eNOugh е новата българска следа в битката за лична сигурност. Съоснователят Алекс Чалъков изгражда от нулата AI модели и фърмуер за иновативен бадж, който автоматично разпознава кога потребителят е в беда. Заедно с Ина Йовичич и Гаелик Яра, той финализира устройството, което чрез камера, микрофон и изкуствен интелект засича физическа или вербална атака, изпращайки моментална локация към органите на реда.

„Предимството ни е автоматизацията — моделът сам разпознава кога си в опасност“, 

обяснява съоснователят Алекс Чалъков.

Идеята се ражда след уличен инцидент с Ина Йовичич в Лондон. Първоначално екипът получава финансиране от 240 хил. паунда, водено от чешкия фонд Purpose Tech. Когато тези средства свършват, те получават над 50 отказа в Европа. Рискувайки всичко, тримата заминават за САЩ с последните си пари, където спят на надуваеми легла. Тогава се намесва съдбата – Алекс си забравя очилата на събитие, връща се за тях и така среща легендарния Кевин Харц. Неговият фонд A Ventures инвестира 2.7 млн. долара и днес производството вече е в ход, а продуктът ще стъпи в Англия през есента на 2026 г. като очакваната цена е 150 паунда. 

Изображение: Instagram eNOugh

Alcatraz, компанията за физическа сигурност, основана от бившия Apple инженер Винс Гайдарджиев, привлече 50 млн. долара в рунд серия B. Ходът идва в момент, когато инвеститорският интерес все по-видимо се насочва към системи с AI, предназначени да защитават центрове за данни, летища и други обекти с достъп, изискващ висока степен на сигурност.

Базираната в Купертино компания посочва, че рундът е воден от BlackPeak Capital, Cogito Capital и Taiwania Capital, с участие и на досегашни инвеститори като Almaz Capital, EBRD и Ray Stata. С новото финансиране общо привлеченият капитал на Alcatraz вече надхвърля 100 млн. долара.

Залог за по-чувствителната страна на AI бума

Основана през 2016 г., Alcatraz се позиционира като алтернатива както на традиционните системи с карти за достъп, така и на по-спорните модели на лицево разпознаване. Компанията се опитва да заеме междинна позиция: повече удобство и по-висока сигурност от стандартните “badge” системи, но без да влиза в територията на масовото наблюдение.

Според Alcatraz водещият ѝ продукт Rock използва лицева автентикация, а не лицево разпознаване в стила на системите за наблюдение. Идеята е служителите да могат да влизат в сградите без карти и кодове за достъп, без снимки и други чувствителни лични данни да се съхраняват в облака. Компанията твърди още, че платформата е създадена така, че да отговаря на изискванията на режими като GDPR, CCPA и BIPA.

С бума около AI инфраструктурата центровете за данни започват да се превръщат в едни от най-чувствителните физически обекти в икономиката. Това прави сигурността на входа не по-малко важна от сигурността на мрежата. Alcatraz очевидно се опитва да заеме точно тази ниша: физически контрол на достъпа за среди, в които самото присъствие в сградата може да бъде толкова критично, колкото и достъпът до системите вътре.

„Face ID“ за работното място

Компанията твърди, че търсенето е нараснало рязко, тъй като AI вълната превръща data center инфраструктурата в стратегически актив. По данни на Alcatraz нейни клиенти вече са големи AI центрове за данни, американски летища, енергийни компании, NFL отбори, университети и компании от Fortune 100.

Alcatraz посочва още, че през 2025 г. е отчела над 300% ръст при внедряванията в сегмента на центровете за данни, 200% ръст при новите корпоративни клиенти и петкратно увеличение на внедряванията сред компании от Fortune 500.

Главният изпълнителен директор Тина Д’Агостин описва продукта като опит логиката на смартфон идентификацията да бъде пренесена към работното място. По думите ѝ картите за достъп и кодовете вече създават твърде голям риск за съвременната работна среда.

От своя страна Винс Гайдарджиев, за когото компанията посочва, че е работил по хардуерни прототипи за iPhone и iPad по време на разработката на Face ID в Apple, казва, че целта е била да пренесе този по-защитен и ориентиран към поверителността подход и към сградите, в които хората работят.

Alcatraz посочва, че ще използва новия капитал, за да навлезе в нови индустрии, да се разшири на международни пазари и да увеличи екипа си. 

Permiso обяви SandyClaw и я описва като първата платформа, която прилага dynamic sandbox detonation към AI agent skills и prompts. 

Нов слой за сигурност в икономиката на AI агентите

С пускането на SandyClaw Permiso се цели в проблем, който започва да става все по-видим: skill-овете и plugin-ите за AI агенти често наследяват вече наличните IAM роли, API token-и и service връзки на самия агент. Това означава, че злонамерен skill не е задължително да краде идентификационни данни или да пробива система отвън — може просто да използва ключовете, които вече са му подадени през средата. Именно затова компанията описва marketplace-ите за agent skills като нова версия на software supply chain риска. 

Защо това има значение за потребителите

Ползата за клиентите е доста практична. Вместо security екипите да гадаят по кода какво може да направи даден skill, SandyClaw е създадена да покаже какво реално прави той при изпълнение. Според Permiso платформата наблюдава поведение, а не само намерение, и така може да засече skill-ове, които на пръв поглед изглеждат безобидни, но при работа правят неоторизирани network заявки, четат environment variables или изнасят данни. 

Разликата спрямо конкурентите е в наблюдението, а не в предположенията

Критиката на Permiso към пазара е, че повечето налични инструменти за проверка на agent skills всъщност не стартират skill-а, който оценяват. По думите на компанията днешните подходи обикновено се делят на static code analysis и LLM-based оценка. И в двата случая се прави опит да се извлече намерение от кода, вместо да се наблюдава реалното поведение. SandyClaw се позиционира точно срещу това: не предполага какво би могло да стане, а стартира skill-а в контролирана среда и записва какво действително се случва. 

Как работи SandyClaw

Процесът е описан в четири стъпки: submit, detonate, analyze и decide. Потребителят качва skill от поддържани среди като OpenClaw, Cursor и Codex, избира модел и подава тестов prompt. След това платформата стартира skill-а в instrumented sandbox с live agent, записва активността както на ниво LLM, така и на ниво operating system, и връща verdict, подкрепен от поведенчески лог, а не просто от вероятностна оценка. Permiso казва, че системата улавя LLM решения, outbound network calls, domain resolution, file reads и writes, environment variable access, credential access attempts и други събития на системно ниво. 

По-силен инструмент за security екипите

Това е важно за security екипите, защото платформата е създадена да връща проверима следа, а не непрозрачен етикет. Permiso казва, че SandyClaw използва няколко detection engine-а, включително Sigma, YARA, Nova и Snort, както и собствени правила на компанията. Вместо да дава само „безопасно“ или „опасно“, услугата предоставя пълния поведенчески запис, така че екипите сами да видят какво точно е направил skill-ът и защо е бил маркиран. 

Наблюдавано поведение вместо предполагаемо намерение

Точно това Permiso представя като основното разграничение. Компанията твърди, че static scanner-ите могат да бъдат заобикаляни чрез обфускация, а LLM-based оценителите добавят втори проблем: същият тип модел, който може да бъде манипулиран чрез prompt injection, се използва като съдник дали един skill е безопасен. Отговорът на SandyClaw е да измести решението от inference към observation — да стартира skill-а и да запише реалното му поведение в контролирана среда. 

Допълнителна видимост, която не всички предлагат

Permiso се опитва да отличи SandyClaw и по дълбочината на инспекцията. Компанията казва, че платформата прави SSL interception вътре в sandbox-а, което ѝ позволява да дешифрира и проверява криптиран outbound трафик. Така skill, който се опитва да изнесе откраднати идентификационни данни или чувствителна информация през HTTPS, може също да бъде засечен. Permiso допълва, че SandyClaw поддържа searchable intelligence repository с вече анализирани skill-ове, така че продуктът да служи и като референтен слой за по-широката екосистема, а не само като еднократен scanner. 

Създаден за agentic workflows, а не само за ръчна проверка

Другият важен ъгъл е автоматизацията. Permiso посочва, че самите агенти могат да бъдат конфигурирани да изпращат skill-ове към SandyClaw за валидация преди инсталация, което на практика превръща продукта в автоматизиран security gate вътре в agentic workflow. Компанията казва, че един Fortune 500 клиент вече прекарва целия си вътрешен skill registry през SandyClaw по този начин. Това позиционира продукта не просто като forensic инструмент за анализатори, а като инфраструктурен слой в модерни AI deployment pipeline-и. 

По-големият аргумент на компанията

Permiso очевидно залага, че skill-овете за AI агенти ще се превърнат в нова голяма повърхност за атака и че традиционното сканиране на код няма да е достатъчно. В съобщението си компанията твърди, че „AI agent skill marketplaces are the new software supply chain“ и посочва, че вече са се появили злонамерени skill-ове, маскирани като легитимни инструменти, включително credential stealer-и, reverse shells и routines за exfiltration на данни. 

Контекст за този аргумент има и извън самата компания. Изследване на Koi Security, цитирано от външни публикации, твърди, че при одит на ClawHub са открити 341 злонамерени skill-а сред 2857 анализирани записа, което подсказва, че проблемът не е теоретичен. 

По-голямата картинка

По-важният извод е, че Permiso се опитва да отвори категория около runtime сигурността за agent skills, а не просто около „AI сигурност“ като общ етикет. С разширяването на автономните агенти за компаниите въпросът няма да е само какво могат да правят тези агенти, а и какви външни skill-ове им е позволено да изпълняват от името на организацията. SandyClaw се позиционира с прост аргумент: security екипите не бива да разчитат само на външния вид на source кода или на преценката на модела, когато могат директно да наблюдават поведението. Това е силно послание в пазар, в който agent екосистемите растат по-бързо от механизмите за контрол около тях. 

BlueRock представи Trust Context Engine – нов слой за контекст в това, което компанията нарича „Agentic Action Path“. Целта е да се даде възможност на екипите да разбират, валидират и контролират поведението на AI агентите през различни инструменти, MCP сървъри и свързани системи.

Ходът идва в точния момент. С преминаването от фиксирани кодови пътища към agent-driven изпълнение в реално време, основният проблем вече не е само писането на код, а разбирането какво точно е направил агентът, защо е взел дадено решение и дали на това поведение може да се разчита в production фаза.

Защо това е важно за потребителите

Основната полза за потребителите е по-добрата видимост, която води до по-бързи и по-сигурни решения. Според BlueRock системата класифицира всяко действие на агента – каква функционалност е използвана, кой компонент е включен и какъв е downstream ефектът – и добавя към него контекст за доверие.

Този контекст включва метаданни за компонентите, информация за собственост, класификация на инструментите, модели на достъп и наблюдавано поведение в реално време. На практика това означава, че екипите не просто наблюдават как работи агентът, а могат да оценят дали даден инструмент, сървър или workflow е подходящ за внедряване и използване в production.

BlueRock се позиционира като слой за сигурност, не като инструмент за създаване

Това е и ключовото предимство спрямо конкурентите. Голяма част от пазара в момента е фокусирана върху изграждането и оркестрацията на AI агенти. BlueRock се цели в слоя под това – в сигурността и изпълнението.

Компанията твърди, че „контролът се измества от кода към runtime“, което прави видимостта върху реалното изпълнение критична за управлението на агентите. Вместо да акцентира върху генерирането или orchestration, BlueRock позиционира trust context като липсващата връзка между експериментите и реалното внедряване.

Какво всъщност прави Trust Context Engine

Trust Context Engine добавя контекст за доверие към всяка стъпка от изпълнението – от решението на модела, през извикването на инструменти, до ефекта върху downstream системите.

Тези сигнали могат да се използват директно в работните процеси на организациите за автоматизация, одобрения, policy решения и runtime контрол. Това позволява на екипите да изграждат, валидират и внедряват agentic workflows с по-голяма увереност, както и да виждат кои компоненти са надеждни и реално използвани в екосистемата.

Това е особено полезно при оценка дали даден MCP сървър е достатъчно сигурен за интеграция или дали един агентен workflow е достатъчно стабилен, за да премине от тестова среда към реална употреба.

Насочен към разработчици, DevOps и security екипи

BlueRock ясно се опитва да достигне до няколко типа потребители в организацията. За разработчиците продуктът предлага възможност да работят с проверени MCP сървъри и да създават workflows, на които да се доверят.

За DevOps стойността е в интеграцията на trust сигналите в CI/CD процесите и използването им при решения за внедряване. За security екипите фокусът е още по-пряк: дефиниране на доверени граници, приоритизиране на риска и използване на реални данни от изпълнението за policy контрол преди да се случат потенциално опасни действия.

Комбинация от registry данни и runtime сигнали

Една от по-интересните части на продукта е, че той комбинира два типа данни. Trust Context Engine използва както curated данни от MCP Trust Registry, така и реални сигнали от изпълнение, събрани чрез BlueRock сензори.

Registry-то включва информация за публични MCP сървъри т.е. техните възможности, собственост, класификация и trust характеристики. Runtime сензорите, от своя страна, проследяват какво реално се случва по време на изпълнение – използване на инструменти, модели на достъп и ефект върху системите.

Компанията описва това като затворен „context loop“, който свързва това, което е известно за даден компонент предварително, с реалното му поведение. Според BlueRock регистърът обхваща над 10 000 публични MCP сървъра, анализирани по 22 правила за сигурност.

По-малко несигурност, повече увереност при внедряване

Архитектурата на продукта адресира конкретен проблем в enterprise AI: агентите често работят добре в демо среда, но организациите се колебаят да ги пуснат в production, защото не разбират напълно какво се случва по време на изпълнение.

Обещанието на BlueRock е, че компаниите не трябва да избират между бързина и контрол. Като предоставя trust сигнали на ниво реален workflow, продуктът цели да намали несигурността, да ускори процесите по одобрение и да даде по-ясна картина дали един агент работи достатъчно безопасно за реални натоварвания.

Видимостта като основен проблем

„AI промени начина, по който пишем софтуер. Agentic системите променят начина, по който софтуерът се държи“, 

казва главният изпълнителен директор на BlueRock Боб Тинкър.

„Разработчиците искат да се движат бързо и да използват възможности, но също така трябва да разбират към какво се свързват и как се държат тези системи. Trust Context Engine дава контекста за по-добри решения и видимостта, необходима за увереност в работата.“

Практически пример от клиент

BlueRock дава пример с Adspirer, чийто CEO Абхи Мекала посочва, че компанията използва AI агенти за performance маркетинг, които планират, стартират и оптимизират кампании в платформи като Meta и Google.

„С хиляди решения, преминаващи през нашата MCP инфраструктура, клиентите ни очакват надеждност и сигурност. BlueRock ни дава видимостта и контрола, от които се нуждаем, за да работим уверено с agentic системи“, 

казва той.

В крайна сметка

BlueRock на практика залага, че следващата категория в enterprise AI няма да бъде определена само от качеството на моделите или способността за оркестрация, а от това дали организациите могат да се доверят на поведението на агентите в реално време.

Това поставя компанията по-близо до инфраструктурния слой, отколкото до инструментите за създаване на агенти. Ако тази теза се потвърди, trust context може да се превърне в ключов контролен слой в agentic системите – особено за екипи, които търсят отговор на един базов въпрос: не какво може да направи агентът, а какво реално е направил.

SonarSource представи Sonar Context Augmentation, SonarQube Agentic Analysis и SonarQube Remediation Agent като част от по-широката си стратегия за „Guide, Generate, Verify, Solve“ или на български –  “Насочвай, Генерирай, Разрешавай” в ерата на AI агентите. 

Следващата битка не е за скорост, а за доверие

Посланието на компанията е ясно: с увеличаването на обема софтуер, създаван от AI агентите, следващото конкурентно поле няма да е само кой генерира повече код, а кой може да гарантира, че този код остава сигурен, поддържаем и съобразен с правилата на организацията. Sonar не се опитва да бъде поредният AI асистент за програмисти, а по-скоро слой за контрол и проверка около agent-driven разработката. 

За потребителите ползата е по-скоро практическа, отколкото концептуална. AI инструментите вече могат да произвеждат големи количества код, но според Sonar това често върви заедно с повече дефекти, по-висока сложност и повече проблеми. Новите продукти са насочени именно към това: да дават по-добър контекст на агентите преди да пишат код, да проверяват работата им в момента на генериране и да поправят проблемите, преди разработчиците да се превърнат в екипи за разчистване след AI. 

AC/DC: рамка за AI разработка с правила, проверка и редакция

Sonar пакетира лансирането около това, което нарича Agent Centric Development Cycle, или AC/DC. Идеята е, че AI агентите не трябва да работят като черни кутии. Вместо това те първо трябва да получат проектно-специфични правила и архитектурни ограничения, след това да генерират код, после този код да бъде проверен чрез детерминистичен анализ, а накрая откритите проблеми да влязат в цикъл за поправка. 

Контекст преди кода

Първият нов продукт, Sonar Context Augmentation, е насочен към една от най-честите слабости при AI писането на код: агентите често не разбират стандартите, структурата и ограниченията на codebase-а, върху който работят. Sonar описва продукта като „dynamic context engine“, който подава към AI агентите правилния и релевантен контекст за архитектура, сигурност и качество още от първия prompt. Документацията на компанията допълва, че това става с repository-aware контекст и project-specific coding guidelines, вградени в потока на работа на агента. 

Стойността за клиента тук не е само в по-чистия изходен код. Sonar твърди, че ранните бенчмаркове показват по-добри build pass rates, по-добри test pass rates, по-малко дублиране на код, по-ниска когнитивна сложност и дори по-малко tool calls и token usage, което би могло да означава и по-ниски оперативни разходи.

Проверка в момента на генериране

Вторият продукт, SonarQube Agentic Analysis, премества анализа на кода в самия цикъл на генериране, вместо да чака проблемите да се появят в pull request, CI или ревю от инженер. Sonar го описва като възможност за „verify AI code as it’s written by agents“, а в техническите си материали посочва, че инструментът може да изпраща кода към анализа на SonarQube Cloud, който използва CI-derived project context и quality profile на екипа, за да връща нови находки в реално време. 

Ако агентът въведе риск за сигурността, логическа грешка или проблем с maintainability, той може да го „види“ и коригира по-рано. Обещанието е, че разработчиците ще прекарват по-малко време в чистене след AI и повече време в архитектура и работа с по-висока стойност. 

Автоматична корекция на грешки

Третият продукт, SonarQube Remediation Agent, е насочен както към нови проблеми, така и към вече натрупан backlog. Според документацията той може да генерира предложения за поправка за reliability и maintainability issues както в последния код и pull requests, така и за проблеми, открити в main branch. Агентът може автономно да затваря quality gate blockers в PR-и и да помага за разчистване на стари технически проблеми, като предлага по един pull request за всеки от тях. 

Sonar казва, че всяка предложена поправка се преглежда отново от анализа на SonarQube, за да се увери, че не въвежда нови проблеми. Документацията посочва и конкретен детайл: агентът използва Anthropic Claude Opus 4.6 за генериране на предложенията, след което проверява, че новият код не създава нови issues. 

Проучвания вече поставят под въпрос качеството на AI кода

Sonar подкрепя тезата си и с изследвания. Компанията се позовава на peer-reviewed работа на Carnegie Mellon върху използването на Cursor в стотици open-source проекти. Самото изследване и резюмето на CMU показват, че първоначалният тласък в продуктивността е временен: според CMU анализът обхваща 806 проекта в контекста на matched control methodology. Изводът е: ранното ускорение отслабва след около два месеца, докато static analysis warnings се увеличават с около 30%, а code complexity нараства с около 41%. 

Именно това е проблемът за потребителите, който Sonar се опитва да монетизира: AI може да увеличи изхода, но без по-силен контрол върху качеството може да увеличи и дългосрочното натоварване върху екипите. Това е и причината предложението на Sonar вероятно да звучи по-убедително за по-големи организации, които вече експериментират с Cursor, Claude Code, Codex, Gemini и GitHub Copilot, но се тревожат за compliance, maintainability и архитектурен drift. 

Изображение: Sonar

Посланието към инвеститорите е сравнително ясно: днешните отбранителни системи често са твърде скъпи, твърде негъвкави и твърде бавни, за да се адаптират към бойно поле, което все повече се определя от евтини, масово произвеждани дронове. Залогът на EGIDE е, че армиите и операторите на критична инфраструктура имат нужда от различен тип решение – система, която може да се мащабира, да работи при разумна цена и да бъде достатъчно гъвкава за въздушни, сухопътни и морски мисии.

Продукт, създаден за новата икономика на войната

В центъра на предложението на EGIDE стоят два основни продукта: електрически задвижван прехващач и Mystique – хардуерно независима отбранителна платформа. Заедно те са проектирани така, че да помагат за откриване, проследяване и неутрализиране на развиващи се заплахи, без да разчитат на скъпия модел на прехващане, който дълго време доминираше традиционната противовъздушна отбрана.

Точно тук е и един от по-важните практически аргументи. Вместо да изгражда продукт, обвързан с една-единствена платформа или мисия, EGIDE казва, че Mystique е създадена да работи с различни системи чрез комбинация от разпределени сензори, AI-базирано откриване и многослойни възможности за прехващане. На практика това означава по-бърза интеграция, по-широки възможности за внедряване и по-голяма адаптивност при промяна на заплахите.

Компанията твърди, че тази архитектура може да намали както цената, така и сложността на наследените отбранителни инструменти. Именно това е и едно от най-ясните ѝ конкурентни предимства. В среда, в която атакуващата страна може да изстреля голям брой евтини дронове, страната, която разчита на скъпи системи за прехват, много бързо може да се окаже в губеща икономическа позиция.

Защо това е важно точно сега

Неотложността зад продукта на EGIDE идва от последните военни конфликти. Компанията изрично посочва войните в Украйна и Иран като доказателство, че евтините дронове могат да претоварят по-старите отбранителни системи, създадени да противодействат на по-малък брой по-скъпи заплахи.

Както казва съоснователят Симон Калон: 

„Дроновете с ниска цена фундаментално променят съвременната война. Системи, създадени да прехващат малък брой високостойностни заплахи, днес се сблъскват с големи обеми евтини и силно адаптивни въздушни системи.“

Именно тази промяна обяснява и интереса на инвеститорите. Купувачите в отбраната в Европа и в рамките на НАТО са под натиск да засилят арсеналите си, но също така имат нужда от системи, които могат да се внедряват в мащаб, без това да става финансово неустойчиво. Аргументът на EGIDE е, че разработва „ново поколение мащабируеми и достъпни отбранителни способности“ за тази нова реалност.

Какво всъщност финансират инвеститорите

Инвеститорите не залагат просто на стартъп с прототип. Те подкрепят по-широка теза: че Европа има нужда от нов отбранителен стек, пригоден за съвременен конфликт, и че софтуерно дефинирани, по-евтини системи за прехващане могат да се превърнат в критичен слой от този стек.

Съоснователят и генерален партньор на Expeditions д-р Миколай Фирлей формулира тезата в стратегически план:

 „Европа навлиза в решаващ момент от възстановяването на собствената си архитектура за сигурност.“ По думите му разпространението на евтини дронове изважда наяве „критични уязвимости и неустойчива икономика, свързана с наследените отбранителни системи“.

Точно в това е и сърцевината на инвестиционния аргумент. EGIDE изглежда привлекателна, защото стои на пресечната точка на няколко приоритетни тенденции: европейски отбранителен суверенитет, война с дронове, AI-базирани системи и достъпност в мащаб. За инвеститорите тази комбинация очертава потенциално голям пазар, стига компанията да успее да изгради системи, които са едновременно ефективни и икономически жизнеспособни.

Партньорът в Heartcore Capital Джими Фюсинг Нилсен формулира същата теза още по-директно:

„Евтините атакуващи дронове значително промениха икономиката на войната, претоварвайки наследените отбранителни системи и принуждавайки Европа да търси нов отговор.“

Конкурентните предимства: цена, гъвкавост и интеграция

Конкурентното предимство на EGIDE изглежда се опира на три основни стълба.

Първият е ценовата ефективност. Компанията е фокусирана върху масово достъпни прехващачи – формулировка, която директно адресира един от централните проблеми на съвременните отбранителни поръчки: евтините заплахи не могат устойчиво да бъдат спирани с изключително скъпи контрамерки.

Вторият е приложимостта в различни домейни. Eurazeo подчертава, че системите на EGIDE са проектирани да работят при въздушни, морски и сухопътни мисии, което ги прави по-универсални от инструменти, създадени за твърде тесен оперативен сценарий.

Третият е софтуерът и интеграцията. Mystique е описвана като хардуерно независима платформа, което е важно, защото отбранителните клиенти рядко работят в чиста и стандартизирана среда. Платформа, която може да се свързва с различни сензори, системи и мисийни профили, има много по-голям шанс да отговори на реалните нужди на поръчките и внедряването.

Защо основателите имат значение

EGIDE е основана през 2025 г. от бившите инженери на MBDA Симон Калон и Флориан Одигие, които носят релевантен технически опит от един от най-големите европейски производители на ракети. Калон е специализиран в насочване, навигация и контрол, а Одигие има опит в проектирането на бойни глави.

За какво ще бъдат използвани средствата

EGIDE казва, че новият капитал ще бъде използван за ускоряване на дизайна и производството на електрически задвижваните ѝ прехващачи, за развитието на платформата Mystique и за разширяване на инженерния екип в Европа. Фокусът при наемането ще бъде върху експертиза в електрическо задвижване, аеродинамика, проектиране на бойни глави и софтуерно инженерство.

По думите на Калон амбицията на компанията е да изгради „европейски лидер при масово достъпните прехващачи, способен да защитава сили и критична инфраструктура срещу развиващи се въздушни, морски и сухопътни заплахи“.

Точно тази амбиция обяснява защо рундът е значим. Инвеститорите залагат, че отбраната от следващо поколение няма да бъде определяна само от по-големи бюджети, а и от по-добра икономика, по-бърза итерация и системи, които могат да се адаптират толкова бързо, колкото се променят и самите заплахи.

Изображение: EGIDE

Coder привлече 90 млн. долара в серия C, водена от фондове, управлявани от KKR, с участие и на QRT, Uncork Capital и други съществуващи инвеститори. Компанията използва финансирането, за да изведе по-широк аргумент: с навлизането на AI coding agents в големите организации победителите може да не бъдат най-атрактивните приложения, а платформите, които позволяват тези инструменти да бъдат управлявани, обезпечавани и използвани сигурно, и ефективно в корпоративна среда. 

Истинската полза за клиента е контролът

За клиентите обещанието тук не е толкова в нови възможности, колкото в контрола. В блога си Coder посочва, че големите организации имат нужда от постоянни и възпроизводими среди за разработка, подбрани инструменти и хранилища, audit trails, проследяване на токени, възможност за следене на prompt-овете, изолация от интернет и production системи, както и строги граници на достъп за автономни агенти. Именно този тип инфраструктура става важен, когато компаниите искат да използват инструменти като Claude Code, Cursor и други агенти, без да се подлагат на излишни рискове. 

Coder не продава просто AI асистент

Това, което отличава компанията от немалка част от конкурентите, е, че тя не се позиционира като още един AI помощник за програмисти. Вместо това Coder се представя като управляван слой за работните среди под самата AI разработка, особено за компании, които искат self-hosted внедряване, по-гъвкава инфраструктура и по-строг контрол по линия на compliance. В пазар, препълнен с direct-to-developer AI инструменти, тезата на компанията е, че enterprise клиентите все повече се интересуват не от това кой продукт изглежда най-впечатляващо в момента, а от това какво се чупи, когато агентите започнат да работят свободно вътре в организацията. 

Мнението на клиентите…

Компанията твърди, че този аргумент вече намира отзвук сред клиенти, които използват продукта в мащаб. Според Coder инженерната организация на KKR работи с платформата с над 500 инженери и планира да разшири използването на coding agents от 1000 служители, включително анализатори, разработчици и оператори. 

Централизираните guardrails може да се окажат по-важни от новите функции

Ползата за потребителите е сравнително ясна: вместо всеки разработчик, анализатор или друг служител сам да конфигурира и управлява собствена agentic coding среда, Coder предлага централизиран и контролиран модел, който е по-лесен за мащабиране между екипи. Това става още по-важно в момент, когато дефиницията за „разработчик“ излиза отвъд класическия софтуерен инженер и започва да включва нетехнически потребители, citizen developers и хибридни човеко-агентни работни процеси. В такава среда enterprise-grade guardrails престават да бъдат екстра и започват да се превръщат в самия продукт. 

Залогът е върху инфраструктура, а не върху моментния шум

Главният изпълнителен директор на Coder Роб Уайтли представя тази тенденция като пазарен сигнал, който според него много инвеститори все още подценяват. В публикацията си той пише, че интересният сигнал в enterprise AI в момента не идва от IDE-та или от така наречените vibe coding инструменти, а от инженерните организации, които се опитват да разберат как да запазят compliance и контрол, докато внедряват AI по-широко. Той също така подчертава, че инфраструктурата не се увеличава „10 пъти за година“, а се натрупва в рамките на десетилетия – формулировка, с която Coder се опитва ясно да се разграничи от по-бързо движещите се, но потенциално по-малко устойчиви AI application компании. 

Защо това е важно за регулираните индустрии?

Компанията поставя силен акцент и върху послание, което вероятно ще намери силен отзвук в регулирани сектори. Уайтли пише, че data sovereignty, control и repatriation вече се превръщат в новата норма, като дава за пример QRT и нуждата ѝ да се движи бързо по линия на AI, без да жертва guardrails. Така Coder си изгражда по-отличима позиция спрямо cloud-first или по-леки агентни платформи, с които е по-лесно да започнеш, но които по-трудно се защитават в среди с високи изисквания към сигурността или в air-gapped инфраструктура. 

“Safe Mode for AI”

Една от най-силните фрази в публикацията идва от вицепрезидента по AI, cloud и data в KKR, който описва Coder като „safe mode for AI“. Това добре събира конкурентния ъгъл на компанията: не че AI coding agents трябва да бъдат спирани, а че имат нужда от сигурна, наблюдаема и контролирана среда, за да станат реално използваеми в корпоративен мащаб. За технологичните купувачи това може да се окаже по-убедително обещание от самото генериране на код. 

Изображение: Coder, YouTube видео (скрийншот)

Платформата е разработена, тъй като много корпоративни инициативи в областта на изкуствения интелект срещат затруднения въпреки наличието на технологии, тъй като моделите не отразяват специфичните нужди на бизнесите, които ги използват. Повечето системи са обучени върху обширни интернет данни, а не върху вътрешните знания, процеси и документация на компаниите.

Това представяне подчертава стратегията на Mistral, насочена към корпоративния сектор, въпреки че конкуренти като OpenAI и Anthropic водят на потребителските пазари. Главният изпълнителен директор Артър Менш заяви, че този подход дава резултати, като компанията очаква да надхвърли 1 милиард долара годишни повтарящи се приходи тази година.

Според Mistral, Forge дава на организациите по-голям контрол както върху данните им, така и върху AI системите им.

Това, което Forge прави, е да позволява на предприятия и правителства да персонализират AI модели според своите специфични нужди,

каза Елиза Саламанка, Head of Product в Mistral, пред TechCrunch.

Докато други доставчици предлагат сходни инструменти, много от тях разчитат на методи като fine-tuning или retrieval augmented generation (RAG), които адаптират съществуващи модели без да ги обучават изцяло. Mistral твърди, че техният подход отива по-далеч, като позволява на компаниите да изграждат модели от нулата.

Това може да подобри представянето при специализирани или неанглоезични данни и да даде на бизнеса повече контрол върху поведението на моделите. Също така може да подпомогне разработването на агентни системи чрез reinforcement learning, като същевременно намалява зависимостта от външни доставчици на модели.

Forge позволява на клиентите да използват библиотеката от модели с отворени тегла (open-weight) на Mistral, включително по-малки системи като Mistral Small 4. Според съоснователя и главен технолог Тимоти Лакроа, персонализацията помага да се преодолеят ограниченията на по-малките модели.

Тимоти споделя:

Компромисите, които правим при изграждането на по-малки модели, са, че те просто не могат да бъдат еднакво добри по всяка тема, както по-големите им аналози. Затова възможността да ги персонализираме ни позволява да изберем върху какво да наблегнем и какво да пренебрегнем.

Mistral предлага насоки относно избора на модели и инфраструктура, но крайното решение остава в ръцете на клиента. Платформата също така предлага подкрепа от екип инженери, които работят директно с клиентите, за да адаптират решенията, подобно на компании като IBM и Palantir Technologies.

Като продукт, Forge вече включва всички инструменти и инфраструктура, така че може да изграждате pipeline-и за синтетични данни,

споделя Елиза Саламанка.

Но разбирането как да се създадат правилните оценки и да се гарантира, че разполагате с достатъчно количество данни, е нещо, за което предприятията обикновено нямат необходимата експертиза – и именно това предоставят тези инженери.

Forge вече се използва от партньори като Ericsson, European Space Agency, Reply, както и сингапурските DSO и HTX. Сред ранните потребители е и ASML, която ръководи кръга на финансиране Series C на Mistral миналата година.

Според главния директор по приходите Марджъри Яниевич, платформата ще бъде особено полезна за правителства, които се нуждаят от локализиран AI, финансови институции със строги изисквания за съответствие, производители, които се нуждаят от персонализация, и технологични компании, адаптиращи модели към своите кодови бази.

Изображение: Elisa Salamanca LinkedIn profile; Timothee Lacroix LinkedIn profile; Arthur Mensch LinkedIn profile/ Edited 18.03.2026

В разговора с рисковия капиталист Бил Гърли, Гари каза:

Спя около четири часа в момента. Имам кибер психоза, но мисля, че една трета от главните изпълнителни директори, които познавам, също имат.

Той сравни настоящата си работа с AI със създаването на стартъп – процес, който в миналото е изисквал много време, финансиране и дори употреба на стимуланти.

Когато го пробваш, осъзнаваш: Все едно успях да пресъздам стартъпа си, който отне 10 милиона долара рисков капитал и 10 души, и отне две години работа, докато приемах антинарколептици – спомням си, че бях на модафинил.

Сега според него изкуственият интелект е заменил нуждата от такива помощни средства.

С тази революция не ми е нужен модафинил. Е, буден съм. Заспах в 4 сутринта. Събудих се в 8,

добави той, като каза, че постоянно проверява проекти, задвижвани от AI.

Малко преди интервюто Тан публикува своята Claude Code система, „gstack“, като проект с отворен код в GitHub. Системата включва колекция от “skills“ за многократна употреба – многократно използваеми промптове, съхранени в специални файлове „skill.md“, които насочват поведението на AI в роли като изпълнителен директор, инженер и code reviewer.

В момента хранилището на gstack в GitHub наброява 13 skills, но Тан продължава да публикува за нови актуализации.

Прекарвам си толкова хубаво с Claude Code, исках да имате точно моите skill setup,

сподели той в X.

Проектът бързо стана популярен сред платформи като Product Hunt и GitHub, привличайки близо 20 000 звезди и хиляди “forks“. Gstack предизвика и критика, след като Гари публикува, че негов CTO приятел е описал системата като „god mode“ след като е идентифицирала пропуск в сигурността.

Някои разработчици отхвърлиха проекта като прехвален. Много критици се изказаха, че проектът се състои само от набор промптове, като отбелязаха, че много инженери вече използват подобни workflows.

Youtube клипът на Мо Битар „AI is making CEOs delusional“ е само един пример от една от многото критики.

Въпреки критиката, самите AI системи отговориха положително, когато бяха помолени да оценят gstack. ChatGPT го описа като „разумно сложни промпт работни потоци“ и подчерта ефективността на симулираната структура на инженерен екип. Gemini го нарече „Pro“ конфигурация, която подобрява точността, а Claude го похвали като „зряла, добре дефинирана система, създадена от човек, който я използва интензивно.“

В отговор на критиката Гари подчерта своя ентусиазъм към писането на код с AI:

Взимах модафинил само за да остана буден по-дълго, за да мога да превърна моментните кристални структури в мозъка си, в редове код, преди сънят или разсейването да ги превърне в песъчинки. Обичам да пиша код, но още повече обичам да пиша код с AI. Говоря му, той слуша и заедно създаваме. Виждам структурата и как е изградена. Няма друго по-силно преживяване за мен.

Изображение: Garry Tan LinkedIn Profile

Това стои зад идеята, която главният изпълнителен директор на Nvidia Дженсън Хуанг описа на GTC като настъпването на „inference inflection“. Изразът означава повратен момент на пазара за изкуствен интелект. Системите вече не се оценяват само по способността си да генерират текст, изображения или код в контролирана среда. От тях все по-често се очаква да вършат по-сложна работа: да разсъждават върху проблеми, да използват инструменти, да четат файлове, да разбират контекст и да изпълняват продуктивни задачи с определена степен на автономност.

На практика това означава, че AI преминава от демонстрация към внедряване в различни индустрии. А внедряването изисква inference.

Дженсън Хуанг обяви 2025 за година на inference и очерта бъдещото навлизане на AI във всички индустрии

Inference е фазата, в която един вече обучен AI модел реално се използва. Това е моментът, в който системата отговаря на запитване, анализира документ, взема решение, пише код, обобщава среща или изпълнява задача. Ако обучението е създаването на интелигентност, inference е нейното приложение.

С превръщането на AI системите в по-agentic — тоест способни да разбиват проблемите на стъпки, да извикват инструменти, да преработват отговорите си и да работят по по-дълги вериги от разсъждения — inference-ът става несравнимо по-важен и несравнимо по-скъп.

Дженсън Хуанг го формулира много точно и не случайно повтори поне 12 пъти думата “inference” за около 1 минута в тази част на своя keynote:

Това е фундаментална повратна точка. Най-сетне AI е в състояние да върши продуктивна работа и затова повратната точка при inference вече е настъпила. AI вече трябва да мисли. За да мисли, трябва да прави inference. AI вече трябва да действа. За да действа, трябва да прави inference. AI трябва да чете. За да го прави, трябва – inference. Трябва да разсъждава. Трябва да прави inference. Всяка част от AI, всеки път когато трябва да мисли, да разсъждава, да действа, да генерира tokens, трябва да прави inference. Отдавна сме отвъд обучението. Вече сме в ерата на inference. И тази повратна точка настъпи в момент, когато обемът от токъни и необходимата изчислителна мощ са се увеличили приблизително 10 000 пъти.

Това изказване стига до същността на голямата промяна, която в момента протича в икономиката на изкуствения интелект. По думите на Хуанг през последните две години търсенето на изчислителна мощ за AI задачи е нараснало приблизително 10 000 пъти, а използването — около 100 пъти. Според него при стартъпите и големите AI лаборатории като OpenAI и Anthropic реалният ръст в търсенето на изчислителни ресурси може да се усеща по-скоро като кратно на милиони увеличение за същия период.

Тази разлика има значение. Тя подсказва, че следващият етап в развитието на AI няма да се определя само от това кой разполага с най-умния модел, а и от това кой може да си позволи да го поддържа в мащаб.

Inference се превръща в новото тясно място.

Когато от AI системите се очаква да разсъждават, преди да отговорят, да обработват повече токъни, да използват външни инструменти и да работят непрекъснато в рамките на продукти и работни процеси, инфраструктурата под тях трябва да върши значително повече работа за всяко едно потребителско взаимодействие. Едно просто chatbot съобщение е едно. AI агент, който чете документи, планира действия, преминава през различни варианти и стига до полезен резултат, е съвсем друго. Вторият модел изисква много повече compute, а оттам и много повече капитал.

Това помага да се разбере защо NVIDIA поставя толкова силен акцент именно върху тази фаза от пазара. Компанията определи 2025 г. като „година на inference“, със стратегия, насочена към това инфраструктурата ѝ да работи по цялата верига на AI — от обучението през post-training до inference — като едновременно с това удължава полезния живот на хардуера и намалява разходите за инвеститорите.

С други думи, NVIDIA не продава просто чипове за създаване на модели. Компанията се позиционира като ключов доставчик за оперативната ера на AI.

Пазарните прогнози, цитирани в речта на Хуанг, подчертават мащаба на този залог. По думите му още миналата година е имало много силно търсене и поръчки за общо 500 млрд. долара за системите Blackwell и Ruben до 2026 г. В перспектива до 2027 г. той вече вижда поне 1 трилион долара търсене, като същевременно допуска, че реалното търсене на изчислителна мощ може да се окаже дори по-високо.

Тези числа правят впечатление не само със своя мащаб, а и с това какво подсказват за очакванията на инвеститорите. Пазарът на AI вече не се оценява единствено през призмата на разработката на модели. Все по-често той се ценообразува според устойчивото потребление — ежедневното, повтарящо се изчислително натоварване, което възниква, когато AI се вгражда в търсене, софтуер, корпоративна автоматизация, роботика, наука и дигитални асистенти.

Точно затова тази повратна точка при inference е толкова важна. Тя променя историята на AI — от история за иновация в история за прилагане на AI в различните индустрии.

За стартъпите това повишава цената на амбицията. Вече не е достатъчно да се изгради впечатляващ модел; компаниите трябва и да финансират инфраструктурата, необходима, за да обслужват реални потребители с висока честота. За cloud доставчиците и производителите на чипове това отваря огромна търговска възможност, защото всеки скок в agentic способностите води до още по-голямо търсене на inference хардуер. За компаниите това е сигнал, че внедряването на AI в мащаб може да се окаже по-скъпо и по-оперативно сложно, отколкото предполагаха много от ранните прогнози. А за по-широкия пазар това е знак, че търсенето на изчислителна мощ може да остане изключително високо дори ако темпото на шумните анонси за нови модели започне да се забавя.

В този смисъл повратната точка при inference не е просто технически етап. Тя е рестарт на пазара.