何が起きたか
Probably（創業者Peter Elias）が、Andreessen Horowitzから900万ドルのシード資金を調達しました。同社は「ハルシネーションや事実誤りをユーザーに到達させない」ことを掲げ、決定論的システム並みの99.99%の精度を目標としています。
「データサイエンス機械スーツ」という発想
第一弾プロダクトは、複雑なデータセットから回答を返すデータサイエンス・ツールです。すべての結果に引用（citation）と監査証跡（audit trail）が付き、Eliasが「データサイエンス機械スーツ（mech suit）」と呼ぶハーネスの上で動きます。
仕組みはシンプルです。LLMが一次回答を出し、それを決定論的なバリデータが照合し、データセットに合致しないものは棄却します。さらにLLM自体をそのバリデータに対して学習させ、速度と精度を同時に最適化する設計です。
なぜ「弱いモデル」で十分なのか
Eliasは「ハーネス工学を磨くほど、モデルは弱くてよい」と述べています。文脈を絞り曖昧さを減らせば、モデルは大した推論をしなくても正解にたどり着く——これがProbablyの読みです。
現行版はフロンティアモデルより「4階級下」のモデルで動作し、データセンターではなくデスクトップなどローカルハードで完結します。トークンコストが上昇し、企業がAI予算を見直し始めるタイミングで、この「軽さ」は経済的な意味を持ちます。
なぜ大手ラボはやらないのか
Eliasの挑発的な指摘は、「大手AIラボがこれに手を付けないのは、モデルを訂正させる回数が多いほど儲かるからだ」というものです。誤りが収益源になる構造を、ハーネスで外側から潰すというのが同社の立ち位置です。同じエンジンは会計や医療など「精度感応的（precision-sensitive）」な用途にも拡張可能とされています。
💼 事業会社視点：これは自社にどう効くか
日本企業の経営者にとって、このニュースの肝は「シード900万ドル」ではなく**「弱いモデル＋強いハーネスでフロンティア級の精度が出るなら、AI投資の前提が変わる」**という点です。
受託開発・SIerにとっては追い風です。顧客のオンプレ／閉域網要件と相性が良く、GPT-5級の最新モデルを使い続ける必要が薄れる領域（社内データQ&A、財務集計、レポーティング）でマージンを取り戻せます。逆にSaaS事業者は、トークン単価をそのまま顧客に転嫁する従量課金モデルが侵食されるリスクを直視すべきです。値上げ前に「ハーネス側の作り込み」で原価を下げられる事業者だけが残ります。
EC・金融・医療など精度が事故に直結する事業責任者は、「LLM単体に賭ける」のではなく、引用・監査証跡・バリデータをアーキテクチャ要件として今期の調達仕様書に書き込むべきです。「フロンティアモデルが解決してくれる」前提でPoCを止めている企業ほど、競合に追い抜かれます。
