NeoCognition zebrał $40M na agentów uczących się jak ludzie

NeoCognition zebrał 40 milionów dolarów w rundzie seed — jeden z największych zastrzyków gotówki na tym etapie dla startupu budującego agentów AI. Firma powstała z inicjatywy badacza z Ohio State University i stawia na jeden konkretny cel: agenty, które uczą się jak ludzie, nie jak obecne modele.

Czym NeoCognition różni się od reszty stawki?

Większość dzisiejszych agentów AI działa na zasadzie „zapytaj i odpowiedz” — biorą prompt, wykonują zadanie, zapominają. NeoCognition chce zbudować agentów, którzy rzeczywiście akumulują wiedzę i stają się lepsi w konkretnej domenie im dłużej pracują. Brzmi znajomo? Bo to dokładnie to, co od lat obiecuje AGI-hype. Różnica polega na tym, że NeoCognition idzie na to z konkretnym modelem badawczym wywodzącym się z akademii, nie z garażowego hackathonu.

Fundament techiczny ma korzenie w badaniach nad ludzkim uczeniem się — stąd założyciel z OSU, nie ze standardowego pipeline’u Google/Meta/OpenAI. To rzadkość w branży, gdzie większość startupów to spin-offy wielkich labów.

Czy $40M seed to już norma?

Cztery lata temu 40 milionów w rundzie seed byłoby newsem tygodnia. Dziś to wciąż dużo, ale rynek AI rozciągnął definicję „seed” do granic absurdu. Anthropic zaczął od 124 milionów, Mistral podniósł 113 milionów w serii A nazywanej przez niektórych „superseedd”. NeoCognition wchodzi w tę samą grę — zbiera kasę zanim ma produkt, bo okno na finansowanie jest teraz, nie za dwa lata.

Inwestorzy wyraźnie kupują tezę, że agenty następnej generacji muszą mieć mechanizm uczenia się zbliżony do ludzkiego. Kto konkretnie wyłożył te 40 milionów, TechCrunch jeszcze nie ujawnił — co samo w sobie jest ciekawostką przy tak dużej rundzie seed.

Agenty jako eksperci dziedzinowi

NeoCognition celuje w scenariusz, w którym firmy mogą odpalić agenta i „wyszkolić” go jak nowego pracownika — stopniowo, w konkretnej domenie, z rosnącą skutecznością. To kontrpropozycja wobec modelu “jeden model do wszystkiego”, który dominuje u OpenAI czy Google.

Taka specjalizacja ma konkretne zastosowania:

• Prawo — agent, który przez miesiące pracy na dokumentach danej kancelarii rozumie jej styl i precedensy lepiej niż ogólny LLM
• Medycyna — diagnostyka oparta na danych konkretnego szpitala, nie tylko publicznych zbiorów
• Finanse — analizy pod specyficzny profil ryzyka funduszu, nie generyczne rekomendacje

Każdy z tych rynków to wielomiliardowy potencjał. Każdy też przyciąga dziesiątki konkurentów.

Konkurencja nie śpi

W tym samym segmentu agentów uczących się działają już m.in. Cohere (z agentami enterprise), Harvey (prawo), Abridge (medycyna). NeoCognition nie wchodzi na pusty rynek — wchodzi na rynek, gdzie specjalizacja jest już standardowym pitchem sprzedażowym.

Przewaga może leżeć w samym mechanizmie uczenia się. Jeśli badania z OSU faktycznie przyniosły coś innego niż fine-tuning czy RAG ubrane w nowe opakowanie, startup ma szansę. Jeśli to tylko lepszy marketing starego podejścia, 40 milionów wystarczy na może dwa lata runway przy obecnych kosztach GPU.

Co dalej z funduszem?

Przy rundzie seed tej wielkości standardowy plan to: zbudować zespół, wykręcić pierwsze benchmarki, pozyskać kilku klientów enterprise jako referencje, a potem zamknąć serię A w przedziale 150–300 milionów przed końcem 2026. To jest teraz standardowa ścieżka dla AI startupów z akademickim DNA.

NeoCognition nie podało jeszcze daty premiery pierwszego produktu ani listy inwestorów — dwie informacje, które powiedzą o startupie więcej niż jakikolwiek pitch deck.”, “coverImageAlt”: “Ilustracja przedstawiająca humanoidalnego robota uczącego się przy biurku z książkami i ekranem