Applied Compute sta discutendo un nuovo finanziamento che potrebbe valutarla circa 3 miliardi di dollari, più del doppio rispetto a quattro mesi fa. La trattativa è stata riportata da The Information, secondo cui la startup genera ormai circa 50 milioni di dollari di ricavi annualizzati, quasi quattro volte il livello raggiunto pochi mesi prima.
Il nuovo aumento di valore è sostenuto dalla domanda delle imprese per un’alternativa ai modelli proprietari forniti attraverso API. Applied Compute permette di scegliere un modello con pesi aperti, addestrarlo sui dati e sui processi di un’organizzazione e distribuirlo in un ambiente controllato dal cliente.
L’8 aprile 2026 la società aveva raccolto 80 milioni di dollari a una valutazione post-money di 1,3 miliardi, portando a 160 milioni il capitale complessivamente ottenuto. Quel finanziamento era stato guidato da Kleiner Perkins, storico fondo di venture capital della Silicon Valley. Vi avevano partecipato anche Elad Gil, imprenditore e investitore in OpenAI, Anthropic, Mistral e Perplexity; Lux Capital, specializzato in scienza e tecnologie emergenti; Greenoaks, investitore globale in imprese tecnologiche; Neo, fondo e comunità di mentorship fondati da Ali Partovi; e Hanabi Capital, fondo di Palo Alto focalizzato su AI e infrastrutture software.
Dal modello aperto all’agente aziendale
Applied Compute interviene tra i modelli di base e le applicazioni utilizzate in produzione. La sua piattaforma supporta modelli open-weight da un miliardo a oltre mille miliardi di parametri, consentendo alle aziende di sostituire il modello sottostante senza ricostruire dataset, sistemi di valutazione e infrastruttura di distribuzione.
La società chiama questo risultato “Specific Intelligence”. La differenza rispetto a un assistente generalista non consiste soltanto nell’accesso ai documenti aziendali. Il comportamento del modello viene modificato attraverso il post-addestramento, in modo che impari a svolgere un compito secondo le regole dell’impresa.
Un agente destinato a controllare contratti, per esempio, deve sapere quali clausole cercare, come utilizzare i documenti disponibili, quando richiedere altri dati e quali omissioni rendono inaccettabile una risposta. Un agente che esamina codice deve invece distinguere un bug reale da un’anomalia innocua, utilizzare gli strumenti del repository e produrre una correzione nel formato richiesto dal prodotto.
Applied Compute costruisce attorno a questi compiti una catena che comprende dataset, ambienti di esecuzione, strumenti, sistemi di valutazione, addestramento, inferenza e osservabilità.
Il giudizio degli esperti diventa una funzione di ricompensa
Il passaggio decisivo consiste nel rendere misurabile la qualità attesa. Molte attività professionali non possono essere descritte completamente con una procedura rigida: gli specialisti applicano esperienza e giudizio, soprattutto davanti ai casi limite.
Applied Compute lavora con gli esperti del cliente per raccogliere esempi di attività completate, correzioni, rubriche di valutazione e decisioni precedenti. Questi materiali vengono utilizzati per costruire un grader, cioè un sistema capace di assegnare un punteggio al risultato prodotto dall’agente.
Il grader può verificare la presenza di informazioni obbligatorie, confrontare una risposta con dati conosciuti, classificare diverse categorie di errore o interrogare un altro modello con una rubrica dettagliata. Prima dell’addestramento deve essere calibrato sui giudizi umani e risultare sufficientemente coerente: se il metro di valutazione è ambiguo, il modello finirà per ottimizzare il comportamento sbagliato.
Il punteggio diventa quindi il segnale utilizzato dal reinforcement learning. L’agente tenta più volte il compito all’interno di un ambiente controllato; ogni tentativo, o rollout, viene analizzato dal grader. Le risposte migliori vengono rinforzate, mentre errori, scorciatoie e comportamenti inefficienti alimentano i cicli successivi.
La piattaforma registra ogni rollout e permette di individuare regressioni, casi limite e reward hacking, il fenomeno per cui un modello impara a ottenere un punteggio elevato sfruttando un difetto del sistema di valutazione invece di svolgere correttamente il lavoro.
L’addestramento riproduce l’ambiente di produzione
Un agente non lavora soltanto sul testo. Può aprire file, eseguire ricerche, interrogare database, utilizzare un terminale o chiamare le API di un’applicazione. Per questo Applied Compute addestra i modelli dentro sandbox e harness che riproducono gli strumenti e il contesto del prodotto finale.
Il medesimo ambiente accompagna il modello dalla fase di training alla produzione. Questo riduce il rischio che le capacità apprese nei test non si trasferiscano all’applicazione reale.
Applied Compute Agent Cloud riunisce in un solo SDK training, inferenza, sandbox, eval, memoria e serving degli agenti. La piattaforma può essere collegata a framework agentici esistenti o a harness sviluppati internamente dal cliente e supporta modelli con pesi aperti da un miliardo a oltre mille miliardi di parametri.
L’infrastruttura gestisce allocazione delle GPU, code, scheduling e tolleranza ai guasti. Terminato l’addestramento, un checkpoint può essere promosso a un endpoint di inferenza senza ricostruire lo stack. Le distribuzioni possono funzionare nel cloud di Applied Compute oppure all’interno della VPC del cliente, con istanze single-tenant e configurazioni calibrate su latenza, throughput e concorrenza.
I modelli migliorano con l’uso
Il terzo elemento è il collegamento tra produzione e addestramento. Le tracce generate dagli utenti mostrano dove l’agente fallisce, quali strumenti utilizza inutilmente e quali casi non erano rappresentati nel dataset iniziale.
Applied Compute può trasformare queste interazioni in nuovi esempi e segnali di ricompensa. I checkpoint successivi vengono confrontati con quello in produzione attraverso eval e test A/B, mentre online reinforcement learning e self-distillation permettono di aggiornare il comportamento sulla base del feedback reale.
In questo modo il modello non dipende soltanto dai prossimi aggiornamenti del fornitore del modello di base. L’organizzazione costruisce un proprio ciclo di miglioramento composto da dati operativi, valutazioni degli esperti, addestramento e utilizzo in produzione.
La memoria aziendale in tre passaggi
Non tutta la conoscenza deve finire nei pesi del modello. Procedure, prodotti, clienti e regole interne cambiano continuamente e devono essere recuperati al momento dell’esecuzione.
Il Context Engine di Applied Compute organizza questa seconda componente attraverso tre sistemi: Remember, Refine e Retrieve.
Remember acquisisce documenti, ticket, repository, esempi di lavoro completato e tracce prodotte dagli agenti. Può collegarsi a servizi come Amazon S3, Azure, Google Drive, SharePoint, Snowflake, Databricks, GitHub e GitLab.
Refine utilizza agenti di curation per estrarre fatti, procedure e relazioni tra concetti, risolvere informazioni contrastanti e aggiornare una base contestuale chiamata Contextbase. Non si limita quindi a suddividere i documenti e indicizzarli: prova a ricostruire che cosa rappresenta un buon risultato per quella specifica organizzazione e come gli esperti affrontano una determinata classe di problemi.
Retrieve espone infine le API attraverso le quali l’agente consulta la Contextbase durante il lavoro. Le nuove tracce tornano nel ciclo di raffinamento, mentre gli specialisti possono approvare o respingere le modifiche alla memoria.
Applied Compute combina così due forme di specializzazione: competenze incorporate nei pesi attraverso il reinforcement learning e conoscenze recuperate dinamicamente durante l’esecuzione.
DoorDash trasforma le regole sui menu in un grader
Con DoorDash, Applied Compute ha lavorato sul sistema che converte fotografie, PDF e testi dei menu dei ristoranti in inserzioni strutturate. La difficoltà risiedeva nella lunga coda di menu disordinati, formati inconsueti ed eccezioni sulle quali anche gli operatori potevano avere opinioni differenti.
I due team hanno scoperto che era difficile descrivere una procedura universale per creare il menu corretto, mentre gli esperti riuscivano più facilmente a valutare un risultato già prodotto. Le etichette del controllo qualità e le linee guida di DoorDash sono state quindi trasformate in un grader automatico.
Il grader classificava gli errori secondo le regole della piattaforma e convertiva le diverse valutazioni in un unico segnale di ricompensa. Il modello è stato addestrato a correggere la struttura dei menu rispettando contemporaneamente requisiti di accuratezza, latenza, affidabilità e costo.
Dopo la validazione offline, DoorDash ha eseguito un test A/B su menu reali con valutatori umani. La percentuale di menu di bassa qualità è scesa di circa il 30% rispetto al sistema precedente. La libreria è stata poi integrata nel codice di DoorDash e distribuita sull’intero traffico dei menu negli Stati Uniti.
Cognition addestra un revisore di codice in tempo reale
Per Cognition, azienda di AI specializzata nell’automazione dello sviluppo software, Applied Compute ha lavorato su SWE-Check, l’agente che individua bug e propone correzioni direttamente nell’ambiente di programmazione. Cognition sviluppa Devin, un agente autonomo capace di pianificare, scrivere, testare e distribuire codice, e Windsurf, un ambiente di sviluppo nel quale programmatori e agenti AI lavorano sullo stesso progetto.
Il modello viene addestrato in una sandbox contenente un repository fermo al commit che ha introdotto un bug. Deve esplorare il codice con gli stessi strumenti disponibili nel prodotto, individuare il problema, descriverlo e proporre una modifica. Il risultato viene confrontato con la correzione reale applicata dagli sviluppatori.
L’addestramento riproduce l’ambiente di Windsurf e include nella ricompensa anche la latenza e il costo dei falsi positivi. Quando le prove interne hanno mostrato che l’agente segnalava errori risolvibili consultando semplicemente la definizione di una variabile, i team hanno aggiunto gli strumenti per cercare definizioni e riferimenti sia al prodotto sia all’ambiente di training.
Il modello specializzato ha consentito a Cognition di ottenere una rilevazione dei bug dieci volte più veloce rispetto all’alternativa basata su un modello di frontiera, mantenendo la qualità necessaria per una funzione utilizzata in tempo reale.
Agenti specializzati per finanza e diritto
Con Mercor, piattaforma che seleziona professionisti e trasforma la loro esperienza in dataset, valutazioni e benchmark per l’addestramento dell’AI, Applied Compute ha lavorato su attività di investment banking, consulenza e diritto societario. Mercor collega laboratori di AI e grandi imprese a una rete di specialisti in centinaia di discipline, incaricati di creare esempi, valutare le risposte dei modelli e definire che cosa costituisce un risultato professionale corretto.
Per il progetto, Mercor ha fornito 874 attività annotate da esperti, distribuite in 50 ambienti che riproducevano scenari aziendali con fogli di calcolo, documenti e strumenti software. La valutazione è avvenuta con APEX-Agents, benchmark composto da 480 incarichi realizzati da professionisti con oltre dieci anni di esperienza in banche d’affari, società di consulenza e studi legali. Il post-addestramento ha portato il Pass@1 nei compiti di diritto societario dal 4,7% al 26,6%.
La collaborazione con Harvey mostra lo stesso approccio applicato al lavoro legale. Applied Compute ha post-addestrato GLM-5.1 sul Legal Agent Benchmark, formato da oltre 1.250 attività, 24 aree del diritto e 75.000 criteri binari. Il lavoro ha interessato l’intero sistema: scelta dei grader, raggruppamento dei criteri, ambiente di esecuzione, gestione dei documenti, uso degli strumenti e reinforcement learning sul modello completo.
Durante l’addestramento, il modello ha imparato a leggere porzioni più mirate dei documenti, ridurre le chiamate agli strumenti e produrre elaborati più completi e ancorati alle fonti. Il tasso di superamento dei singoli criteri è salito da 0,853 a 0,913.
Le competenze maturate in OpenAI
Applied Compute è stata fondata da Yash Patil, Rhythm Garg e Linden Li, che in OpenAI hanno lavorato su differenti componenti dei sistemi agentici. Patil ha contribuito ai progetti di programmazione collegati a Codex, Garg ai modelli di ragionamento addestrati con reinforcement learning e Li ai sistemi e all’infrastruttura per il training.
La startup riunisce queste competenze in uno strato di specializzazione sopra i modelli aperti. Le aziende mantengono il controllo su dati, checkpoint, memoria e distribuzione, mentre Applied Compute fornisce l’infrastruttura e i ricercatori necessari per trasformare il sapere interno in un agente utilizzabile in produzione.
A circa 60 volte i ricavi annualizzati riportati da The Information, la possibile valutazione da 3 miliardi scommette soprattutto sulla crescita futura dei modelli aperti e personalizzati. Applied Compute punta a trasformare esperienza, procedure e feedback proprietari in sistemi che le imprese controllano direttamente e che nessun concorrente può acquistare già pronti.
