Sekelompok peneliti AI yang sebelumnya bekerja di Google DeepMind, Apple, OpenAIDan Lab Superintelijen Meta mengumumkan pada hari Rabu bahwa mereka meluncurkan startup baru bernama Lintasanyang bertujuan membantu perusahaan meningkatkan produk AI mereka secara berkala dengan melatih interaksi pengguna di dunia nyata.
Trajectory ingin membangun platform AI yang dapat belajar terus-menerus, sebuah kemampuan yang telah lama dianggap oleh para peneliti sebagai hambatan utama bagi kemajuan AI lebih lanjut. OpenAI, Google, dan Anthropic telah menemukan keberhasilan dalam melatih versi model AI yang semakin mumpuni, terutama untuk domain seperti coding, matematika, dan sains. Namun, sistem ini berhenti menjadi lebih pintar setelah pelatihannya selesai. Meskipun ada beberapa yang baru-baru ini terobosan dalam pembelajaran berkelanjutanperusahaan teknologi umumnya kesulitan membuat produk AI yang belajar dari kesalahan mereka secara real time. Pada bulan Desember 2025 di NeurIPS, salah satu konferensi penelitian AI tahunan terbesar, pemenang penghargaan Turing Richard Sutton berpendapat bahwa pembelajaran yang berkelanjutan sangatlah penting untuk membangun agen super cerdas.
Trajectory telah mengumpulkan putaran awal senilai $15 juta dengan penilaian pasca-uang senilai $115 juta, dipimpin oleh perusahaan modal ventura Conviction, dengan partisipasi dari Bessemer Venture Partners, Radical VC, dan BoxGroup. Investor individu juga berpartisipasi dalam putaran ini, termasuk kepala ilmuwan Google DeepMind, Jeff Dean, serta yang disebut sebagai “ibu baptis AI”, profesor Stanford dan CEO World Labs Fei-Fei Li.
CEO dan salah satu pendiri Trajectory, Ronak Malde, sebelumnya adalah seorang peneliti AI di Windsurf, dan ia kemudian menjadi salah satu dari segelintir karyawan yang bekerja di Google DeepMind ketika perusahaan tersebut merekrut talenta terbaik dari startup coding tersebut dalam sebuah Kesepakatan $2,4 miliar tahun lalu. Salah satu pendiri Trajectory lainnya termasuk Arjun Karanam, mantan peneliti AI di Apple yang mengerjakannya Visi Prodan Michael Elabd, yang sebelumnya bekerja di Divisi robotika Google DeepMind.
Malde memberi tahu WIRED bahwa beberapa produk pengkodean AI terkemuka, seperti Cursor, sudah melakukan pembelajaran berkelanjutan versi awal—menggunakan data nyata tentang bagaimana orang berinteraksi dengan produk mereka untuk melakukan pasca-pelatihan dan secara teratur mengirimkan peningkatan model. Dia berpendapat ini adalah alasan utama mengapa hal ini terjadi Produk pengkodean AI telah berkembang pesatdan merupakan salah satu alasan mengapa laboratorium AI besar melakukannya bergegas mengembangkan aplikasi pengkodean getaran milik mereka sendiri. Dengan Trajectory, Malde dan timnya yang terdiri dari 11 peneliti dan insinyur berharap dapat menerapkan teknik serupa untuk meningkatkan alat bertenaga AI di luar bidang pengkodean.
“Bahkan AI yang paling kuat saat ini pun masih statis. Model AI yang Anda gunakan kemarin akan membuat kesalahan yang sama hari ini,” kata Malde. “Beberapa perusahaan mulai memasuki dunia pembelajaran berkelanjutan. Apa yang kami lakukan adalah membangun platform bagi setiap perusahaan untuk terus belajar.”
Tantangan dalam menerapkan logika ini ke domain lain adalah bahwa pengkodean dapat dengan mudah diverifikasi—kode berjalan atau tidak—tetapi beberapa industri memiliki definisi kesuksesan yang lebih longgar. Karanam mengatakan bagian dari apa yang ditawarkan platform Trajectory adalah membantu mengoptimalkan model AI untuk kebutuhan spesifik bisnis.
Daripada memulai dari model siap pakai dari OpenAI atau Anthropic, Trajectory meminta pelanggan memulai dengan model sumber terbuka yang telah dilatih pasca pelatihan untuk produk AI tertentu yang ada dalam pikiran perusahaan. Untuk Decagon, pelanggan yang membangun agen dukungan pelanggan AI, Trajectory mencatat ketika AI-nya gagal—misalnya, pelanggan yang mencoba melakukan pengembalian membuat kuerinya diteruskan ke manusia—dan menggunakan instance tersebut untuk melakukan pasca-pelatihan model baru sesering setiap minggu. Trajectory mengklaim model pasca-pelatihan ini mengalahkan model laboratorium terdepan dalam tugas-tugas sempit yang paling penting bagi produk perusahaan.
Para eksekutif perusahaan sangat ingin menggunakan AI untuk berbagai jenis tugas, namun untuk melakukan hal tersebut saat ini mereka sering kali perlu mempekerjakan tim yang terdiri dari “insinyur yang ditempatkan di masa depan”, atau konsultan dan karyawan teknis yang ditempatkan di dalam perusahaan untuk membantu mengembangkan produk AI. Perusahaan seperti OpenAI, AntropisDan Palantir telah bergegas untuk memenuhi kebutuhan itu. Elabd mengatakan tujuan Trajectory adalah untuk membangun produk yang dapat berkembang dengan sendirinya sehingga perusahaan tidak memerlukan teknisi internal untuk terus memecahkan masalah tumpukan AI mereka. Startup tersebut mengatakan bahwa mereka sudah memiliki pelanggan di berbagai bidang, termasuk startup penjualan perusahaan Clay dan startup AI legal Harvey. Meskipun saat ini Trajectory bekerja terutama dengan perusahaan-perusahaan yang berbasis AI, Trajectory pada akhirnya berencana untuk memasarkan platformnya ke Fortune 500.
Kritikus dapat berargumen bahwa Trajectory belum membangun pembelajaran berkelanjutan yang sebenarnya, setidaknya tidak dalam pengertian tradisional. Lagi pula, saat ini model startup hanya diperbarui seminggu sekali, dan model tersebut tetap statis di antara peningkatan.
Elabd berpendapat bahwa Trajectory baru saja dimulai. Dia mengklaim industri AI sedang bergerak menuju paradigma baru di mana AI belajar dari pengalaman—seperti apa yang sudah terjadi di bidang pengkodean AI. Elabd mengatakan tujuan akhir Trajectory adalah membangun platform yang dapat memperbarui model AI perusahaan setiap hari, atau bahkan lebih sering.
“Setiap hari mungkin tidak cukup. Bisa jadi setiap jam, bisa juga setiap interaksi,” kata Elabd. “Mungkin setiap perusahaan tidak hanya membutuhkan satu AI, Anda dapat melatih AI agar dapat belajar bagi setiap orang di setiap perusahaan.”
Ini adalah edisi milik Maxwell Zeff Buletin Perilaku Model. Baca buletin sebelumnya Di Sini.
