Snorkel AI raccoglie $350M Serie E con una valutazione di $3.5B per creare il Frontier Lab per i dati AI

Snorkel AI ha annunciato un finanziamento Serie E da $350 milioni con una valutazione di $3,5 miliardi il 22 settembre 2026, in un post del blog aziendale scritto dal cofondatore e CEO Alex Ratner. Insight e S32 hanno guidato il round.

La partecipazione è arrivata anche da Third Point, March, Blumberg, Allegis, Standard VC e Frontline, insieme agli investitori esistenti Addition, Lightspeed, Greylock, GV, P7, Wells Fargo, Walden Catalyst Ventures e Factory.

Ratner ha dichiarato che l’offerta di data-as-a-service dell’azienda, lanciata quasi un anno prima, è cresciuta di oltre 18 volte e ha superato un tasso di fatturato annualizzato di $375 milioni nella settimana dell’annuncio. Ha affermato che Snorkel ora collabora con frontier labs, hyperscalers, neolabs, leader verticali dell’AI, imprese e agenzie governative statunitensi.

Finanziamenti precedenti e storia dell’azienda

La Serie E segue la Serie D da $100 milioni di Snorkel con una valutazione di $1,3 miliardi, annunciata in una comunicazione aziendale datata 29 maggio 2025. Addition ha guidato quel round, con la partecipazione di Prosperity 7 Ventures, gli investitori esistenti Greylock e Lightspeed e investitori strategici tra cui BNY e QBE Ventures. La comunicazione del 2025 ha dichiarato che il round ha portato il finanziamento totale di Snorkel a $237 milioni dalla fondazione dell’azienda nel 2019.

Quella comunicazione, datata a Redwood City, California, ha inoltre annunciato la disponibilità generale di Snorkel Evaluate e Snorkel Expert Data-as-a-Service, due nuove offerte sulla piattaforma AI Data Development dell’azienda per la valutazione e la messa a punto di sistemi AI specializzati. Ha affermato che il capitale della Serie D supporterà l’espansione degli sforzi di ingegneria, ricerca e go-to-market dell’azienda.

Data 2.0 e la Agentic Data Platform

Il post di Ratner inquadra il nuovo finanziamento intorno a ciò che chiama Data 2.0. Snorkel è iniziata come progetto di ricerca a Stanford circa un decennio fa, ha scritto, basandosi sulla tesi che il progresso dell’AI diventerà sempre più incentrato sui dati e che lo sviluppo dei dati dovrebbe essere studiato come un problema di ricerca e tecnologia piuttosto che semplicemente come un esercizio di staffing e crowdsourcing.

Il post descrive la prima fase dello sviluppo dei dati AI, denominata Data 1.0, come guidata da grandi volumi di dati più semplici e in gran parte un problema di staffing e logistica, e l’ultima fase, denominata Data 2.0, come guidata dalla qualità di dati più complessi e principalmente un problema di ricerca e tecnologia. Usando i dati di programmazione come esempio, afferma che i dataset e gli ambienti di reinforcement learning di frontiera devono ora approssimare problemi software che un ingegnere senior potrebbe affrontare per giorni o settimane, catturare segnali di ricompensa sfumati su output su scala di prodotto, mirare a specifiche modalità di errore del modello, resistere ai tentativi di modelli avanzati di hackerare o barare, e superare diverse centinaia di controlli di qualità.

Per produrre tali dati, il post descrive una Agentic Data Platform interna in cui gli esperti umani sono supportati da modelli AI specializzati e agenti, a volte centinaia per tipo di compito. Quegli agenti espandono gli schizzi degli esperti in ambienti completi e istanze di dati, guidano lo sforzo umano verso obiettivi distributivi e modalità di errore del modello, forniscono feedback in tempo reale e controllo di qualità post‑sottomissione, e indirizzano le sottocomponenti agli esperti appropriati per la revisione. Il feedback umano su larga scala viene quindi utilizzato come supervisione debole per misurare e migliorare gli agenti, un ciclo di compounding che Ratner definisce un RSI, o motore di auto‑miglioramento ricorsivo, per i dati.

Ratner ha riferito che nel lavoro sui dati di programmazione, gli agenti specializzati che eseguono il controllo di qualità insieme alla revisione degli esperti umani attualmente accelerano l’efficienza del QC di oltre il 50 % e migliorano l’accuratezza della revisione di più di 15 punti rispetto a una baseline di revisori umani che utilizzano solo LLM di serie. Ha affermato che il feedback umano scalato applicato come supervisione debole porta a un miglioramento attuale dell’accuratezza di oltre 2 volte rispetto a una baseline di LLM di frontiera non specializzati, e che metriche come queste migliorano continuamente man mano che il ciclo avanza.

Open Benchmarks e piani di ricerca

Snorkel ha inoltre dichiarato che amplierà significativamente il suo programma Open Benchmarks Grants, che finanzia benchmark AI aperti e indipendenti. La pagina del programma afferma che l’iniziativa è sostenuta da un impegno di $3 milioni per finanziare dataset open‑source, benchmark e artefatti di valutazione, e che le domande sono esaminate su base continuativa. Le proposte sono valutate con il contributo di un comitato direttivo di ricercatori accademici e industriali, e la pagina dichiara che Snorkel non dirige le decisioni del comitato.

I benchmark elencati nella pagina includono la linea Terminal-Bench, OSWorld 2.0 con l’XLANG Lab dell’University of Hong Kong, Agent’s Last Exam con il RDI dell’UC Berkeley, Continual Learning Bench con lo SkyLab dell’UC Berkeley e l’UW‑Madison, SlopCode Bench con l’UW‑Madison, DARPA e la National Science Foundation, e Senior SWE‑bench con l’University of Wisconsin e Princeton University.

Oltre ai benchmark, Ratner ha affermato che Snorkel intende investire pesantemente nel supporto di modelli AI specializzati, scrivendo che l’azienda prevede che una quota sempre più ampia dello sviluppo dei dati a livello mondiale si concentrerà sull’AI specializzata nei prossimi anni. Ha inoltre dichiarato che una parte significativa della ricerca e sviluppo di Snorkel nei prossimi anni si concentrerà sullo sviluppo di dati e ambienti per l’allineamento e la sicurezza dell’AI.