Labelbox haalt meer dan $100 miljoen op in Series E-ronde bij waardering van $1,25 miljard om RL en AI-agenten verder te ontwikkelen

Labelbox maakte op 14 oktober 2026 bekend dat het meer dan $100 miljoen heeft opgehaald in een Series E-financieringsronde bij een pre-moneywaardering van $1,25 miljard. De ronde werd geleid door Infinitum Partners en combineert aandelenkapitaal met een kredietfaciliteit.

Ook Wipro Ventures, Andreessen Horowitz (a16z), B Capital, Tau Ventures en Snowpoint Ventures namen deel, naast andere investeerders. CEO en medeoprichter Manu Sharma lichtte de voorwaarden toe in een blogbericht van het bedrijf. Het bedrijf zei dat de financiering doorlopend onderzoek en engineering voor zijn twee kernproducten, Horizon en Recursion Managed Agents, zal ondersteunen, evenals de uitbreiding van de teams die deze producten naar klanten brengen. Sharma schreef dat toegang tot rekenkracht centraal zal staan in de volgende fase van het bedrijf. Daarbij merkte hij op dat John Yetimoglu van Infinitum al vroeg in Groq investeerde en nu betrokken is bij de bouw van grootschalige rekeninfrastructuur bij GroqCloud.

Positie en geschiedenis van het bedrijf

Labelbox verklaarde dat het in 2026 winstgevend werd en tegelijkertijd jaar op jaar meer dan vijf keer zo groot groeide. Het bedrijf meldt meer dan 400 klanten te hebben, waaronder ruim 90% van de toonaangevende Amerikaanse AI-labs. Volgens het bedrijf bestaat het klantenbestand uit frontier-AI-labs, hyperscalers, startups en Fortune 500-bedrijven.

Sharma, Brian en Dan richtten Labelbox op in 2018. In een bericht van een van de oprichters schreef Sharma dat hij naar de Verenigde Staten kwam om te leren vliegtuigen en raketten te ontwerpen en te bouwen. Hij werkte aan computationele vloeistofdynamica en neurale netwerken. Zijn latere functies bij DroneDeploy en Planet Labs lieten hem zien hoeveel potentieel er op het gebied van machine learning in data lag.

Het bericht beschrijft de geschiedenis van het bedrijf in drie fasen: software voor trainingsdata voor mensen die AI bouwen; omgevingen voor reinforcement learning die werden ontwikkeld na wat Sharma het ChatGPT-moment noemt, toen de meest capabele modellen zich begonnen te verbeteren door echt werk te oefenen; en agents, die het bedrijf eerst voor eigen gebruik ontwikkelde voordat het systeem beschikbaar werd gesteld aan klanten.

Sharma schreef ook dat Labelbox zelf elke laag van zijn platform bouwt: een agentframework voor agents met een uiterst lange looptijd, sandboxinfrastructuur die miljoenen virtuele machines uitvoert, een eigen infrastructuur voor post-training met reinforcement learning en een expertisennetwerk van meer dan 4 miljoen mensen.

Reinforcement-learningomgevingen van Horizon

Volgens het bedrijf bouwt Horizons WorldSim-systeem gesimuleerde bedrijven met code, dashboards, spreadsheets, presentaties en documenten vol realistische bedrijfsgegevens. Een model probeert daarin van begin tot eind een moeilijke taak met meerdere stappen uit te voeren, waarbij elke stap als een traject wordt vastgelegd. Deterministische verifiers beoordelen elk traject bij iedere uitvoering op dezelfde manier. Als twee trajecten allebei correct zijn, leert de voorkeur van een expert het model wat Sharma ‘smaak’ noemt. Het bedrijf zegt te werken op een schaal van duizenden werelden en miljoenen beoordeelde trajecten, afgestemd op de pass@k-doelstellingen van een lab voor coderen, computergebruik, onderzoek, multimodaal werk en spraakwerk.

Op de productpagina van Horizon staan onder meer autonome AI-research, coderen met agents en softwareontwikkeling, multimodaal kenniswerk, spraak met agentisch gebruik van tools, computergebruik en cyberbeveiliging als toepassingsgebieden vermeld. Sharma schreef dat Labelbox inmiddels samenwerkt met 90% van de toonaangevende frontier-AI-labs en hyperscalers.

Recursion Managed Agents

In de aankondiging van de financiering staat dat Labelbox Recursion Managed Agents eerder in oktober 2026 beschikbaar stelde aan zakelijke klanten. Volgens het ontwerp van het product krijgt een beheerde agent een doel, een trigger zoals een planning, een waarschuwing, een Slack-bericht, een webhook of een API-aanroep, en een beoordelingskader waarin staat waaraan goed werk moet voldoen. Een aparte beoordelingsagent beoordeelt elke uitvoering regel voor regel aan de hand van het beoordelingskader en verwijst bij elke beoordeling naar bewijs. Als het werk niet aan de eisen voldoet, past de agent het aan.

Agents kunnen in drie modi werken: de modus met meerdere agents, waarin een coördinator specialisten achter elkaar inzet die elk hun eigen model, instructies, tools en machtigingen hebben; de teammodus, waarin exemplaren van een agent het werk verdelen op een gedeeld bord en elkaars resultaten controleren; en de automatische modus, de standaardinstelling, waarin de agent zelf bepaalt wanneer een taak specialisten of een team vereist.

Volgens het bedrijf werken de agents met meer dan 100 zakelijke applicaties en elke MCP-server. Elke tool is ingesteld op alleen-lezen, gegevens wijzigen of destructief; inloggegevens worden in een kluis bewaard, zodat het model ze nooit te zien krijgt. Sessies draaien in geïsoleerde sandboxomgevingen. Labelbox zegt dat het platform bij elke LLM-provider werkt zonder gegevens te bewaren. Het vermelde complianceprogramma omvat SOC 2 Type II, GDPR, CCPA, NIST 800-171 en PCI DSS. De prijs wordt berekend per uur agentsessie, waarbij de kosten voor rekenkracht en modellen in één schatting worden samengevoegd. Bestaande zakelijke klanten van Labelbox krijgen een eenmalig tegoed van $100.

In een bericht over de productlancering van 8 oktober 2026 beschreef Labelbox de interne uitrol bij het bedrijf als volgt: „De verrassing was niet dat agents het werk konden doen. Het was hoe snel ze er beter in werden.” Het bedrijf meldt 51 agents in te zetten bij 11 teams, op het gebied van softwareontwikkeling, betrouwbaarheid, beveiliging, machine-learningonderzoek, evaluaties, productontwikkeling, financiën, verkoop, strategie en inkoop.

In één intern voorbeeld meldde Labelbox dat zijn agent voor het beoordelen van pull requests 39 beoordeelde reviews uitvoerde met één versie van de agent en één model. Van de 33 reviews die de beoordeling doorstonden, daalden de mediane kosten van $13,15 voor de eerste 11 reviews naar $8,90 voor de laatste 11: 32% minder per review. Het geheugen van de agent werd ondertussen 15 keer bijgewerkt en de tijd per review bleef ongeveer 27 minuten. Volgens de geheugenmechanismen van het product leest een curatoragent de sessierapporten zodra er vijf nieuwe zijn en werkt die het geheugen van de agent bij, maximaal één keer per uur. Klanten kunnen bekijken wat een agent heeft geleerd en lessen verwijderen die niet langer van toepassing zijn.