Labelbox získává více než 100 milionů dolarů v investičním kole série E při ocenění 1,25 miliardy dolarů, aby podpořil rozvoj posilovaného učení a agentů AI

Společnost Labelbox 14. října 2026 oznámila, že získala více než 100 milionů dolarů v investičním kole série E při předinvestičním ocenění 1,25 miliardy dolarů. Kolo vedla společnost Infinitum Partners a kombinovalo kapitálovou investici s úvěrovou linkou.

Mezi dalšími účastníky byly mimo jiné Wipro Ventures, Andreessen Horowitz (a16z), B Capital, Tau Ventures a Snowpoint Ventures. Generální ředitel a spoluzakladatel Manu Sharma podrobně popsal podmínky v příspěvku na firemním blogu. Společnost uvedla, že financování podpoří pokračující výzkum a vývoj jejích dvou hlavních produktů, Horizon a Recursion Managed Agents, a také rozšiřování týmů, které tyto produkty přinášejí zákazníkům. Sharma napsal, že přístup k výpočetní kapacitě bude pro další etapu společnosti zásadní. Poznamenal přitom, že John Yetimoglu ze společnosti Infinitum byl jedním z prvních investorů do Groq a nyní se podílí na budování výpočetní infrastruktury ve velkém měřítku v GroqCloud.

Postavení a historie společnosti

Labelbox uvedl, že v roce 2026 dosáhl ziskovosti a zároveň meziročně vyrostl více než pětinásobně. Společnost uvádí, že má přes 400 zákazníků, mezi nimiž je více než 90 % předních amerických laboratoří AI. Její zákaznická základna zahrnuje špičkové laboratoře AI, poskytovatele cloudových služeb v hyperskalovém měřítku, startupy i společnosti z žebříčku Fortune 500.

Sharma, Brian a Dan založili Labelbox v roce 2018. V poznámce zakladatele Sharma napsal, že přijel do Spojených států, aby se naučil navrhovat a stavět letadla a rakety, a pracoval přitom na výpočetní dynamice tekutin a neuronových sítích. Později působil ve společnostech DroneDeploy a Planet Labs, kde si uvědomil, jak velká část příležitostí ve strojovém učení spočívá v datech.

Příspěvek popisuje historii společnosti ve třech etapách: software pro trénovací data určený lidem, kteří vyvíjejí AI; prostředí pro posilované učení, která vznikla po tom, čemu Sharma říká okamžik ChatGPT, kdy se nejschopnější modely začaly zlepšovat procvičováním skutečných úkolů; a agenti, které společnost nejprve vytvořila pro vlastní potřebu a teprve poté zpřístupnila zákazníkům.

Sharma také napsal, že Labelbox si každou vrstvu své platformy vytváří samo: infrastrukturu pro řízení agentů navrženou pro agenty s mimořádně dlouhým časovým horizontem, sandboxovou infrastrukturu, která spouští miliony virtuálních počítačů, vlastní infrastrukturu pro dodatečné trénování pomocí posilovaného učení a síť odborníků čítající více než 4 miliony lidí.

Prostředí Horizon pro posilované učení

Podle společnosti systém WorldSim v rámci Horizon vytváří simulované firmy s kódem, řídicími panely, tabulkami, prezentacemi a dokumenty naplněnými realistickými obchodními daty. Model v nich od začátku do konce řeší náročný vícekrokový úkol a každý krok se zaznamenává jako trajektorie. Deterministické ověřovací systémy hodnotí každou trajektorii při každém spuštění stejným způsobem. Pokud jsou dvě trajektorie správné, preference odborníka model učí tomu, čemu Sharma říká cit. Společnost popisuje provoz v rozsahu tisíců světů a milionů ohodnocených trajektorií, přizpůsobených cílovým hodnotám pass@k dané laboratoře v oblasti programování, práce s počítačem, výzkumu, multimodálních úloh a práce s hlasem.

Stránka produktu Horizon uvádí oblasti, mezi něž patří autonomní výzkum pomocí AI, programování agentů a softwarové inženýrství, multimodální znalostní práce, hlasové interakce s agentickým využíváním nástrojů, práce s počítačem a kybernetická bezpečnost. Sharma napsal, že Labelbox nyní spolupracuje s 90 % předních špičkových laboratoří AI a poskytovatelů cloudových služeb v hyperskalovém měřítku.

Recursion Managed Agents

Oznámení o financování uvádí, že Labelbox zpřístupnil Recursion Managed Agents podnikovým zákazníkům už na začátku října 2026. Podle návrhu produktu dostane spravovaný agent cíl, spouštěcí podnět, například plán, upozornění, zprávu ve Slacku, webhook nebo volání API, a hodnoticí kritéria, která určují, jak vypadá dobře odvedená práce. Samostatný hodnoticí agent posuzuje každý běh podle jednotlivých bodů těchto kritérií a ke každému rozhodnutí uvádí důkazy; pokud práce nesplní požadavky, agent ji upraví.

Agenti mohou pracovat ve třech režimech: víceagentním, v němž koordinátor propojuje specialisty, z nichž každý má vlastní model, pokyny, nástroje a oprávnění; týmovém, v němž si kopie agenta rozdělí práci na sdílené nástěnce a vzájemně kontrolují své výsledky; a automatickém, který je výchozí a v němž agent sám rozhoduje, kdy úkol vyžaduje specialisty nebo tým.

Společnost uvádí, že agenti pracují ve více než 100 podnikových aplikacích a s libovolným serverem MCP. Každému nástroji lze přiřadit oprávnění pouze ke čtení, k úpravám dat nebo k destruktivním operacím a přístupové údaje se uchovávají v trezoru, takže je model nikdy nevidí. Relace probíhají v izolovaných sandboxech a Labelbox uvádí, že platforma u všech poskytovatelů LLM funguje bez uchovávání dat. Deklarovaný program souladu s předpisy zahrnuje SOC 2 Type II, GDPR, CCPA, NIST 800-171 a PCI DSS. Cena se stanovuje za hodinu relace agenta; náklady na výpočetní kapacitu a model jsou zahrnuty v jednom odhadu. Stávající podnikoví zákazníci Labelbox navíc dostanou jednorázový kredit 100 dolarů.

V příspěvku k uvedení produktu z 8. října 2026 Labelbox popsal interní zavádění systému slovy: „Překvapivé nebylo to, že agenti dokázali práci zvládnout. Překvapilo nás, jak rychle se v ní zlepšovali.“ Společnost uvádí, že provozuje 51 agentů v 11 týmech, které se věnují softwarovému inženýrství, spolehlivosti, bezpečnosti, výzkumu strojového učení, evaluacím, produktu, financím, prodeji, strategii a nákupu.

V jednom interním příkladu Labelbox uvedl, že jeho agent pro kontrolu pull requestů provedl 39 hodnocených kontrol v rámci jediné verze agenta a modelu. Z 33 kontrol, které prošly hodnoticím systémem, klesly mediánové náklady z 13,15 USD u prvních 11 kontrol na 8,90 USD u posledních 11, tedy o 32 % na jednu kontrolu, zatímco paměť agenta byla aktualizována 15krát a doba potřebná na jednu kontrolu zůstala přibližně 27 minut. Podle mechanismu práce s pamětí v tomto produktu agent pověřený její správou přečte pět nových zpráv ze session a aktualizuje paměť agenta, a to nejvýše jednou za hodinu. Zákazníci si mohou prohlédnout, co se agent naučil, a odstranit jakékoli poučení, které už neplatí.