Snorkel AI Mengumpulkan $350 Juta Seri E dengan Valuasi $3,5 Miliar untuk Mendirikan Frontier Lab untuk Data AI

Snorkel AI mengumumkan pendanaan Seri E sebesar $350 juta dengan valuasi $3,5 miliar pada 22 September 2026, dalam sebuah posting blog perusahaan yang ditulis oleh co‑founder dan CEO Alex Ratner. Insight dan S32 memimpin putaran pendanaan tersebut.

Partisipasi juga datang dari Third Point, March, Blumberg, Allegis, Standard VC, dan Frontline, bersama dengan investor yang sudah ada yaitu Addition, Lightspeed, Greylock, GV, P7, Wells Fargo, Walden Catalyst Ventures, dan Factory.

Ratner mengatakan penawaran data‑sebagai‑layanan perusahaan, yang diluncurkan hampir setahun sebelumnya, telah tumbuh lebih dari 18 kali lipat dan melampaui tingkat pendapatan tahunan sebesar $375 juta pada minggu pengumuman. Ia menyatakan bahwa Snorkel kini bermitra dengan laboratorium frontier, hyperskaler, neolab, pemimpin AI vertikal, perusahaan, dan lembaga pemerintah AS.

Pendanaan Sebelumnya dan Latar Belakang Perusahaan

Seri E mengikuti Seri D Snorkel sebesar $100 juta dengan valuasi $1,3 miliar, yang diumumkan dalam sebuah rilis perusahaan bertanggal 29 Mei 2025. Addition memimpin putaran tersebut, dengan partisipasi dari Prosperity 7 Ventures, investor yang sudah ada Greylock dan Lightspeed, serta investor strategis termasuk BNY dan QBE Ventures. Rilis 2025 menyatakan bahwa putaran tersebut meningkatkan total pendanaan Snorkel menjadi $237 juta sejak pendirian perusahaan pada 2019.

Rilis tersebut, yang berlokasi di Redwood City, California, juga mengumumkan ketersediaan umum Snorkel Evaluate dan Snorkel Expert Data‑sebagai‑Layanan, dua penawaran baru pada Platform Pengembangan Data AI perusahaan untuk mengevaluasi dan menyetel sistem AI khusus. Rilis itu menyatakan bahwa modal Seri D akan mendukung ekspansi rekayasa, riset, dan upaya go‑to‑market perusahaan.

Data 2.0 dan Platform Data Agenik

Posting Ratner menempatkan pendanaan baru ini di sekitar apa yang ia sebut Data 2.0. Snorkel memulai sebagai proyek riset di Stanford sekitar satu dekade lalu, tulisnya, dengan hipotesis bahwa kemajuan AI akan menjadi semakin berpusat pada data dan bahwa pengembangan data harus dipelajari sebagai masalah riset dan teknologi, bukan sekadar tugas staf dan crowdsourcing.

Posting tersebut menggambarkan tahap awal pengembangan data AI, yang disebut Data 1.0, sebagai didorong oleh volume data yang lebih sederhana dan sebagian besar merupakan masalah staf dan logistik, serta tahap akhir, yang disebut Data 2.0, yang dipengaruhi oleh kualitas data yang lebih kompleks dan terutama merupakan masalah riset dan teknologi. Menggunakan data pemrograman sebagai contoh, disebutkan bahwa dataset dan lingkungan reinforcement‑learning frontier kini harus meniru masalah perangkat lunak yang dapat menyulitkan insinyur senior selama hari atau minggu, menangkap sinyal reward yang halus pada output berskala produk, menargetkan mode kesalahan model tertentu, menahan upaya model canggih untuk meretas atau curang, serta melewati beberapa ratus pemeriksaan kontrol kualitas.

Untuk menghasilkan data tersebut, posting ini menjelaskan Platform Data Agenik internal di mana pakar manusia didukung oleh model AI khusus dan agen, terkadang ratusan per tipe tugas. Agen‑agen tersebut memperluas sketsa pakar menjadi lingkungan dan contoh data lengkap, mengarahkan upaya manusia menuju target distribusi dan mode kesalahan model, menyediakan umpan balik langsung serta kontrol kualitas pasca‑pengajuan, dan menyalurkan subkomponen ke pakar yang tepat untuk ditinjau. Umpan balik manusia dalam skala besar kemudian digunakan sebagai supervisi lemah untuk mengukur dan meningkatkan agen, sebuah siklus berlipat yang disebut Ratner sebagai RSI, atau mesin perbaikan diri berulang, untuk data.

Ratner melaporkan bahwa dalam pekerjaan data pemrograman, agen khusus yang menjalankan kontrol kualitas bersamaan dengan tinjauan pakar manusia saat ini mempercepat efisiensi QC lebih dari 50 % dan meningkatkan akurasi tinjauan lebih dari 15 poin dibandingkan dengan baseline peninjau manusia yang hanya menggunakan LLM standar. Ia menyatakan bahwa umpan balik manusia yang diskalakan sebagai supervisi lemah kemudian menghasilkan peningkatan akurasi lebih dari 2 kali lipat dibandingkan dengan baseline LLM frontier yang tidak khusus, dan bahwa angka‑angka seperti ini terus meningkat seiring siklus berlanjut.

Benchmark Terbuka dan Rencana Penelitian

Snorkel juga menyatakan bahwa ia akan secara signifikan memperluas program Open Benchmarks Grants, yang mendanai benchmark AI terbuka dan independen. halaman program menyatakan bahwa inisiatif ini didukung oleh komitmen sebesar $3 juta untuk mendanai dataset sumber terbuka, benchmark, dan artefak evaluasi, serta bahwa aplikasi ditinjau secara bergulir. Proposal ditinjau dengan masukan dari komite pengarah yang terdiri dari peneliti akademik dan industri, dan halaman tersebut menyatakan bahwa Snorkel tidak mengarahkan keputusan komite.

Benchmark yang tercantum di halaman tersebut meliputi lini Terminal‑Bench, OSWorld 2.0 bersama XLANG Lab Universitas Hong Kong, Agent’s Last Exam bersama RDI UC Berkeley, Continual Learning Bench bersama SkyLab UC Berkeley dan UW‑Madison, SlopCode Bench bersama UW‑Madison, DARPA, dan National Science Foundation, serta Senior SWE‑bench bersama University of Wisconsin dan Princeton University.

Di luar benchmark, Ratner mengatakan Snorkel berencana untuk berinvestasi secara besar‑besar dalam mendukung model AI khusus, menulis bahwa perusahaan memperkirakan pangsa pengembangan data dunia yang semakin besar akan difokuskan pada AI khusus dalam beberapa tahun ke depan. Ia juga menyatakan bahwa bagian signifikan dari riset dan pengembangan Snorkel dalam tahun‑tahun mendatang akan berfokus pada pengembangan data dan lingkungan untuk penyelarasan dan keamanan AI.