Prentis, новая исследовательская ИИ-лаборатория, сооснованная Ританкаром Дасом вместе с Рейдом Хоффманом и Марком Пинкусом, ведет переговоры о привлечении $100 миллионов при оценке в $1 миллиард, сообщает TechCrunch, ссылаясь на двух людей, знакомых с обсуждениями. Сообщаемое финансирование важно не столько как очередной крупный раунд в ИИ, сколько как сигнал о том, где инвесторы видят следующую бизнес-нишу в enterprise AI: не в генерации кода, а в программных агентах, которые могут работать с обычными бизнес-системами так же, как это делают офисные сотрудники.

По данным TechCrunch, Prentis запустилась в апреле и строит то, что описывает как модели computer use, обученные на рутинных рабочих процессах, охватывающих документы и корпоративные системы. Цель компании — создать ИИ-агентов, которые смогут управлять компьютерами и выполнять повторяющиеся офисные задачи, включая такие работы, как обработка страховых требований или ведение исключений по возврату таможенных пошлин, без необходимости, чтобы человек разыскивал файлы по множеству инструментов.

Это помещает Prentis в одну из самых активных и одновременно перегретых частей рынка ИИ. И крупные поставщики моделей, и стартап-лаборатории пытаются перейти от чат-интерфейсов к агентам, которые могут щелкать, искать, вводить данные и выполнять сквозные задачи внутри реальных программных сред. Если Prentis сможет показать, что меньшие специализированные модели достаточно надежны и дешевы для такой работы, это предложит иной путь, чем стратегия фронтирных моделей, которую сегодня продвигают более крупные лаборатории.

Сфокусированная ставка на автоматизацию computer use

Центральная идея Prentis, как ее описывает TechCrunch, заключается в том, что многие корпоративные рабочие процессы тормозятся не из-за нехватки аналитики или текстогенерации, а из-за фрагментированного ПО. Сотрудники по-прежнему переключаются между окнами, формами, PDF, электронной почтой и внутренними системами, чтобы завершать рутинную, но массовую работу. Модель, способная понимать экраны, находить элементы управления и завершать цепочку действий, могла бы превратить ИИ из второго пилота в оператора.

Это отличается от первой волны корпоративных ИИ-инструментов, которые часто были сосредоточены на сценариях суммаризации, написания текстов или помощи в программировании. Prentis, как сообщается, делает ставку на то, что автоматизация повседневной офисной работы может стать более крупной коммерческой возможностью, чем генерация кода. Это по-прежнему прогноз, а не установленный факт рынка, но он соответствует более широкому движению к автоматизации рабочих мест и внедрению корпоративного ИИ, связанному с прямой экономией труда.

TechCrunch сообщила, что Prentis планирует настраивать агентов под рабочие процессы клиентов, а не предлагать только один универсальный горизонтальный агент. Для корпоративных покупателей это важно. Системы computer use обычно ломаются, когда рабочие процессы зависят от специфичных для компании форм, устаревших приложений, необычных путей обработки исключений или политических ограничений. Индивидуальная модель развертывания может улучшить соответствие, хотя она также может сделать продажи и внедрение более сервисоемкими, чем стандартный SaaS.

Люди и структура, стоящие за лабораторией

Prentis возглавляет Ританкар Дас, которого TechCrunch назвал основателем и CEO. Дас также основал Titan — холдинговую компанию, которая создает и управляет ИИ-компаниями. TechCrunch описала Titan как давний инструмент Даса для запуска бизнеса и упомянула ранее связанные с Titan компании, включая Tala Health, Forta Health и Dascena.

Участие Рейда Хоффмана и Марка Пинкуса придает Prentis мгновенную видимость как в венчурных, так и в продуктовых кругах, даже если TechCrunch охарактеризовал компанию как своего рода побочный проект для них по сравнению с другими обязательствами. Хоффман был глубоко вовлечен в несколько ИИ-инициатив, от OpenAI в качестве раннего инвестора до Inflection AI и, более недавно, Manas AI. Пинкус, наиболее известный как основатель Zynga, сейчас возглавляет Reinvent Capital, где Хоффман является старшим советником.

TechCrunch также сообщила, что Prentis уже наняла более 25 сотрудников, включая исследователей с опытом работы в OpenAI, Google DeepMind, Meta, Tencent и Alibaba. Такой профиль найма примечателен для компании, запущенной всего несколько месяцев назад, особенно в категории, где прогресс часто зависит от специализированных конвейеров данных, симуляции среды и инфраструктуры оценки не меньше, чем от обучения самой модели.

Сигналы выручки ранние и с оговорками

Одна из причин, почему сообщаемый раунд финансирования привлекает внимание, заключается в том, что TechCrunch сообщила: Prentis уже подписала контракты на сумму до $50 миллионов с несколькими клиентами, включая организацию в сфере управления здравоохранением, производителя, а также производителей товаров и одежды. Однако издание также привело важные оговорки из просмотренных им материалов для инвесторов.

По данным TechCrunch, презентация Prentis прогнозирует annualized run rate в $75 миллионов к третьему кварталу этого года, исходя из контрактной комиссии, равной 20% от достигнутой экономии. В презентации, как сообщается, указано, что эти цифры отражают предполагаемую annualized value, а не признанную выручку, и зависят от результатов и окончательного исполнения.

Это различие критически важно. Контракты, основанные на экономии, могут выглядеть огромными на бумаге до того, как базовая автоматизация будет полностью развернута или проверена в производстве. Для основателей и корпоративных покупателей это напоминание о том, что «contracted value», «annualized run rate» и признанная выручка — не взаимозаменяемые понятия. Особенно в ИИ-агентах многое зависит от того, сможет ли система сохранять точность, обработку исключений и аудируемость после выхода из демонстрационной среды.

Тем не менее, даже при осторожной интерпретации наличие клиентских контрактов говорит о том, что Prentis не позиционирует себя исключительно как исследовательскую лабораторию. Компания пытается доказать коммерческий спрос наряду с технической дифференциацией. На нынешнем рынке финансирования такая комбинация, как правило, важнее одних лишь побед в бенчмарках.

Заявления о модели, заявления о бенчмарках и то, что пока не подтверждено

TechCrunch сообщила, что Prentis утверждает: ее модель Hive-32B превосходит конкурентов, включая GPT-5.4 от OpenAI и Claude Opus 4.6 от Anthropic, по двум бенчмаркам computer use — WindowsAgentArena и ScreenSpot-v2. По данным публикации, компания утверждает, что ее преимущество связано с использованием гораздо меньшей и более дешевой модели, и заявляет примерно в 10 раз более низкую стоимость на задачу, чем у frontier API.

Если это подтвердится, это будут значимые заявления. Меньшая модель, которая измеримо лучше справляется с действиями, привязанными к экрану, может оказаться полезнее для компаний, чем более крупная универсальная модель, которая дороже и менее надежна в рабочих процессах, завязанных на интерфейс. Стоимость на задачу особенно важна в автоматизации труда, где повторяющиеся операции могут выполняться тысячи или миллионы раз.

Но доступные здесь доказательства ограничены. Заявления о бенчмарках и стоимости поступают из материалов Prentis, процитированных TechCrunch, и TechCrunch прямо сказала, что не проверяла результаты бенчмарков независимо. Кроме того, в имеющемся репортаже недостаточно деталей, чтобы оценить условия тестирования, стратегии промптов, распределение задач, определения отказов или то, были ли сравниваемые frontier-модели оптимизированы под те же среды.

Это не делает заявления ложными; это означает, что читателям следует считать их непроверенными, пока не появятся сторонняя репликация или свидетельства клиентов. В агентных системах лидерство в бенчмарках часто не переводится напрямую в надежность в продакшене. Небольшие различия в изменениях интерфейса, состоянии сессии, средствах безопасности или ошибках OCR могут резко влиять на реальные показатели завершения задач.

Почему это важно для разработчиков и корпоративных покупателей

Для создателей ИИ Prentis — наглядный пример стратегического раскола на рынке. Один лагерь пытается сделать так, чтобы универсальные frontier-модели могли управлять компьютером. Другой ставит на то, что более узкие модели, более плотные циклы данных и развертывание, привязанное к конкретным рабочим процессам, победят по экономике и надежности. Prentis, похоже, принадлежит ко второму лагерю.

Такой подход может найти отклик у команд enterprise AI, которым важнее не широкая способность к рассуждению, а предсказуемое исполнение внутри бизнес-программ. В таких отраслях, как здравоохранение и производство, многие высокоценные процессы по-прежнему требуют ручного переключения между системами. ИИ-агент, способный ориентироваться в этих системах, может оказаться более немедленно полезным, чем еще один слой чат-бота.

При этом категория остается сложной. Покупателям потребуются доказательства в части прав доступа, шагов человеческой проверки, механизмов отката и интеграции с существующими системами. Агент computer use может создавать операционную ценность, но может создать и операционный риск, если нажмет не ту кнопку, неправильно обработает чувствительные данные или тихо провалится на пограничных сценариях. Порог надежности при обработке претензий или в финансах сильно отличается от допустимых уровней ошибки для потребительского помощника.

Конкуренция также будет интенсивной. TechCrunch указала на усилия OpenAI, Anthropic и Thinking Machines в этой области и отметила, что Anthropic ранее приобрела Vercept — стартап, ориентированный на computer use. Этот фон важен: даже если Prentis рано привлекает клиентов, у крупных поставщиков моделей есть дистрибуция платформы, капитал и существующие корпоративные отношения.

Доказательства и утверждения

Основная новость в этой истории исходит из репортажа TechCrunch, основанного на двух неназванных людях, знакомых с переговорами Prentis о финансировании, и на материалах для инвесторов, изученных изданием. Сообщаемые $100 миллионов и оценка в $1 миллиард не были независимо подтверждены в предоставленном здесь исходном материале самой Prentis.

Направление продукта, примеры клиентов, кадровый профиль и заявления о производительности модели — все это изложено в рассказе TechCrunch о Prentis и ее презентационных материалах. Заявления о том, что Hive-32B превосходит GPT-5.4, Claude Opus 4.6, WindowsAgentArena и ScreenSpot-v2, являются сообщенными производителем утверждениями, приписанными Prentis. Сообщаемые контракты на сумму до $50 миллионов и прогнозируемый annualized run rate в $75 миллионов также требуют осторожности, поскольку TechCrunch отметила, что они основаны на оценочной annualized value и зависимых от результатов структурах, а не на признанной выручке.

На что смотреть дальше

Следующим значимым сигналом будет то, подтвердит ли Prentis раунд, назовет ли инвесторов или предоставит ли больше деталей по метрикам внедрения, а не по результатам бенчмарков. Для этой категории удержание клиентов и подтвержденные показатели завершения задач будут важнее, чем оценка в заголовке.

Второй сигнал — опубликует ли Prentis технические подробности о Hive-32B, включая методологию оценки и сравнения с системами OpenAI и Anthropic в одинаковых условиях. Без этого история о стоимости и производительности останется трудной для оценки.

Третье — следить за тем, смогут ли агенты computer use выдержать реальные корпоративные ограничения: аутентификацию, права доступа, обновления приложений, обработку исключений и журналы аудита. Если Prentis сможет показать производственные кейсы в здравоохранении, производстве или торговых операциях, это усилит аргумент, что ИИ-агенты становятся практическим уровнем автоматизации труда, а не экспериментальной функцией.

Мнение Creati.ai

Prentis интересна не потому, что это еще один хорошо связанный ИИ-стартап, а потому, что она выдвигает очень конкретный коммерческий тезис: следующий ценный ИИ-работник — тот, кто использует ПО так же, как это уже делают люди. Это более четкая гипотеза, чем «универсальный ИИ для бизнеса», и она нацелена на бюджеты, привязанные к операционной экономии, а не к новизне.

Оговорка в том, что этот рынок может одновременно порождать впечатляющие демонстрации и хрупкие внедрения. Если стратегия меньших моделей Prentis окажется и дешевле, и надежнее frontier API для экранных задач, это может стать важной точкой отсчета для проектирования enterprise AI. Если нет, компания все равно может помочь прояснить более широкий вывод отрасли: в ИИ-агентах победы в бенчмарках — это только начало; устойчивую ценность создают надежность в продакшене, контроль и соответствие рабочему процессу.