WisdomAI pozyskało 50 mln USD, stawiając na zapytania zamiast generowania odpowiedzi przez LLM

WisdomAI, założony przez Sohama Mazumdara po odejściu z Rubrik, pozyskał kolejne 50 mln USD w rundzie Series A, którą prowadzi Kleiner Perkins przy udziale NVentures — ramienia inwestycyjnego Nvidii. To szybki kamień milowy: zaledwie sześć miesięcy wcześniej spółka zebrała 23 mln USD w rundzie seed kierowanej przez Coatue.

Produkt WisdomAI ma rozwiązywać klasyczny problem przedsiębiorstw: jak uzyskać konkretne, użyteczne odpowiedzi z pomieszanych źródeł danych — uporządkowanych, nieustrukturyzowanych, a nawet zawierających błędy i literówki. Użytkownik zadaje pytanie w języku naturalnym, np. dotyczące liczby klientów w lejku sprzedażowym i przeszkód blokujących zamknięcie transakcji w danym kwartale. Kluczową różnicą jest podejście do dużych modeli językowych (LLM).

Zamiast pozwalać LLM-om na generowanie gotowych odpowiedzi — co naraża system na tzw. halucynacje — WisdomAI wykorzystuje je jedynie do formułowania zapytań, które następnie kierowane są do hurtowni danych. W praktyce oznacza to, że błąd modelu skutkuje co najwyżej nieefektywnym zapytaniem, a nie wymyśloną, lecz przekonującą odpowiedzią. Firma dodatkowo opracowała własną warstwę logiki, nazwaną „enterprise context layer”, która analizuje i mapuje dane klienta, by poprawić trafność zapytań.

Założyciele WisdomAI znają realia pracy z hurtowniami danych — wszyscy wcześniej współpracowali z Mazumdarem w Rubrikie, co daje im doświadczenie w obszarze przechowywania i zabezpieczeń danych. Mazumdar, który opuścił Rubrik w 2023 roku, twierdzi, że od oficjalnego debiutu pod koniec 2024 r. baza klientów wzrosła z dwóch do około 40 przedsiębiorstw, w tym firm takich jak Descope, ConocoPhillips, Cisco czy Patreon.

Równie istotne są sygnały o rozszerzaniu użycia wewnątrz organizacji-klientów: część z nich podwoiła aktywność w ciągu dwóch miesięcy, a jeden klient zwiększył licencje z 10 do 450 stanowisk. To wskazuje na próbę przekształcenia narzędzia z wąskiego rozwiązania BI w szeroko dostępny interfejs zapytań dla pracowników biznesowych.

W ostatnich sześciu miesiącach platforma zyskała też funkcję agentową, która monitoruje wybrane metryki i alarmuje „w czasie rzeczywistym” o istotnych zmianach. Jak mówi Mazumdar, stworzenie takiego agenta trwało mu kilka minut i zamiast wysyłać rutynowe raporty, narzędzie powiadamia „gdy dzieje się coś interesującego”. To przesunięcie z pasywnego raportowania do proaktywnego powiadamiania jest według firmy jednym z głównych usprawnień analityki.

Podejście WisdomAI ma sporo zalet — redukcja ryzyka halucynacji przy odpowiedziach to realne udogodnienie w środowisku korporacyjnym, gdzie fałszywe dane mogą mieć kosztowne konsekwencje. Jednocześnie rozwiązanie nie jest pozbawione wyzwań: poprawność wygenerowanego zapytania zależy od jakości mapowania kontekstu i uprawnień dostępu, a „nieefektywne zapytanie” wciąż może wprowadzać w błąd użytkownika lub obciążać systemy analityczne. Ponadto praca z „brudnymi” danymi wymaga zaawansowanego przetwarzania i zarządzania jakością — to pole, w którym deklaracje technologiczne muszą zostać zweryfikowane w dłuższej eksploatacji.

Inwestycja Kleiner Perkins i NVentures pokazuje rosnące zainteresowanie rozwiązaniami, które łączą praktyczność analityki z możliwościami generatywnych modeli, ale też sygnalizuje, że rynek oczekuje od takich startupów solidnych gwarancji bezpieczeństwa danych i kontroli wyników. WisdomAI ma dobre wejście — zespół z doświadczeniem w hurtowniach danych i już pierwszym portfelem klientów — ale w kolejnych kwartałach będzie musiała udowodnić skalowalność i niewrażliwość podejścia na przypadki krawędziowe w różnych branżach.

Finansowanie powinno przyspieszyć rozwój produktu i ekspansję sprzedażową. Dla klientów kluczowe będzie przekonanie się, czy model „LLM jako generator zapytań + warstwa kontekstowa” faktycznie obniża ryzyko błędnych analiz przy jednoczesnym zwiększeniu dostępności danych dla szerokiego grona pracowników.