Snorkel AI rejser $350M Serie E med en værdiansættelse på $3.5B for at opbygge Frontier Lab for AI‑data

Snorkel AI annoncerede en finansiering på $350 millioner i Serie E med en værdiansættelse på $3,5 milliarder den 22. september 2026 i et virksomhedens blogindlæg skrevet af medstifter og administrerende direktør Alex Ratner. Insight og S32 ledede runden.

Deltagelse kom også fra Third Point, March, Blumberg, Allegis, Standard VC og Frontline, sammen med de eksisterende investorer Addition, Lightspeed, Greylock, GV, P7, Wells Fargo, Walden Catalyst Ventures og Factory.

Ratner sagde, at virksomhedens data‑as‑a‑service‑tilbud, lanceret for næsten et år siden, var vokset mere end 18‑fold og havde overskredet en årlig omsætningsrate på $375 millioner i ugen efter annonceringen. Han sagde, at Snorkel nu samarbejder med frontier‑labs, hyperscalere, neolabs, vertikale AI‑ledere, virksomheder og U.S. government agencies.

Tidligere finansiering og virksomhedens baggrund

Serie E følger Snorkels $100 millioner Serie D med en værdiansættelse på $1,3 milliarder, annonceret i en virksomhedens pressemeddelelse dateret 29. maj 2025. Addition ledede den runde med deltagelse fra Prosperity 7 Ventures, eksisterende investorer Greylock og Lightspeed samt strategiske investorer inklusive BNY og QBE Ventures. Pressemeddelelsen fra 2025 sagde, at runden bragte Snorkels samlede finansiering op på $237 millioner siden virksomhedens grundlæggelse i 2019.

Den pressemeddelelse, dateret Redwood City, Californien, annoncerede også generel tilgængelighed af Snorkel Evaluate og Snorkel Expert Data‑as‑a‑Service, to nye tilbud på virksomhedens AI‑Dataudviklingsplatform til evaluering og finjustering af specialiserede AI‑systemer. Den oplyste, at Serie D‑kapitalen ville støtte udvidelsen af virksomhedens ingeniør‑, forsknings‑ og go‑to‑market‑indsats.

Data 2.0 og den Agentiske Data Platform

Ratners opslag indrammer den nye finansiering omkring det, han kalder Data 2.0. Snorkel startede som et forskningsprojekt på Stanford for cirka et årti siden, skrev han, med hypotesen om, at AI‑fremskridt vil blive stadig mere datacentreret, og at dataudvikling bør studeres som et forsknings‑ og teknologiproblem snarere end blot en bemandings‑ og crowdsourcing‑opgave.

Opslaget beskriver den første fase af AI‑dataudvikling, kaldet Data 1.0, som drevet af store mængder enklere data og i høj grad et bemandings‑ og logistikproblem, og den sidste fase, kaldet Data 2.0, som drevet af kvaliteten af mere komplekse data og primært et forsknings‑ og teknologiproblem. Med kodningsdata som eksempel siger det, at frontier‑reinforcement‑learning‑datasæt og -miljøer nu skal efterligne softwareproblemer, som en senioringeniør kan have svært ved i dage eller uger, indfange nuancerede belønningssignaler over produkt‑skala output, målrette specifikke model‑fejltilstande, modstå forsøg fra avancerede modeller på at hacke eller snyde, og bestå flere hundrede kvalitetskontrol‑tjek.

For at producere disse data beskriver opslaget en intern Agentisk Data Platform, hvor menneskelige eksperter understøttes af specialiserede AI‑modeller og agenter, nogle gange flere hundrede pr. opgavetype. Disse agenter udvider ekspertskitser til fulde miljøer og data‑instanser, guider menneskelig indsats mod fordelingsmål og model‑fejltilstande, giver live‑feedback og kvalitetskontrol efter indsendelse, og dirigerer delkomponenter til de rette eksperter til gennemgang. Menneskelig feedback i stor skala bruges derefter som svag supervision til at måle og forbedre agenterne, en sammensat løkke, som Ratner kalder en RSI‑ eller rekursiv selvforbedrings‑motor for data.

Ratner rapporterede, at i kodningsdataprojekter accelererer specialiserede agenter, der udfører kvalitetskontrol sammen med menneskelig ekspertgennemgang, i øjeblikket QC‑effektiviteten med over 50 % og forbedrer gennemgangsnøjagtigheden med mere end 15 procentpoint sammenlignet med en baseline af menneskelige anmeldere, der kun bruger standard‑LLM’er. Han sagde, at den skalerede menneskelige feedback, anvendt som svag supervision, giver en nuværende nøjagtighedsforbedring på over 2‑fold i forhold til en ikke‑specialiseret frontier‑LLM‑baseline, og at sådanne tal løbende forbedres, efterhånden som løkken kører.

Åbne benchmarks og forskningsplaner

Snorkel sagde også, at de vil udvide deres Open Benchmarks Grants‑program betydeligt, som finansierer åbne, uafhængige AI‑benchmarks. Programmets side angiver, at indsatsen støttes af en forpligtelse på $3 millioner til at finansiere open‑source‑datasæt, benchmarks og evalueringsartefakter, og at ansøgninger gennemgås løbende. Forslag vurderes med input fra en styringskomité bestående af akademiske og industrielle forskere, og siden angiver, at Snorkel ikke styrer komitéens beslutninger.

Benchmarks, der er opført på siden, omfatter Terminal‑Bench‑serien, OSWorld 2.0 med University of Hong Kong’s XLANG Lab, Agent’s Last Exam med UC Berkeley’s RDI, Continual Learning Bench med UC Berkeley’s SkyLab og UW‑Madison, SlopCode Bench med UW‑Madison, DARPA og National Science Foundation, samt Senior SWE‑bench med University of Wisconsin og Princeton University.

Udover benchmarks sagde Ratner, at Snorkel planlægger at investere kraftigt i støtte til specialiserede AI‑modeller, og skrev, at virksomheden forventer, at en stadig større andel af verdens dataudvikling vil fokusere på specialiseret AI i de kommende år. Han tilføjede også, at en betydelig del af Snorkels forskning og udvikling i de kommende år vil fokusere på data‑ og miljøudvikling for AI‑justering og -sikkerhed.