питчах редко пишут.