River AI heeft 1,1 miljard dollar opgehaald in een financieringsronde onder leiding van General Catalyst en AMP PBC. Het bedrijf bestond op dat moment amper twee maanden. Oprichter Igor Babuschkin, eerder actief bij DeepMind, OpenAI en xAI, wil met River een ander soort AI bouwen. De missie is een persoonlijke AI die je zelf traint en volledig bezit. Hoe? Door LoRA finetuning op open source modellen toe te passen, aangevuld met reinforcement learning.

Wie zit er achter River AI?

Babuschkin bracht het afgelopen decennium door bij drie van de invloedrijkste AI labs ter wereld. Bij DeepMind, OpenAI en xAI werkte hij aan het opschalen van deep learning en reinforcement learning. In juni 2026 kwam River AI uit stealth met een lanceerblog waarin hij zijn motivatie uiteenzette. De vooruitgang van AI verliep volgens hem sneller dan verwacht. Juist daarom is er een antwoord nodig op de vraag hoe de mensheid kan floreren terwijl machines steeds meer betekenisvol werk overnemen.

Het antwoord van River is ownership. De krachtigste AI van vandaag wordt beheerst door een handvol grote bedrijven. Die systemen zijn ontworpen om je aandacht vast te houden terwijl ze je werk automatiseren. River wil het omgekeerde. Een AI die volledig voor jou werkt en diep aansluit bij jouw waarden. Verantwoordelijk, nieuwsgierig en echt van jou.

De ronde van 1,1 miljard dollar, aangekondigd op 11 augustus 2026, is verdeeld over een Series Seed en een Series A. Naast hoofdinvesteerders General Catalyst en AMP PBC stappen ook Nvidia, AMD Ventures, Y Combinator en Temasek in. AMP PBC is een investeringsfonds dat in 2026 werd opgericht door Anjney Midha, voormalig general partner bij Andreessen Horowitz. Daar stond hij aan de basis van investeringen in Black Forest Labs, Mistral AI, LMArena en OpenRouter. TechCrunch noemt het bedrag opvallend groot voor zo’n jong bedrijf en wijst op een mogelijk oververhitte markt voor AI.

Waarom River AI de volledige stack opnieuw bouwt

Om die missie waar te maken herschrijft River de volledige stack: de. De training, de modellen, de productlaag en nieuwe hardware waarmee persoonlijke AI dicht bij jou kan werken. Wie alleen de bovenste laag aanpast, blijft afhankelijk van de modellen en de infrastructuur van anderen. River wil die afhankelijkheid doorbreken.

De agents die River wil creëren, voelen compleet anders dan de zakelijke chatbots van vandaag. Babuschkin vergelijkt ze met beschermengelen. Stilletjes aanwezig en gericht op wat er echt voor jou toe doet. Ze kennen je goed en ze zijn van jou. Volgens River bezit je straks alles rond je persoonlijke AI:

  • de hardware waarop hij draait
  • de data waarvan hij leert
  • de intelligentie zelf

Wat is LoRA precies?

LoRA staat voor Low-Rank Adaptation. Het is een techniek om grote taalmodellen efficiënt verder te trainen. Bij klassieke finetuning pas je alle parameters van een model aan. Bij een model met honderden miljarden parameters vraagt dat enorm veel rekenkracht, geheugen en expertise. LoRA draait dat om. De originele gewichten van het model blijven bevroren. In plaats daarvan train je kleine extra matrices die het gedrag van het model bijsturen.

Het resultaat is een compacte adapter. Zo’n adapter kost een fractie van een volledige trainingsrun, terwijl het model toch nieuwe vaardigheden leert. Adapters zijn bovendien uitwisselbaar. Je kunt hetzelfde basismodel combineren met verschillende adapters voor verschillende taken.

Waarom LoRA past bij de visie van River AI

Voor River is LoRA de sleutel tot eigenaarschap. Omdat adapters klein en betaalbaar zijn, kan elke gebruiker of onderneming een eigen variant van een open model trainen. River voert LoRA finetuning en reinforcement learning uit op open source modellen, van 35 miljard tot 1 biljoen parameters. Je brengt je eigen data mee, je vormt de gewichten en je bezit de intelligentie die je creëert. Zo leer je een model nieuwe vaardigheden en bouw je een kostenefficiënte agent voor je eigen taken.

Zo werkt de River API in de praktijk

Het eerste product van River is een API die je aanstuurt via een kleine Python client. De facturering loopt per miljoen tokens en de tarieven hangen af van het open model dat je kiest. Via diezelfde client kun je:

  • LoRA finetuning draaien op open source modellen
  • reinforcement learning runs uitvoeren
  • getrainde modellen hosten zoals elk ander endpoint

Volgens River kan elke onderneming een complexe reinforcement learning run afronden in 15 tot 20 minuten. Daarvoor is geen eigen infrastructuurteam nodig. De kosten liggen twee tot vier keer lager dan bij gesloten alternatieven. River positioneert zich daarmee als een zogeheten neocloud, een clouddienst die volledig is gebouwd rond workloads voor AI. Voor bedrijven lost dat een reëel probleem op. Ze willen graag open modellen verder trainen, maar missen de specialistische kennis om dat zelf te doen.

Een alternatief voor prompt engineering

River presenteert zijn API expliciet als tegengif voor prompt engineering. Prompten stuurt volgens het bedrijf een model dat je niet bezit en niet kunt verbeteren. Trainen verandert het model zelf. Gedrag dat je met prompts telkens opnieuw moet afdwingen, zit na een trainingsrun inherent in de gewichten.

Het praktische verschil is groot. Een model dat je alleen prompt, vergeet je instructies zodra de context wegvalt. Een getraind model gedraagt zich consistent, ook bij nieuwe situaties. En omdat de gewichten van jou zijn, ben je niet structureel gebonden aan één aanbieder. Je kunt je getrainde model overal inzetten waar je wil.

Wat zegt deze financieringsronde over de markt?

De timing van River is gunstig. Ondernemingen willen meer grip op hun toekomst met AI en zetten steeds vaker een mix van modellen in, waaronder modellen met open gewichten. Tegelijk groeit er een beweging van persoonlijke agents die lokaal draaien, zoals OpenClaw en de varianten daarop. Nvidia werkt ondertussen samen met fabrikanten als Dell, Microsoft en HP aan hardware voor AI.

Die ontwikkelingen komen samen in de premisse van River. Straks heeft iedereen eigen agents die door henzelf zijn getraind en namens hen werken. De vraag of dat scenario realistisch is, houdt de markt voorlopig bezig.

De echte test voor River AI

Hoe de technologie van River zich precies zal onderscheiden, moet nog blijken. Het bedrijf begint met een grote zak geld en een team met ervaring bij de grootste AI labs ter wereld. Persoonlijke AI via een API in de cloud klinkt als een contradictie. Je bezit de gewichten, maar de rekenkracht huur je. De komende jaren zal blijken of dat onderscheid voor gebruikers echt uitmaakt.

Als River het trainen van een model even vanzelfsprekend maakt als het schrijven van een prompt, wordt eigenaarschap van intelligentie net zo normaal als eigenaarschap van data. Dat zal de verhouding tussen gebruikers en AI bedrijven blijvend veranderen.