Probably wurde von Peter Elias gegründet und richtet sich gezielt gegen eines der hartnäckigsten Probleme im KI-Bereich: Halluzinationen, also sachlich falsche Ausgaben, die selbst bei den leistungsstärksten Large Language Models auftreten. Das Kernelement des Ansatzes ist ein zweistufiges System: Ein LLM liefert eine Erstantwort, die anschließend automatisch gegen einen deterministischen Validator abgeglichen wird – Ergebnisse, die nicht mit dem Datensatz übereinstimmen, werden zurückgeworfen. Entscheidend ist dabei, dass das Sprachmodell explizit gegen diesen Validator trainiert wurde, sodass das Gesamtsystem auf Geschwindigkeit und Präzision optimiert ist. Das erste Produkt ist ein Data-Science-Werkzeug, das komplexe Datensätze auswertet und jede Antwort mit Quellenangabe und nachvollziehbarem Audit-Trail versieht. Elias beschreibt das Gesamtkonstrukt als „data science mech suit" – ein Bild für das enge Zusammenspiel von Modell und Validierungsschicht. Weil der Harness das Modell stark entlastet, kann Probably derzeit ein Modell einsetzen, das laut Elias „vier Klassen schwächer als Frontier-Modelle" ist, was den Betrieb auf Standard-Desktop-Hardware ermöglicht. Damit adressiert das Unternehmen auch ein wirtschaftliches Problem: Steigende Token-Kosten und schrumpfende KI-Budgets bei Unternehmenskunden machen günstigere Inferenz zu einem ernsthaften Wettbewerbsvorteil.