Labelbox Menggalang Pendanaan Seri E Lebih dari $100 Juta dengan Valuasi $1,25 Miliar untuk Memajukan Pembelajaran Penguatan dan Agen AI

Pada 14 Oktober 2026, Labelbox menyatakan telah menggalang pendanaan Seri E lebih dari $100 juta dengan valuasi prauang sebesar $1,25 miliar. Putaran pendanaan yang dipimpin Infinitum Partners ini menggabungkan investasi ekuitas dengan fasilitas kredit.

Wipro Ventures, Andreessen Horowitz (a16z), B Capital, Tau Ventures, dan Snowpoint Ventures juga berpartisipasi, bersama sejumlah investor lainnya. CEO sekaligus salah satu pendiri, Manu Sharma, menguraikan ketentuan pendanaan tersebut dalam artikel blog perusahaan. Perusahaan mengatakan bahwa pendanaan ini akan mendukung kelanjutan riset dan rekayasa untuk dua produk intinya, Horizon dan Recursion Managed Agents, serta perluasan tim yang memperkenalkan produk-produk tersebut kepada pelanggan. Sharma menulis bahwa akses ke daya komputasi akan menjadi hal penting dalam babak selanjutnya perusahaan. Ia juga mencatat bahwa John Yetimoglu dari Infinitum merupakan investor awal di Groq dan kini terlibat dalam pembangunan infrastruktur komputasi berskala besar di GroqCloud.

Posisi dan Sejarah Perusahaan

Labelbox menyatakan bahwa perusahaan mencapai profitabilitas pada 2026 sambil tumbuh lebih dari lima kali lipat dibandingkan tahun sebelumnya. Perusahaan melaporkan memiliki lebih dari 400 pelanggan, termasuk lebih dari 90% laboratorium AI terkemuka di AS, serta mengatakan bahwa basis pelanggannya mencakup laboratorium AI terdepan, penyedia cloud berskala besar, perusahaan rintisan, dan perusahaan Fortune 500.

Sharma, Brian, dan Dan mendirikan Labelbox pada 2018. Dalam catatan pendiri, Sharma menulis bahwa ia datang ke Amerika Serikat untuk belajar merancang dan membuat pesawat serta roket, dengan mengerjakan dinamika fluida komputasional dan jaringan saraf. Ia juga menulis bahwa pekerjaan selanjutnya di DroneDeploy dan Planet Labs menunjukkan betapa besar peluang di bidang pembelajaran mesin yang bertumpu pada data.

Tulisan tersebut menguraikan sejarah perusahaan dalam tiga babak: perangkat lunak data pelatihan bagi mereka yang membangun AI; lingkungan pembelajaran penguatan yang dikembangkan setelah apa yang disebut Sharma sebagai momen ChatGPT, ketika model-model paling mumpuni mulai berkembang dengan berlatih mengerjakan pekerjaan nyata; dan agen, yang pertama kali dibangun perusahaan untuk digunakan sendiri sebelum sistemnya dibuka bagi pelanggan.

Sharma juga menulis bahwa Labelbox membangun sendiri setiap lapisan platformnya: kerangka kerja agen yang dirancang untuk agen dengan cakrawala tugas sangat panjang, infrastruktur kotak pasir yang menjalankan jutaan mesin virtual, infrastruktur pascapelatihan pembelajaran penguatan milik sendiri, serta jaringan pakar yang beranggotakan lebih dari 4 juta orang.

Lingkungan Pembelajaran Penguatan Horizon

Menurut perusahaan, sistem WorldSim milik Horizon membangun perusahaan simulasi yang berisi kode, dasbor, lembar kerja, presentasi, dan dokumen yang dilengkapi data bisnis realistis. Di dalamnya, sebuah model mencoba menyelesaikan tugas sulit bertahap dari awal hingga akhir, sementara setiap langkah dicatat sebagai lintasan. Pemeriksa deterministik memberi skor pada setiap lintasan dengan cara yang sama pada setiap kali dijalankan. Jika dua lintasan sama-sama benar, preferensi seorang pakar mengajarkan model apa yang disebut Sharma sebagai selera. Perusahaan mengatakan bahwa sistem ini beroperasi dalam skala ribuan dunia simulasi dan jutaan lintasan yang dinilai, serta disesuaikan dengan target pass@k laboratorium untuk tugas pemrograman, penggunaan komputer, riset, multimodal, dan suara.

Halaman produk Horizon mencantumkan sejumlah bidang, termasuk riset AI otonom, pemrograman agen dan rekayasa perangkat lunak, pekerjaan pengetahuan multimodal, penggunaan alat oleh agen berbasis suara, penggunaan komputer, serta keamanan siber. Sharma menulis bahwa Labelbox kini bekerja sama dengan 90% laboratorium AI terdepan dan penyedia cloud berskala besar.

Recursion Managed Agents

Pengumuman pendanaan tersebut menyatakan bahwa Labelbox membuka Recursion Managed Agents bagi pelanggan perusahaan pada awal Oktober 2026. Sesuai rancangan produk ini, sebuah Managed Agent menerima tujuan, pemicu seperti jadwal, peringatan, pesan Slack, webhook, atau panggilan API, serta rubrik yang menetapkan seperti apa hasil kerja yang baik. Agen penilai terpisah menilai setiap pelaksanaan berdasarkan rubrik, baris demi baris, dan menunjukkan bukti untuk setiap keputusan; jika hasil kerjanya belum memenuhi kriteria, agen tersebut merevisinya.

Agen dapat beroperasi dalam tiga mode: multiagen, yaitu koordinator menghubungkan para spesialis secara berantai dan setiap spesialis memiliki model, instruksi, alat, serta izinnya sendiri; tim, yaitu beberapa salinan agen membagi pekerjaan di papan bersama dan memeriksa hasil satu sama lain; dan otomatis, yaitu mode bawaan yang memungkinkan agen menentukan sendiri kapan suatu pekerjaan membutuhkan spesialis atau tim.

Perusahaan mengatakan bahwa agen dapat bekerja dengan lebih dari 100 aplikasi bisnis dan server MCP apa pun. Setiap alat dibatasi cakupannya menjadi hanya-baca, mengubah data, atau destruktif, sementara kredensial disimpan di brankas sehingga model tidak pernah melihatnya. Sesi berjalan di kotak pasir yang terisolasi, dan Labelbox menyatakan bahwa platformnya beroperasi tanpa penyimpanan data di setiap penyedia LLM. Program kepatuhan yang dicantumkan mencakup SOC 2 Type II, GDPR, CCPA, NIST 800-171, dan PCI DSS. Harga ditetapkan per jam sesi agen, dengan biaya komputasi dan penggunaan model digabungkan dalam satu perkiraan. Pelanggan perusahaan Labelbox yang sudah ada menerima kredit satu kali sebesar $100.

Dalam tulisan peluncuran produk tertanggal 8 Oktober 2026 yang menguraikan penerapan internal perusahaan, Labelbox menulis, “Yang mengejutkan bukanlah bahwa agen mampu mengerjakan tugas itu. Yang mengejutkan adalah betapa cepatnya mereka menjadi lebih baik.” Perusahaan melaporkan menjalankan 51 agen di 11 tim, yang mencakup rekayasa perangkat lunak, keandalan, keamanan, riset pembelajaran mesin, evaluasi, produk, keuangan, penjualan, strategi, dan pengadaan.

Dalam salah satu contoh internal, Labelbox mengatakan bahwa agen peninjau pull request-nya menjalankan 39 peninjauan yang dinilai menggunakan satu versi agen dan model, dan bahwa dari 33 peninjauan yang lolos penilaian, median biaya turun dari $13.15 untuk 11 peninjauan pertama menjadi $8.90 untuk 11 peninjauan terakhir, atau 32% lebih rendah per peninjauan, sementara memori agen diperbarui 15 kali dan waktu per peninjauan bertahan sekitar 27 menit. Berdasarkan mekanisme memori produk tersebut, setelah tersedia lima laporan sesi baru, dan paling banyak sekali dalam satu jam, agen kurator membacanya lalu memperbarui memori agen; pelanggan dapat melihat apa yang telah dipelajari agen dan menghapus pelajaran yang sudah tidak berlaku.