AfterQuery получила оценку $3,2 млрд и стала самым быстрым единорогом YC

Стартап AfterQuery, который создаёт данные для обучения искусственного интеллекта, по информации Forbes привлёк инвестиционный раунд при оценке в $3,2 млрд. В апреле компания из Сан-Франциско объявляла о Series A на $30 млн при оценке $300 млн. Таким образом, заявленная оценка выросла более чем в десять раз менее чем за полгода.

Рекорд для выпускника Y Combinator

Партнёр Y Combinator Густаф Альстрёмер заявил, что AfterQuery стала самым быстрым стартапом в истории акселератора, достигшим статуса «единорога». Основателям компании сейчас 22 и 23 года. Они проходили программу Winter 2025, то есть участвовали в когорте около 18 месяцев назад.

Forbes первым сообщил о новом раунде. AfterQuery не удалось оперативно получить для комментария, поэтому условия сделки, включая объём привлечённых средств и состав инвесторов, в публикации не раскрываются.

Обучение моделей профессиональной работе

AfterQuery относится к группе компаний, развивающих подготовку данных для ИИ с участием экспертов предметных областей. Компания привлекает врачей, юристов и других специалистов для обучения моделей. Такой подход близок к моделям работы Mercor и Scale, также использующим знания профессионалов.

При этом AfterQuery описывает свою задачу шире, чем проверку правильности ответов модели. Стартап обучает модели и ИИ-агентов выполнять задачи так, как это делают профессионалы: передавать им шаблоны работы, решения и рассуждения лучших практиков.

В апреле AfterQuery сообщала, что её годовой темп выручки достиг $100 млн. Среди клиентов компания называла Nvidia, Legora и южнокорейскую ИИ-лабораторию Motif Technologies. О сотрудничестве с «многими крупнейшими лабораториями» стартап также сообщал тогда же, не раскрывая полный список организаций.

Что это означает для компаний

История AfterQuery показывает, насколько востребованы системы, которые превращают опыт специалистов в материал для обучения моделей и агентов. Для бизнеса практический вывод состоит в том, что при внедрении ИИ важно оценивать не только возможности базовой модели, но и качество профессиональных процессов, примеров решений и экспертной проверки, доступных для её обучения.