Das KI-Startup Trajectory sichert sich in einer Series-A-Finanzierungsrunde 45 Millionen US-Dollar bei einer Bewertung von 300 Millionen US-Dollar. Sequoia Capital führt die Runde an, während sich Nvidia, Bessemer Venture Partners und Bain Capital Ventures ebenfalls beteiligen. Parallel zum Kapitalzufluss öffnet das im Mai 2026 gegründete Unternehmen aus San Francisco seine Plattform für das nachträgliche Trainieren von KI-Modellen als frei zugängliches Self-Serve-Produkt.
Wagniskapitalgeber setzen auf kontinuierliches Modelltraining
Die Transaktion spiegelt das anhaltende Investoreninteresse an spezialisierter KI-Infrastruktur wider. Erste Berichte im August nannten noch ein Zielvolumen von 40 Millionen US-Dollar. Mit dem Abschluss übertrifft Trajectory diese Marke um fünf Millionen US-Dollar.
Bereits im Mai 2026 sammelte das Startup in einer Seed-Finanzierungsrunde 15 Millionen US-Dollar bei einer Post-Money-Bewertung von 115 Millionen US-Dollar ein, damals getragen von Bessemer, Conviction und Radical Ventures. Mittlerweile beschäftigt das Unternehmen 18 Mitarbeitende. In den vergangenen Monaten warb Trajectory gezielt Forschungs- und Produktexperten von Branchengrößen wie OpenAI, Stripe und Netflix ab.
Besondere Aufmerksamkeit zieht die Beteiligung von Nvidia auf sich: Der Chiphersteller agiert in dieser Runde gleichermaßen als Geldgeber wie als operativer Nutzer der Software. Ob die Vereinbarung auch feste Kontingente an Rechenzentrumskapazitäten beinhaltet, bleibt indes vertraulich.
Das Dilemma statischer Basismodelle
Der Einstieg der Wagniskapitalgeber adressiert einen zentralen Engpass beim produktiven Einsatz generativer Systeme. Gängige Foundation Models, wie sie OpenAI, Anthropic oder Open-Source-Projekte bereitstellen, lernen im laufenden Betrieb nicht selbstständig aus Fehlern. Die fachspezifische Feinabstimmung bindet erhebliche Ressourcen.
Bislang erfordert dieser Prozess entweder kostspielige interne Forschungsteams oder spezialisierte Implementierungsingenieure.
Die Gründer Ronak Malde, Michael Elabd und Arjun Karanam kennen diese Hürden aus der Praxis. Malde und Elabd forschten zuvor bei Google DeepMind, Karanam entwickelte generative Basismodelle bei Apple. Das Team setzt darauf, die Lücke zwischen generischen Sprachmodellen und praxiserfahrenen Fachexperten über standardisierte Softwareprozesse zu schließen.
Fachabteilungen steuern das Modelltraining ohne Code
Trajectory dockt an bestehende Open-Source-Modelle an und bindet sie direkt in operative Arbeitsabläufe ein. Die Plattform erfasst das Feedback der Anwender im Alltag und trainiert die Modelle fortlaufend auf spezifische Aufgaben nach. Technisch nutzt das Unternehmen dafür Verfahren wie die sogenannte Self-Distillation Policy Optimization.
Die Bedienoberfläche verzichtet auf Programmiercode und richtet sich an Fachkräfte aus der Rechtsberatung, Medizin oder Finanzanalyse. Die Anwender definieren Zielparameter direkt im System, um Verbesserungen anzustoßen. Ein integrierter Human-in-the-Loop-Ansatz sichert die Kontrolle über die Trainingsergebnisse und verhindert unkontrollierte Fehlentwicklungen durch autonome Selbstanpassung.
Zu den ersten Referenzkunden zählen die Rechtsplattform Harvey für Vertragsanalysen, das Fintech Rogo für Unternehmensbewertungen, der Supportspezialist Decagon sowie die Plattformen Mercor und Clay.
Wachsender Wettbewerb im Markt für KI-Spezialisierung
Mit dem Start des frei zugänglichen Produkts tritt Trajectory in eine kapitalintensive Marktphase ein. Der Wettbewerb um Werkzeuge zur Modellanpassung zieht rasant an: Der Rivale Applied Compute erzielte im Vormonat eine Bewertung von 3,25 Milliarden US-Dollar. Zudem drängen Anbieter wie Thinking Machines Lab mit der Plattform Tinker sowie der Infrastrukturspezialist Prime Intellect in dasselbe Segment.
Trajectory nennt bislang weder Zahlen zu den jährlich wiederkehrenden Umsatzerlösen noch konkrete Preispunkte für das neue Self-Serve-Angebot. Der weitere Markterfolg hängt maßgeblich davon ab, wie schnell Fachabteilungen jenseits der Tech-Branche die Software implementieren und ob das Startup seine Kundenbasis gegen finanzstarke Konkurrenten verteidigen kann.








