$400 млн за аудит ИИ: как Vals AI продает доверие к моделям и почему a16z поверил

$40 млн при $400 млн оценки. $1,3 млн годовой выручки дают мультипликатор 30. Для платформы оценки моделей, которой два года, это ставка не на текущие продажи, а на то, что независимый аудит станет обязательным слоем инфраструктуры ИИ.

13 августа Vals AI объявила раунд Series A на $40 млн при оценке $400 млн. Лид, Andreessen Horowitz, в раунде также 8VC, Pear VC, Bloomberg Beta, HRT и NextLadder Ventures. Компания называет себя независимым оценщиком моделей для реальных профессиональных задач и уже цитируется OpenAI, Anthropic, Google, Meta и xAI как внешний верификатор. Заявка громкая. Рынок давно ждет честный бенчмарк.

Почему оценка сломалась

Модели сдают экзамены лучше студентов. Затем ошибаются в договоре аренды.

Этот разрыв между академическим бенчмарком и рабочей задачей стал системным. MMLU, GSM8K и HumanEval годами служили мерилом прогресса. Сегодня они насыщены, многие модели проходят их на уровне 85,90%, а утечка тестовых данных в обучающие корпуса делает результаты слабо верифицируемыми. Представьте юриста, который учил ответы на экзамен, но не вел ни одного дела. С моделями происходит то же. По данным исследовательской сводки Vals AI, разрыв между публичными лидерами и реальным качеством на доменных задачах для юриспруденции и финансов достигает десятков процентных пунктов при переносе из синтетики в практику.

Корпорации ощутили это на закупках. Пилот языковой модели выглядит убедительно на демо, затем проваливает проверку контрактов или свод отчетности. Риск не только в галлюцинациях, а в отсутствии стандарта, которому доверяют закупки. Внутренняя оценка силами вендора не решает проблему доверия. Нужен внешний аудитор, как в финансах или кибербезопасности. Рынок безопасности дал прецедент: SOC 2, ISO 27001, аудит Big Four стали условием сделки задолго до того, как клиенты научились проверять безопасность самостоятельно.

Идея независимого оценщика появилась не вчера, но до 2024 года у нее не было экономики. Создать качественный доменный бенчмарк трудно. Нужны эксперты, размеченные приватные кейсы, инфраструктура автоматического скоринга и гарантия отсутствия контаминации. Стоимость одного такого набора измерялась месяцами и десятками тысяч долларов. Поэтому большинство команд использовали оценка моделью-судьей (LLM-as-judge), то есть одна модель судила другую, что порождает смещения и споры о методологии. Vals AI выросла именно из попытки снизить эту стоимость и дать цифру, которую можно положить в контракт.

Что строит Vals AI: Vals Smith и Frontier Risk

Компания основана Раяном Кришнаном и Лэнгстоном Нэшолдом, выпускниками Стэнфорда. До Vals они работали над прикладными системами в исследовательских группах кампуса и видели, как сложно измерить пользу модели вне лаборатории. Платформа, которую они строят, состоит из трех слоев.

Первый, библиотека доменных бенчмарков с приватными тестовыми наборами. Закон, финансы, инжиниринг, медицина, в каждом домене тесты созданы с отраслевыми экспертами и не публикуются открыто, чтобы исключить тренировку на ответах. Скоринг автоматизирован, результаты сопоставимы между моделями. Именно эти наборы цитируют лаборатории при релизах: Vals AI уже упоминается в материалах OpenAI, Anthropic, Google, Meta и xAI как внешний источник отраслевой оценки.

Второй, Vals Smith, инструмент для сборки бенчмарка из любого репозитория GitHub. Пользователь указывает репу, Smith извлекает задачи, генерирует варианты вопросов, формирует приватный сет и прогоняет модели. Идея в том, чтобы компания могла за день получить собственный тест на своих данных, а не ждать квартал отраслевого релиза. Если это сработает в масштабе, стоимость создания бенчмарка упадет кратно, а количество узких тестов вырастет с десятков до сотен.

Третий, семейства специализированных индексов. Самый заметный, Frontier Risk Benchmarks и RSI Index, созданный совместно с CoreWeave, для оценки рисков передовых моделей. Это уже не про точность ответа, а про поведение на границе возможностей, где ошибки стоят дорого. Такой продукт ближе к страховому андеррайтингу, чем к академическому соревнованию.

Методология Vals делает ставку на три принципа. Приватность сетов. Экспертная валидация. Автоматический скоринг без LLM-судьи там, где можно посчитать детерминированно. Это не гарантирует идеальной объективности, но снижает ключевые источники шума, которые убили доверие к публичным таблицам лидеров.

Почему это важно сейчас. Объем внедрения генеративного ИИ в корпорациях вырос, а инструменты контроля за ним, нет. Опросы CIO показывают, что 62,68% пилотов не доходят до продакшена из-за вопросов точности и соответствия. Аудит становится воротами к продакшену. Тот, кто ставит печать, получает рычаг.

Экономика сделки: зачем a16z платит 30x

Цифры раунда выглядят агрессивно только вне контекста инфраструктуры доверия.

$1,3 млн ARR на момент раунда означает, что Vals AI находится в самом начале монетизации. При $40 млн инвестиций и оценке $400 млн мультипликатор к выручке составляет около 30. Для SaaS в 2024,2025 годах средний публичный мультипликатор колеблется в диапазоне 6,10, а для быстрорастущих инфраструктурных компаний, 12,18. 30 выходит за рамки, но венчурные раунды на стадии Series A редко оценивают по текущему ARR. Они оценивают по размеру приза, если категория сформируется.

Приз здесь, стать аналогом Moody's или UL Solutions для моделей. Если закупки обязаны прикладывать отчет независимого оценщика, рынок платит за каждый прогон, подписку на индексы и кастомные бенчмарки. Логика Andreessen Horowitz читается прямо: фирма системно инвестирует в инфраструктурный слой ИИ, от вычислений CoreWeave до инструментов наблюдения и безопасности, и отсутствие независимой оценки видит как пробел. Позицию усиливает синдикат: 8VC и Pear VC известны ставками на корпоративную инфраструктуру, Bloomberg Beta, на данные и рабочие процессы, HRT, на количественные системы, где цена ошибки высока.

Есть и встречный аргумент. Выручка $1,3 млн означает, что продукт еще не прошел проверку масштабом. Двадцать корпоративных клиентов с контрактами по $60 тыс., это не та же история, что двести клиентов с продлением. Риск концентрации выручки и длинного цикла продаж в регулируемых отраслях остается. Венчурная ставка в том, что спрос будет тянуть предложение: когда OpenAI или Anthropic сами ссылаются на Vals в релиз-нотах, это снижает стоимость продажи следующим клиентам.

Для сравнения: ближайшие аналоги в оценке качества, Maxim AI, DeepEval, Arize AI, привлекали раунды в диапазоне $20,50 млн при оценках $150,350 млн на близких метриках. Премия Vals к этому диапазону объясняется позиционированием как независимого стандарта, а не инструментария разработчика. Инструментарий продается командам. Стандарт продается рынку.

Ключевой вопрос для инвестора, повторимость. Сможет ли Vals повторить путь аудиторов в кибербезопасности, где сертификация стала условием оплаты счета, или останется поставщиком бенчмарков для лабораторий, которые цитируют ее из вежливости. Ответ зависит от двух вещей: принимают ли корпоративные закупки отчет Vals как основание для решения и выдержит ли методология атаку на независимость, когда клиент платит за оценку.

Карта рынка: кто еще измеряет модели и чем Vals отличается

Рынок оценки фрагментирован. Каждый закрывает свой кусок, никто не закрывает доверие.

Оценивать модели пробуют четыре группы.

Первая, наблюдаемость (observability) и трассировка (tracing): LangSmith от LangChain, Langfuse, Arize AI, Maxim AI. Их сила, трассировка, логи, сравнение промптов и поиск деградаций в продакшене. Их слабость, они продают инструмент команде, которая сама решает, что считать успехом. Это полезно для итераций, но не для внешней верификации.

Вторая, фреймворки с открытым кодом (open source): DeepEval, Evals от OpenAI, LM Evaluation Harness. Они стандартизируют запуск бенчмарков и метрики, снижают порог входа. Но наборы часто публичны, методология нестабильна между версиями, а результат легко подогнать подбором сета. Это инфраструктура для инженеров, не сертификат для закупок.

Третья, бенчмарк-провайдеры: Scale AI, Surge, Humanity's Last Exam, специализированные медицинские и юридические тесты. Они поставляют данные и разметку, иногда с высокой экспертизой. Но они редко несут ответственность за интерпретацию и редко хранят приватность так, чтобы исключить контаминацию.

Четвертая, консалтинг и аудит: Big Four, бутиковые фирмы, внутренние команды тестирования (red team). Они дают заключение с подписью, но медленно и дорого, а методология часто непрозрачна.

Vals AI пытается занять позицию между второй и четвертой группами, но с продуктом первой. Приватные сеты как у аудитора, автоматический прогон как у наблюдаемости (observability), скорость как у фреймворка. Отличие в том, что компания не продает время эксперта, а продает воспроизводимый прогон, который цитируется всеми сторонами. Это тонкая грань. Если экспертиза окажется недостаточно глубокой, рынок вернется к аудиторам. Если скорость окажется важнее глубины, выиграют фреймворки.

Карта рынка оценки моделей, август 2026. Источник: синтез по vals.ai, Maxim AI, Arize, Langfuse, DeepEval

Для инвестора карта означает одно. Категория еще не консолидирована. Лидер определится не по количеству интеграций, а по тому, чей отчет банк приложит к кредитному комитету при внедрении ИИ в андеррайтинг, а клиника, к протоколу внедрения ассистента. Vals движется в эту сторону быстрее других благодаря цитированию лабораториями, но у Maxim и Arize больше точек присутствия внутри корпоративных стеков, а у Scale, больше размеченных данных. Борьба пойдет за право быть подписью.

Что это меняет для рынка

Даже если Vals не станет стандартом, сам факт раунда меняет поведение игроков.

Во-первых, лаборатории получили внешний ориентир, на который можно ссылаться без обвинений в самооценке. Это снижает стоимость релиза и повышает планку для конкурентов: не иметь независимой оценки становится репутационным минусом.

Во-вторых, корпорации получили язык для закупок. Требовать отчет Vals или эквивалент в тендере проще, чем описывать методологию с нуля. Как только один крупный банк или страховщик впишет такой пункт, остальные последуют из-за комплаенса.

В-третьих, разработчики инструментов оценки вынуждены определиться: они строят внутренний инструмент или внешний стандарт. Попытка делать оба одновременно размывает позиционирование. Ожидается волна партнерств, где игроки в наблюдаемости (observability) будут встраивать внешние бенчмарки Vals в свои дашборды, сохраняя нейтральность.

На горизонте года главный риск для идеи независимого аудита, конфликт интересов. Когда клиент платит за оценку, аудитор заинтересован в повторных прогонах. Когда лаборатория цитирует аудитора, аудитор заинтересован в хороших отношениях с лабораторией. Модель независимого агентства работает только при жестких правилах приватности, ротации экспертов и раскрытии методологии. Vals заявляет эти принципы, но рынку предстоит проверить их в спорных кейсах.

Станет ли независимый аудит моделей обязательным условием корпоративных закупок к концу 2027 года?

Сценарии развития