Snorkel AI recauda $350 M en la Serie E con una valoración de $3.5 B para crear el Frontier Lab para datos de IA

Snorkel AI anunció una financiación de $350 millones en la Serie E con una valoración de $3.5 mil millones el 22 de septiembre de 2026, en una publicación del blog de la empresa escrita por el cofundador y CEO Alex Ratner. Insight y S32 lideraron la ronda.

La participación también provino de Third Point, March, Blumberg, Allegis, Standard VC y Frontline, junto a los inversores existentes Addition, Lightspeed, Greylock, GV, P7, Wells Fargo, Walden Catalyst Ventures y Factory.

Ratner dijo que la oferta de datos como servicio de la empresa, lanzada hace casi un año, había crecido más de 18 veces y superó una tasa de ingresos anualizados de $375 millones en la semana del anuncio. Afirmó que Snorkel ahora se asocia con laboratorios de frontera, hiperescaladores, neolabs, líderes verticales de IA, empresas y agencias gubernamentales de EE. UU.

Financiación previa y antecedentes de la empresa

La Serie E sigue a la Serie D de $100 millones de Snorkel con una valoración de $1.3 mil millones, anunciada en un comunicado de la empresa con fecha 29 de mayo de 2025. Addition lideró esa ronda, con la participación de Prosperity 7 Ventures, los inversores existentes Greylock y Lightspeed, y los inversores estratégicos, entre ellos BNY y QBE Ventures. El comunicado de 2025 indicó que la ronda elevó la financiación total de Snorkel a $237 millones desde su fundación en 2019.

Ese comunicado, fechado en Redwood City, California, también anunció la disponibilidad general de Snorkel Evaluate y Snorkel Expert Data-as-a-Service, dos nuevas ofertas en la Plataforma de Desarrollo de Datos de IA de la empresa para evaluar y ajustar sistemas de IA especializados. Señaló que el capital de la Serie D respaldaría la expansión de la ingeniería, la investigación y los esfuerzos de comercialización de la empresa.

Datos 2.0 y la Plataforma de Datos Agéntica

La publicación de Ratner enmarca la nueva financiación en lo que él denomina Datos 2.0. Snorkel comenzó como un proyecto de investigación en Stanford hace aproximadamente una década, escribió, bajo la tesis de que el progreso de la IA se volverá cada vez más centrado en los datos y que el desarrollo de datos debe estudiarse como un problema de investigación y tecnología, más que como un simple ejercicio de dotación de personal y crowdsourcing.

La publicación describe una primera fase del desarrollo de datos de IA, denominada Datos 1.0, impulsada por volúmenes de datos más simples y en gran medida un problema de personal y logística, y una fase final, denominada Datos 2.0, impulsada por la calidad de datos más complejos y principalmente un problema de investigación y tecnología. Usando datos de codificación como ejemplo, afirma que los conjuntos de datos y entornos de aprendizaje por refuerzo de frontera deben ahora aproximar problemas de software que un ingeniero senior podría enfrentar durante días o semanas, capturar señales de recompensa matizadas en resultados a escala de producto, apuntar a modos de error específicos del modelo, resistir intentos de modelos avanzados de hackear o hacer trampa, y superar varios cientos de controles de calidad.

Para producir esos datos, la publicación describe una Plataforma de Datos Agéntica interna en la que los expertos humanos son respaldados por modelos y agentes de IA especializados, a veces cientos por tipo de tarea. Esos agentes amplían los bocetos de los expertos en entornos completos e instancias de datos, guían el esfuerzo humano hacia objetivos distributivos y modos de error del modelo, proporcionan retroalimentación en tiempo real y control de calidad posterior a la entrega, y dirigen los subcomponentes a los expertos adecuados para su revisión. La retroalimentación humana a gran escala se utiliza entonces como supervisión débil para medir y mejorar a los agentes, un bucle acumulativo que Ratner denomina RSI, o motor de mejora recursiva, para datos.

Ratner informó que en el trabajo con datos de codificación, los agentes especializados que ejecutan control de calidad junto a la revisión de expertos humanos actualmente aceleran la eficiencia del QC en más del 50 % y mejoran la precisión de la revisión en más de 15 puntos de precisión en comparación con una línea base de revisores humanos que utilizan solo LLMs comerciales. Señaló que la retroalimentación humana a gran escala aplicada como supervisión débil genera una mejora actual de más del 2 veces en precisión respecto a una línea base de LLM de frontera no especializado, y que cifras como estas mejoran continuamente a medida que el bucle avanza.

Benchmarks abiertos y planes de investigación

Snorkel también anunció que ampliará significativamente su programa de subvenciones Open Benchmarks, que financia benchmarks de IA abiertos e independientes. La página del programa indica que la iniciativa cuenta con un compromiso de $3 millones para financiar conjuntos de datos de código abierto, benchmarks y artefactos de evaluación, y que las solicitudes se revisan de forma continua. Las propuestas se evalúan con la participación de un comité directivo de investigadores académicos e industriales, y la página señala que Snorkel no dirige las decisiones del comité.

Los benchmarks enumerados en la página incluyen la línea Terminal-Bench, OSWorld 2.0 con el XLANG Lab de la University of Hong Kong, Agent’s Last Exam con el RDI de UC Berkeley, Continual Learning Bench con SkyLab de UC Berkeley y UW-Madison, SlopCode Bench con UW-Madison, DARPA y la National Science Foundation, y Senior SWE-bench con la University of Wisconsin y Princeton University.

Más allá de los benchmarks, Ratner dijo que Snorkel planea invertir fuertemente en el apoyo a modelos de IA especializados, indicando que la empresa anticipa que una proporción cada vez mayor del desarrollo de datos mundial se centrará en IA especializada en los próximos años. También afirmó que una parte importante de la investigación y desarrollo de Snorkel en los próximos años se enfocará en el desarrollo de datos y entornos para la alineación y seguridad de la IA.