Бен Тартел из стартапа Lightning Rod Labs формулирует свою компанию одной фразой: «Обучаем ИИ предсказывать будущее». Бывший инженер Google и техдиректор Area 120 основал её в Нью-Йорке в 2024 году вместе с Полом Вильчевским и Крисом Скотхаймом. Из лаборатории вышла серия моделей Foresight, и к лету 2026 года они доказали практичный тезис: маленькая модель, обученная на реальных исходах, может обыгрывать frontier-гигантов в прогнозировании — при цене в разы ниже.
API совместим с OpenAI, а выходной токен стоит $6 за миллион — против $10 у GPT-5 и $25 у Opus 4.6.
Метод обучения обратный классическому: не ручная разметка, а само будущее как метка (Future-as-Label).
Почему будущее стало API
Обычные LLM обучены выдавать правдоподобный текст. Foresight обучен выдавать калиброванные вероятности: ответ на вопрос «снизит ли ФРС ставку в ближайшие полгода» звучит не как уверенная фраза, а как число. Модель следит за миром через новости и разрешённые исходы реальных событий — эта техника называется Future-as-Label: время само создаёт разметку, разметчик не нужен.
Для агентных сценариев это меняет экономику. Вместо прогона тяжёлой модели на каждом шаге агент вызывает лёгкий форкастер: цена падает в 1,7–4,2 раза по сравнению с GPT-5, Gemini 3.1 Pro и Opus 4.6, а на бенчмарке метрики выше. К июню 2026 года компания отчитывалась о миллиарде токенов за неделю, а пиковая нагрузка превысила 100 тысяч прогнозов в день.
Откуда цифры
Цены объявлены на странице моделей: Foresight — $6 за миллион выходных токенов, GPT-5 — $10, Gemini 3.1 Pro — $12, GPT-5.4 — $15, Opus 4.6 — $25. Данные о трафике и нагрузке — из июньских постов компании в LinkedIn и описания на Product Hunt.
Чем это интересно для Горизонта
Ставка Lightning Rod на «время как метку» близка к тому, что делают институциональные прогнозисты. Как мы писали в августе, RAND и Metaculus соединили сценарии с толпой в системе Integrated Strategic Forecasting: там человек и ИИ вместе размывают границу между качественным сценарием и вероятностной оценкой. Foresight идёт с другой стороны — делает вероятностный прогноз дешевле, быстрее и доступнее как API, что даёт толпе и агентам шанс отвечать на вопросы, которые раньше требовали комитета экспертов.
Метод не ограничивается геополитикой. На данных SEC 32B-модель обгоняет GPT-5 в прогнозе рисков публичных компаний. Отдельные статьи закрывают прогноз сбоев в цепочках поставок и клинические исходы: на MIMIC-III модель с Foresight Learning сократила ошибку калибровки на 70% и слегка превзошла GPT-5 по Brier score — без единой ручной метки. Спектр применений упирается в одну и ту же механику: реальные исходы собираются из открытых данных, а небольшой модели достаточно для высокой точности.
Позиция для читателя
Для русскоязычного читателя Foresight интересен не как очередная «умная нейронка», а как точка снятия этого вопроса: когда прогноз будущего превращается в общедоступный сервис стоимостью шесть долларов за миллион токенов, привычная картина того, кто и зачем делает прогнозы, устаревает. Спрос смещается от дорогой экспертизы к тому, кто лучше формулирует вопрос и доверяет вероятностям, а не уверенному тону.
Не пропускайте сигналы будущего — подпишитесь на Горизонт
Разборы прогнозов, сценариев и технологий, которые меняют горизонт планирования.
