Акции Chegg Inc на торгах в среду прибавили 10,5% после заявления компании о планах расширить бизнес в сфере услуг для обучения и оценки (training and evaluation) моделей искусственного интеллекта. В центре инициативы — использование собственных данных и «экспертной» экспертизы, чтобы помочь организациям получать более качественные результаты от ИИ и снижать риски, связанные с нехваткой пригодных для обучения наборов.
Почему рост составил 10,5%
Резкий скачок котировок связан не с разовой сделкой, а с объявлением новой стратегической линии. Chegg, известная как платформа образовательных сервисов, решила перенаправить накопленные технологические и аналитические наработки в прикладную задачу: поддержать компании, которые разрабатывают и дообучают AI-модели.
Под «обучением и оценкой» обычно понимают два взаимосвязанных этапа. На первом модель «учат» на данных (training), чтобы она научилась распознавать закономерности и генерировать ответы. На втором ее проверяют (evaluation), чтобы понять, насколько корректно и устойчиво модель работает в реальных сценариях.
Как Chegg собирается помогать AI-разработчикам
В своем сообщении компания заявила, что будет применять собственные данные и сеть специалистов в предметных областях (subject matter experts). Идея проста: качественный обучающий материал и экспертная калибровка помогают уменьшить типичную проблему ИИ-разработки — когда входные данные для обучения несогласованны по качеству или недостаточно «человеко-ориентированы» по уровню сложности и логики.
Chegg также подчеркнула, что намерена использовать более чем десятилетний опыт работы с системами, которые оценивают и настраивают контент, созданный экспертами. По сути, речь идет о подходе к «калибровке» — когда качество и формат экспертных решений приводят к единому стандарту, чтобы модель обучалась на воспроизводимых и понятных примерах.
Лицензирование академического контента для AI
Отдельным компонентом программы станет предложение для AI-лабораторий библиотеки собственных материалов. Особый акцент сделан на направлениях науки, технологий, инженерии и математики — то есть на дисциплинах, где важны последовательность рассуждений, точность формулировок и проверяемая логика.
Chegg отметила, что в наборе данных содержатся миллионы решений с пошаговым объяснением. Такие «шаги» часто используют, чтобы научить модель не просто выдавать конечный ответ, а демонстрировать ход решения — способность рассуждать и последовательно решать задачи.
Ранние сигналы интереса со стороны крупных игроков
Компания заявила, что новое предложение уже получило предварительное подтверждение спроса от «элитных технологических организаций». Среди них упомянуты участники «Magnificent Seven» — группа крупнейших компаний технологического сектора США, широко обсуждаемая на рынке. При этом Chegg не уточнила, какие именно структуры проявили интерес.
Позиция руководства Chegg
Дан Розенсвейг (Dan Rosensweig), генеральный директор Chegg, связал расширение фокуса с задачей подготовки «следующего поколения» AI-моделей. Он подчеркнул, что у компании есть опыт создания точных и структурированных систем обучения, а также доступ к миллионам сложных пошаговых решений. По словам руководителя, сочетание этих факторов и «калиброванной» экспертной сети позволяет, по оценке Chegg, помогать моделям развивать именно рассуждение и умение решать проблемы, а не ограничиваться шаблонными ответами.
Контекст: проблема «AI-ready data»
В комментариях по теме также выступил Эрік Маньюэво (Erik Manuevo), генеральный менеджер направления AI Services в Chegg. Он сослался на исследование Gartner, согласно которому к 2026 году организации могут отказаться от 60% проектов с ИИ из-за нехватки данных, «готовых для AI» (AI-ready data).
Термин «AI-ready data» обычно означает наборы данных, которые подходят для обучения и последующей оценки моделей: они должны быть достаточными по объему, согласованными по качеству, структурированными и пригодными для валидации. Если данных не хватает или они слишком «грязные» — модель обучается плохо, а результаты трудно воспроизводить.
Chegg, в свою очередь, позиционирует свою калиброванную экспертную сеть и стандарты качества контента как способ закрыть этот разрыв. В логике компании, именно экспертная калибровка и проверяемая структура объяснений позволяют формировать более надежные обучающие материалы для разработчиков AI.
Что это может означать для рынка
Пока Chegg делает ставку на лицензирование контента и на услуги, связанные с подготовкой и оценкой моделей. Если компания сможет подтвердить эффект на практике — например, в улучшении точности, устойчивости и воспроизводимости результатов — ее подход может усилить тренд на «данные как продукт» для AI-индустрии, где качество обучающего материала иногда оказывается не менее важным, чем сама архитектура модели.