כל מעבדת AI מפרסמת גרף שבו היא מנצחת. ואלס בנתה עסק של 400 מיליון דולר על ההנחה שאף אחד כבר לא מאמין לגרפים האלה.
יש טקס קבוע בתעשיית ה-AI. מעבדה משחררת מודל חדש, ואיתו מגיעה מצגת עם שישה גרפי עמודות שבכולם, במקרה מוחלט, העמודה הכי גבוהה היא שלה. אחר כך מגיעים החוקרים, מגלים שהמבחן דלף לתוך נתוני האימון, וכולם ממשיכים הלאה למודל הבא. לתוך הוואקום הזה נכנס סטארטאפ בשם ואלס (Vals AI), שגייס לאחרונה 40 מיליון דולר בסבב A בהובלת אנדריסן הורוביץ לפי שווי של 400 מיליון דולר — על בסיס טענה אחת פשוטה: מדידה של מודלים היא לא פיצ'ר שיווקי של מי שמוכר אותם, אלא מקצוע בפני עצמו.
החברה הוקמה ב-2024 על ידי שני בוגרי סטנפורד, ריאן קרישנן (מנכ"ל, בעבר בפלנטיר) ולנגסטון נשולד (CTO, בעבר במטא, אנבידיה והאדסון ריבר טריידינג). לצד a16z השתתפו בסבב גם המשקיעים הקיימים 8VC, Pear VC ובלומברג ביתא, ואליהם הצטרפו זרוע ההשקעות של האדסון ריבר טריידינג ו-NextLadder. לפי הדיווח ב-טקראנץ', ההכנסות של החברה גדלו פי שמונה בתוך שנה, והצוות קפץ משמונה עובדים ל-25 — עם כוונה לגייס עוד 10 עד 15.
כי המדדים הקיימים נשחקו. הבעיה הכי מוכרת נקראת זיהום נתונים: שאלות של מבחנים פופולריים מסתננות אל תוך קורפוס האימון, ואז המודל לא פותר אותן אלא נזכר בהן. הבעיה השנייה עדינה יותר, והיא שאלה של תמריצים. בזירות דירוג מבוססות העדפה אנושית, כמו LMArena, הודתה הפלטפורמה עצמה שמטא הגישה לבדיקה גרסה מותאמת ולא-משוחררת של מודל, והציגה את התוצאה בלי להבהיר את זה. כשהנבחן הוא גם זה שמחליט איזו גרסה תיגש למבחן ואיזו תוצאה תפורסם, הציון מודד יחסי ציבור לפחות באותה מידה שהוא מודד יכולת.
הגישה של ואלס היא לסגור בדיוק את הפרצה הזו. המבחנים שלה לא מתפרסמים — בניגוד למדדים אקדמיים פתוחים — כך שאי אפשר לאמן עליהם מראש, והם מוצאים משימוש ברגע שהם מפסיקים להבדיל בין מודל חזק למודל חלש. במקום לשאול את המודל טריוויה כללית, החברה בונה מבחנים סביב עבודה מקצועית ממשית: ניתוח חוזים, מיסוי, מימון תאגידי, רפואה וקוד, כשמומחי תחום אמיתיים מגדירים ובודקים את המשימות לצד מערכת ציינון אוטומטית. ההערכות של ואלס כבר מצוטטות בכרטיסי המודל של OpenAI, אנת'רופיק, גוגל, מטא ו-xAI — כלומר המעבדות עצמן כבר מתייחסות אליה כסמכות. אחד הממצאים שהקפיצו את התעשייה המשפטית היה דוח שלה מ-2025, שבו מערכות AI קיבלו ציון גבוה יותר מעורכי דין אנושיים במשימות מחקר משפטי.
הזווית הישראלית פחות קשורה למי יככב בלוח התוצאות ויותר למי שצריך לחתום על החלטה. תעשיית ה-AI המקומית נשענת במידה רבה על מכירה לארגונים מוסדרים בחו"ל — לגאלטק, פינטק, ביטוח, סייבר — והלקוחות האלה כבר לא מתרשמים מ"אנחנו מבוססים על המודל הכי חזק בעולם". שאלת ה-due diligence שחוזרת בכל עסקה היא "על מה בדקתם, ומי בדק". מדד ניטרלי וחסוי הוא בדיוק סוג הראיה שקל להציג בוועדת רכש ובוועדת סיכונים, ובשוק שבו גם רגולציה אירופית מתחילה לדרוש תיעוד הערכה, זה הופך מנייס-טו-הב לפריט חובה. הצד השני של המטבע, עבור צוותי מוצר ישראליים: אם הציון הפומבי של מודל כבר לא אומר כלום על הביצועים שלו במשימה הספציפית שלכם, אין באמת תחליף לבניית סט הערכה פנימי משלכם — ורצוי כזה שלא העליתם לגיטהאב.
ומכאן גם המתח שנשאר פתוח, וכדאי לומר אותו בגלוי: ואלס לא עמותה. היא מוכרת תשתית הערכה לאותן מעבדות ולאותם ארגונים שאת המוצרים שלהם היא מדרגת, ובמובן הזה היא בונה את אותה סוג של תלות שהיא מבקשת לתקן — בערך כמו סוכנויות דירוג האשראי, שגם הן התחילו כגוף ניטרלי שנשכר על ידי הנבדקים. בינתיים, כשכל מעבדה מפרסמת גרף שבו היא מנצחת, שוק שמוכן לשלם למישהו שרק ימדוד הוא כבר סימן בריאות. השאלה היא אם ואלס תצליח להישאר בצד הזה של הקו כשהלקוחות יגדלו — ומה קורה ביום שבו הציון שהיא נותנת עולה למישהו הרבה כסף.
