Snorkel AI, $350M 시리즈 E 투자 유치, $3.5B 가치 평가로 AI 데이터 프론티어 랩 구축

Snorkel AI는 2026년 9월 22일에 $3.5 billion 가치 평가로 $350 million 시리즈 E 자금을 발표했으며, 공동 창업자이자 CEO인 Alex Ratner가 작성한 회사 블로그 게시물에서 공개했습니다. Insight와 S32가 라운드를 주도했습니다.

참여 투자자로는 Third Point, March, Blumberg, Allegis, Standard VC, Frontline이 있으며, 기존 투자자인 Addition, Lightspeed, Greylock, GV, P7, Wells Fargo, Walden Catalyst Ventures, Factory도 포함되었습니다.

Ratner는 거의 1년 전에 출시된 회사의 데이터‑as‑a‑service 제공이 18배 이상 성장했으며 발표 주에 연간 $375 million 매출 규모를 돌파했다고 밝혔습니다. 그는 Snorkel이 현재 프론티어 랩, 하이퍼스케일러, 뉴랩, 수직 AI 리더, 기업 및 미국 정부 기관과 파트너십을 맺고 있다고 말했습니다.

이전 자금 조달 및 회사 배경

시리즈 E는 $1.3 billion 가치 평가로 $100 million 시리즈 D에 이어 진행된 것으로, 2025년 5월 29일자 회사 보도자료에서 발표되었습니다. Addition이 해당 라운드를 주도했으며, Prosperity 7 Ventures, 기존 투자자인 Greylock와 Lightspeed, 그리고 BNY와 QBE Ventures를 포함한 전략적 투자자들이 참여했습니다. 2025년 보도자료에 따르면, 이번 라운드로 Snorkel의 총 자금은 2019년 설립 이후 $237 million에 이르게 되었습니다.

캘리포니아 레드우드 시티에서 발표된 해당 보도자료는 Snorkel Evaluate와 Snorkel Expert Data-as-a-Service의 일반 제공을 발표했으며, 이는 특화된 AI 시스템을 평가하고 튜닝하기 위한 회사의 AI 데이터 개발 플랫폼의 두 가지 신규 서비스입니다. 또한 시리즈 D 자금이 회사의 엔지니어링, 연구 및 시장 진출 노력 확장을 지원할 것이라고 밝혔습니다.

Data 2.0 및 에이전틱 데이터 플랫폼

Ratner의 게시물은 이번 신규 자금을 그가 ‘Data 2.0’이라고 부르는 개념을 중심으로 설명합니다. 그는 Snorkel이 약 10년 전 스탠포드에서 연구 프로젝트로 시작했으며, AI 발전이 점점 데이터 중심이 될 것이고 데이터 개발은 단순히 인력 배치와 크라우드소싱이 아니라 연구 및 기술 문제로 다루어져야 한다는 논문을 제시했습니다.

이 게시물은 AI 데이터 개발의 초기 단계인 Data 1.0을 단순 데이터의 대량과 주로 인력 및 물류 문제로 설명하고, 마지막 단계인 Data 2.0을 보다 복잡한 데이터의 품질에 의해 주도되며 주로 연구 및 기술 문제라고 정의합니다. 코딩 데이터를 예시로 들며, 프론티어 강화학습 데이터셋과 환경은 이제 고급 엔지니어가 며칠 또는 몇 주 동안 어려워할 수 있는 소프트웨어 문제를 근사해야 하고, 제품 규모 출력에 대한 미묘한 보상 신호를 포착하며, 특정 모델 오류 모드를 목표로 하고, 고급 모델이 해킹하거나 속이는 시도를 방지하며, 수백 개의 품질 관리 검사를 통과해야 한다고 설명합니다.

그 데이터를 생산하기 위해, 게시물은 인간 전문가가 전문 AI 모델 및 에이전트에 의해 지원되는 내부 에이전틱 데이터 플랫폼을 설명합니다. 작업 유형당 수백 개에 달할 수 있는 이러한 에이전트는 전문가 스케치를 전체 환경 및 데이터 인스턴스로 확장하고, 인간의 노력을 분포 목표와 모델 오류 모드로 안내하며, 실시간 피드백 및 제출 후 품질 관리를 제공하고, 하위 구성 요소를 적절한 전문가에게 검토를 위해 전달합니다. 대규모 인간 피드백은 약한 감독으로 활용되어 에이전트를 측정·향상시키는 복합 루프를 형성하는데, Ratner는 이를 RSI(재귀적 자기 개선) 엔진이라고 부릅니다.

Ratner는 코딩 데이터 작업에서, 인간 전문가 검토와 병행하여 품질 관리를 수행하는 전문 에이전트가 현재 QC 효율성을 50% 이상 가속화하고, 오프‑더‑쉘프 LLM만을 사용하는 인간 검토자 기준에 비해 검토 정확도를 15점 이상 향상시킨다고 보고했습니다. 그는 규모화된 인간 피드백을 약한 감독으로 적용하면 비전문 프론티어 LLM 기준에 비해 현재 2배 이상의 정확도 향상이 이루어지며, 이러한 수치는 루프가 진행될수록 지속적으로 개선된다고 말했습니다.

오픈 벤치마크 및 연구 계획

Snorkel은 또한 오픈, 독립 AI 벤치마크에 자금을 지원하는 Open Benchmarks Grants 프로그램을 크게 확대할 것이라고 밝혔습니다. 프로그램 페이지에 따르면 이 노력은 오픈소스 데이터셋, 벤치마크 및 평가 아티팩트를 지원하기 위해 $3 million 약속을 기반으로 하며, 신청서는 지속적으로 검토됩니다. 제안서는 학계와 산업계 연구자들로 구성된 운영 위원회의 의견을 받아 검토되며, 페이지는 Snorkel이 위원회의 결정을 직접 지시하지 않는다고 명시하고 있습니다.

페이지에 나열된 벤치마크에는 Terminal‑Bench 라인, University of Hong Kong의 XLANG Lab과 함께하는 OSWorld 2.0, UC Berkeley의 RDI와 함께하는 Agent’s Last Exam, UC Berkeley의 SkyLab 및 UW‑Madison과 함께하는 Continual Learning Bench, UW‑Madison, DARPA, National Science Foundation과 함께하는 SlopCode Bench, 그리고 University of Wisconsin와 Princeton University와 함께하는 Senior SWE‑bench이 포함됩니다.

벤치마크 외에도, Ratner는 Snorkel이 전문 AI 모델 지원에 대규모 투자를 계획하고 있으며, 향후 몇 년 동안 전 세계 데이터 개발의 점점 더 큰 비중이 전문 AI에 집중될 것으로 예상한다고 밝혔습니다. 또한 그는 앞으로 몇 년간 Snorkel의 연구·개발 중 상당 부분이 AI 정렬 및 안전을 위한 데이터와 환경 개발에 초점을 맞출 것이라고 말했습니다.