Baseten streeft naar een waardering van $13 miljard in een enorme financieringsronde van $1,5 miljard voor inference

Het landschap van AI-infrastructuur maakt een monumentale opmars mee nu de inference-startup Baseten bezig is met het afronden van een verbazingwekkende financieringsronde van $1,5 miljard. Deze enorme kapitaalinjectie volgt op een ongekende periode van hypergroei, wat wijst op een verschuiving in de focus van investeerders naar de operationele laag van kunstmatige intelligentie.

Een meteoorachtige stijging in waardering

De recente koers van Baseten is niets minder dan buitengewoon. Volgens rapporten van de Wall Street Journal rondt de startup deze ronde af met een waardering van $13 miljard — een enorme sprong ten opzichte van slechts vijf maanden geleden, toen het een Series E van $300 miljoen sloot met een waardering van $5 miljard. Om deze groei in perspectief te plaatsen: de waardering van Baseten is in minder dan een half jaar met ongeveer 160% gestegen.

Dit volgt een patroon van razendsnelle schaling; de Series E werd zelf voltooid slechts negen maanden na een Series D van $150 miljoen. Hoewel het bedrag van $13 miljard het hoofddoel is, merken insiders in de sector op dat dit een split-priced ronde is. Sommige investeerders stappen in tegen de waarde van $13 miljard, terwijl anderen instappen bij een waardering van $11 miljard, een veelgebruikte strategische tactiek om cap tables te beheren en het rendement voor lead-investeerders te optimaliseren. De nieuwste ronde wordt naar verluidt mede geleid door zwaargewichten waaronder Spark Capital, Sands Capital, Altimeter Capital en Wellington Management.

Profiteren van de 'inference gold rush'

Sinds de lancering in 2019 heeft Baseten zichzelf gepositioneerd in het centrum van wat sectoranalisten de "inference gold rush" noemen. Terwijl veel van de initiële AI-hype gericht was op het trainen van foundation models, verschuift de industrie nu naar de "inference layer" — de cruciale fase waarin een getraind model de prompt van een gebruiker verwerkt om een output te genereren.

De waardepropositie van Baseten ligt in het vermogen om deze specifieke fase van de AI-levenscyclus te optimaliseren. Het platform belooft inference-verzoeken met hoge snelheid af te handelen, terwijl de kosten agressief worden beheerst. Dit wordt bereikt door middel van intelligente routing, waarbij specifieke taken worden toegewezen aan het meest efficiënte model voor die specifieke taak. Cruciaal is dat Baseten uitblinkt in het routeren van workloads naar zeer competente, goedkopere open-source alternatieven, in plaats van uitsluitend te vertrouwen op dure, propriëtaire large language models (LLM's).

Waarom de inference layer belangrijk is voor AI-schaling

Deze enorme kapitaalinjectie in Baseten onderstreept een fundamentele waarheid in het huidige AI-tijdperk: het vermogen om een model te bouwen is slechts de helft van de strijd; het vermogen om het efficiënt op schaal te implementeren is waar de echte economische waarde ligt. Naarmate ondernemingen de overstap maken van experimenteren naar productie, kunnen de kosten die gepaard gaan met LLM-inferentie prohibitief worden.

Door een abstractielaag te bieden die modelselectie en routing optimaliseert, pakt Baseten de belangrijkste flessenhals van AI-adoptie aan: unit economics. Voor ontwikkelaars en oprichters betekent dit voorspelbaardere marges en de mogelijkheid om een divers ecosysteem van open-source modellen te benutten, zonder de engineering-overhead van het beheren van individuele deployment-pipelines.

Belangrijkste inzichten

• Hypergroei-traject: Baseten haalt naar verluidt $1,5 miljard op tegen een waardering van $13 miljard, wat een waardestijging van 160% vertegenwoordigt in minder dan zes maanden.
• Strategische routing: Het platform optimaliseert AI-kosten door taken te routeren naar de meest efficiënte modellen, waarbij specifiek gebruik wordt gemaakt van kosteneffectieve open-source alternatieven.
• Verschuiving naar infrastructuur: De financiering benadrukt een bredere VC-trend waarbij kapitaal wordt weggeleid van modeltraining en richting de zeer gewilde inferentie- en deployment-laag wordt verplaatst.