Snorkel AI lève $350M Series E à une valorisation de $3.5B pour créer le Frontier Lab pour les données IA

Snorkel AI a annoncé un financement de série E de 350 millions de dollars à une valorisation de 3,5 milliards de dollars le 22 septembre 2026, dans un article de blog de l’entreprise rédigé par le cofondateur et PDG Alex Ratner. Insight et S32 ont mené la levée.

Participent également Third Point, March, Blumberg, Allegis, Standard VC et Frontline, aux côtés des investisseurs existants Addition, Lightspeed, Greylock, GV, P7, Wells Fargo, Walden Catalyst Ventures et Factory.

Ratner a indiqué que l’offre de données en tant que service de l’entreprise, lancée il y a près d’un an, avait connu une croissance de plus de 18 fois et avait dépassé un taux de revenu annualisé de 375 millions de dollars la semaine de l’annonce. Il a déclaré que Snorkel collabore désormais avec des laboratoires de pointe, des hyperscalers, des néolabos, des leaders verticaux de l’IA, des entreprises et des agences gouvernementales américaines.

Financement antérieur et historique de l’entreprise

La série E fait suite à la série D de Snorkel de 100 millions de dollars à une valorisation de 1,3 milliard de dollars, annoncée dans un communiqué de presse de l’entreprise daté du 29 mai 2025. Addition a mené cette levée, avec la participation de Prosperity 7 Ventures, des investisseurs existants Greylock et Lightspeed, ainsi que d’investisseurs stratégiques dont BNY et QBE Ventures. Le communiqué de 2025 indiquait que la levée portait le financement total de Snorkel à 237 millions de dollars depuis la création de l’entreprise en 2019.

Ce communiqué, daté de Redwood City, Californie, a également annoncé la disponibilité générale de Snorkel Evaluate et de Snorkel Expert Data-as-a-Service, deux nouvelles offres sur la Plateforme de développement de données IA de l’entreprise pour évaluer et affiner des systèmes IA spécialisés. Il indiquait que le capital de la série D soutiendrait l’expansion des efforts d’ingénierie, de recherche et de mise sur le marché de l’entreprise.

Données 2.0 et la plateforme de données agentiques

Le billet de Ratner encadre le nouveau financement autour de ce qu’il appelle Données 2.0. Snorkel a débuté comme projet de recherche à Stanford il y a environ une décennie, a‑t‑il écrit, en partant de l’hypothèse que les progrès de l’IA deviendraient de plus en plus centrés sur les données et que le développement des données devrait être étudié comme un problème de recherche et de technologie plutôt que comme une simple question de dotation en personnel et de crowdsourcing.

Le billet décrit la première étape du développement de données IA, appelée Données 1.0, comme étant motivée par le volume de données simples et relevant principalement d’un problème de dotation et de logistique, et la dernière étape, appelée Données 2.0, comme étant guidée par la qualité de données plus complexes et principalement un problème de recherche et de technologie. En prenant les données de codage comme exemple, il indique que les jeux de données et environnements de renforcement d’apprentissage de pointe doivent désormais approximativement reproduire des problèmes logiciels qu’un ingénieur senior pourrait rencontrer pendant des jours ou des semaines, capter des signaux de récompense nuancés sur des sorties à l’échelle de produits, cibler des modes d’erreur spécifiques du modèle, résister aux tentatives de modèles avancés de pirater ou de tricher, et réussir plusieurs centaines de contrôles de qualité.

Pour produire ces données, le billet décrit une Plateforme de données agentiques interne dans laquelle des experts humains sont soutenus par des modèles IA spécialisés et des agents, parfois des centaines par type de tâche. Ces agents développent les esquisses d’experts en environnements complets et instances de données, orientent l’effort humain vers des cibles distributionnelles et des modes d’erreur du modèle, fournissent des retours en temps réel et un contrôle de qualité après soumission, et dirigent les sous‑composants vers les experts appropriés pour révision. Les retours humains à grande échelle sont ensuite utilisés comme supervision faible pour mesurer et améliorer les agents, une boucle cumulative que Ratner qualifie de RSI, ou moteur d’auto‑amélioration récursive, pour les données.

Ratner a indiqué que dans le travail sur les données de codage, les agents spécialisés exécutant le contrôle qualité parallèlement à la révision d’experts humains accélèrent actuellement l’efficacité du QC de plus de 50 % et améliorent la précision de la révision de plus de 15 points de précision par rapport à une base de référence d’examinateurs humains n’utilisant que des LLM génériques. Il a affirmé que le retour humain à grande échelle appliqué comme supervision faible entraîne alors une amélioration actuelle de plus de 2 fois de la précision par rapport à une base de référence LLM de pointe non spécialisée, et que ces chiffres s’améliorent continuellement au fur et à mesure que la boucle fonctionne.

Référentiels ouverts et plans de recherche

Snorkel a également indiqué qu’il allait considérablement étendre son programme de subventions Open Benchmarks, qui finance des référentiels IA ouverts et indépendants. La page du programme indique que l’effort est soutenu par un engagement de 3 millions de dollars pour financer des ensembles de données open‑source, des référentiels et des artefacts d’évaluation, et que les candidatures sont examinées de façon continue. Les propositions sont évaluées avec la contribution d’un comité de pilotage composé de chercheurs universitaires et industriels, et la page précise que Snorkel ne dirige pas les décisions du comité.

Les référentiels répertoriés sur la page comprennent la série Terminal‑Bench, OSWorld 2.0 avec le XLANG Lab de l’Université de Hong Kong, Agent’s Last Exam avec le RDI de l’UC Berkeley, Continual Learning Bench avec le SkyLab de l’UC Berkeley et l’UW‑Madison, SlopCode Bench avec l’UW‑Madison, la DARPA et la National Science Foundation, ainsi que Senior SWE‑bench avec l’Université du Wisconsin et l’Université de Princeton.

Au‑delà des référentiels, Ratner a déclaré que Snorkel prévoit d’investir massivement dans le soutien de modèles IA spécialisés, écrivant que l’entreprise s’attend à ce qu’une part de plus en plus importante du développement mondial des données se concentre sur l’IA spécialisée au cours des prochaines années. Il a également indiqué qu’une portion significative de la recherche et du développement de Snorkel dans les années à venir se concentrera sur le développement de données et d’environnements pour l’alignement et la sécurité de l’IA.