Labelbox sammelt in Series E über 100 Mio. $ bei einer Bewertung von 1,25 Mrd. $ ein, um RL und KI-Agenten voranzubringen

Labelbox gab am 14. Oktober 2026 bekannt, dass das Unternehmen in einer von Infinitum Partners angeführten Finanzierungsrunde mehr als 100 Millionen US-Dollar in einer Series-E-Finanzierung bei einer Pre-Money-Bewertung von 1,25 Milliarden US-Dollar aufgenommen hat. Die Runde kombiniert Eigenkapital mit einer Kreditlinie.

Auch Wipro Ventures, Andreessen Horowitz (a16z), B Capital, Tau Ventures und Snowpoint Ventures beteiligten sich neben weiteren Investoren. CEO und Mitgründer Manu Sharma erläuterte die Konditionen in einem Blogbeitrag des Unternehmens. Das Unternehmen erklärte, die Finanzierung werde die weitere Forschung und Entwicklung seiner beiden Kernprodukte Horizon und Recursion Managed Agents sowie den Ausbau der Teams unterstützen, die diese Produkte zu den Kunden bringen. Sharma schrieb, der Zugang zu Rechenkapazität werde für das nächste Kapitel des Unternehmens von zentraler Bedeutung sein. Dabei wies er darauf hin, dass John Yetimoglu von Infinitum früh in Groq investiert habe und nun am Aufbau einer Recheninfrastruktur im großen Maßstab bei GroqCloud beteiligt sei.

Position und Geschichte des Unternehmens

Labelbox gab an, 2026 die Gewinnschwelle erreicht zu haben und zugleich im Jahresvergleich um mehr als das Fünffache gewachsen zu sein. Das Unternehmen zählt nach eigenen Angaben mehr als 400 Kunden, darunter über 90 % der führenden US-amerikanischen KI-Labore. Zu seiner Kundenbasis gehören Frontier-KI-Labore, Hyperscaler, Start-ups und Fortune-500-Unternehmen.

Sharma, Brian und Dan gründeten Labelbox 2018. In einer Notiz eines Mitgründers schrieb Sharma, er sei in die Vereinigten Staaten gekommen, um das Entwerfen und Bauen von Flugzeugen und Raketen zu lernen. Dabei habe er an numerischer Strömungsmechanik und neuronalen Netzen gearbeitet. Seine späteren Tätigkeiten bei DroneDeploy und Planet Labs hätten ihm gezeigt, wie viel Potenzial im maschinellen Lernen in den Daten steckte.

Der Beitrag schildert die Geschichte des Unternehmens in drei Kapiteln: Software für Trainingsdaten für alle, die KI entwickeln; Umgebungen für bestärkendes Lernen, die nach dem von Sharma so bezeichneten ChatGPT-Moment entstanden, als die leistungsfähigsten Modelle begannen, sich durch das Üben realer Aufgaben zu verbessern; und Agenten, die das Unternehmen zunächst für den eigenen Einsatz entwickelte, bevor es das System für Kunden öffnete.

Sharma schrieb außerdem, Labelbox entwickle jede Ebene seiner Plattform selbst: ein Agenten-Framework für Agenten mit extrem langem Planungshorizont, eine Sandbox-Infrastruktur, in der Millionen virtueller Maschinen laufen, eine eigene Infrastruktur für das Post-Training mit bestärkendem Lernen sowie ein Expertennetzwerk mit mehr als 4 Millionen Menschen.

Horizon: Umgebungen für bestärkendes Lernen

Nach Angaben des Unternehmens erstellt Horizons WorldSim-System simulierte Unternehmen mit Code, Dashboards, Tabellen, Präsentationen und Dokumenten, die realistische Geschäftsdaten enthalten. Darin versucht ein Modell, eine anspruchsvolle mehrstufige Aufgabe von Anfang bis Ende zu erledigen, während jeder Schritt als Trajektorie aufgezeichnet wird. Deterministische Prüfer bewerten jede Trajektorie bei jedem Durchlauf gleich. Sind zwei Trajektorien beide korrekt, vermittelt die Präferenz eines Experten dem Modell, was Sharma als Gespür bezeichnet. Das Unternehmen gibt an, Tausende von Welten und Millionen bewerteter Trajektorien zu betreiben, abgestimmt auf die pass@k-Zielwerte eines Labors in den Bereichen Programmierung, Computernutzung, Forschung, multimodale Arbeit und Sprachverarbeitung.

Auf der Horizon-Produktseite sind unter anderem die Bereiche autonome KI-Forschung, agentengestützte Programmierung und Softwareentwicklung, multimodale Wissensarbeit, Sprachverarbeitung mit agentengestützter Tool-Nutzung, Computernutzung und Cybersicherheit aufgeführt. Sharma schrieb, Labelbox arbeite inzwischen mit 90 % der führenden Frontier-KI-Labore und Hyperscaler zusammen.

Recursion Managed Agents

Laut der Finanzierungsmitteilung öffnete Labelbox Recursion Managed Agents Anfang Oktober 2026 für Unternehmenskunden. Gemäß dem Produktkonzept erhält ein verwalteter Agent ein Ziel, einen Auslöser wie einen Zeitplan, eine Benachrichtigung, eine Slack-Nachricht, einen Webhook oder einen API-Aufruf sowie einen Bewertungsmaßstab, der festlegt, woran gute Arbeit zu erkennen ist. Ein separater Bewertungsagent prüft jeden Durchlauf Punkt für Punkt anhand dieses Maßstabs und verweist für jede Bewertung auf Belege. Entspricht die Arbeit nicht den Anforderungen, überarbeitet der Agent sie.

Agenten können in drei Modi arbeiten: im Multi-Agenten-Modus, in dem ein Koordinator Spezialisten miteinander verknüpft, die jeweils über ein eigenes Modell, eigene Anweisungen, Tools und Berechtigungen verfügen; im Teammodus, in dem mehrere Instanzen eines Agenten die Arbeit auf einem gemeinsamen Board aufteilen und gegenseitig ihre Ergebnisse prüfen; und im Automatikmodus, der standardmäßig aktiviert ist und in dem der Agent selbst entscheidet, ob eine Aufgabe Spezialisten oder ein Team erfordert.

Nach Angaben des Unternehmens arbeiten die Agenten mit mehr als 100 Geschäftsanwendungen und jedem MCP-Server. Jedes Tool ist als schreibgeschützt, datenverändernd oder destruktiv eingestuft, und die Zugangsdaten werden in einem Tresor verwahrt, sodass das Modell sie nie zu sehen bekommt. Die Sitzungen laufen in isolierten Sandboxes. Labelbox zufolge speichert die Plattform bei keinem LLM-Anbieter Daten. Das aufgeführte Compliance-Programm umfasst SOC 2 Type II, DSGVO, CCPA, NIST 800-171 und PCI DSS. Die Preise werden pro Agenten-Sitzungsstunde berechnet; Rechen- und Modellausgaben sind in einer einzigen Schätzung zusammengefasst. Bestehende Unternehmenskunden von Labelbox erhalten einmalig ein Guthaben von 100 $.

In einem Beitrag zur Produkteinführung vom 8. Oktober 2026 beschrieb Labelbox die unternehmensinterne Einführung so: „Die Überraschung war nicht, dass Agenten die Arbeit erledigen konnten. Sondern wie schnell sie darin besser wurden.“ Das Unternehmen gibt an, 51 Agenten in 11 Teams einzusetzen, und zwar in den Bereichen Softwareentwicklung, Zuverlässigkeit, Sicherheit, Machine-Learning-Forschung, Evaluierungen, Produktentwicklung, Finanzen, Vertrieb, Strategie und Beschaffung.

In einem internen Beispiel erklärte Labelbox, dass sein Agent zur Prüfung von Pull Requests 39 bewertete Prüfungen mit einer einzigen Agentenversion und einem einzigen Modell durchgeführt habe. Bei den 33 Prüfungen, die die Bewertungsinstanz bestanden, seien die medianen Kosten von 13,15 US-Dollar für die ersten 11 Prüfungen auf 8,90 US-Dollar für die letzten 11 gesunken – 32 % weniger pro Prüfung. Dabei sei der Speicher des Agenten 15-mal aktualisiert worden, während die Bearbeitungszeit pro Prüfung mit etwa 27 Minuten gleich geblieben sei. Nach der Speicherlogik des Produkts liest ein kuratierender Agent die Berichte und aktualisiert den Speicher des Agenten, sobald fünf neue Sitzungsberichte vorliegen, und höchstens einmal pro Stunde. Kunden können einsehen, was ein Agent gelernt hat, und jede Erkenntnis löschen, die nicht mehr zutrifft.