Snorkel AI haalt $350 miljoen Series E op bij een waardering van $3,5 miljard om het Frontier Lab voor AI‑data te bouwen

Snorkel AI kondigde een financieringsronde van $350 miljoen Series E aan tegen een waardering van $3,5 miljard op 22 september 2026, in een bedrijfsblogbericht geschreven door medeoprichter en CEO Alex Ratner. Insight en S32 leidden de ronde.

Ook namen Third Point, March, Blumberg, Allegis, Standard VC en Frontline deel, naast de bestaande investeerders Addition, Lightspeed, Greylock, GV, P7, Wells Fargo, Walden Catalyst Ventures en Factory.

Ratner zei dat de data‑as‑a‑service‑aanbieding van het bedrijf, bijna een jaar geleden gelanceerd, met meer dan 18 keer was gegroeid en in de week van de aankondiging een geannualiseerde omzet van $375 miljoen overschreed. Hij zei dat Snorkel nu samenwerkt met frontier‑labs, hyperscalers, neolabs, verticale AI‑leiders, ondernemingen en Amerikaanse overheidsinstanties.

Eerdere financiering en bedrijfsachtergrond

De Series E volgt op Snorkel’s $100 miljoen Series D bij een waardering van $1,3 miljard, aangekondigd in een bedrijfsmededeling van 29 mei 2025. Addition leidde die ronde, met deelname van Prosperity 7 Ventures, bestaande investeerders Greylock en Lightspeed, en strategische investeerders waaronder BNY en QBE Ventures. De mededeling uit 2025 stelde dat de ronde de totale financiering van Snorkel op $237 miljoen bracht sinds de oprichting van het bedrijf in 2019.

Die mededeling, gedateerd in Redwood City, Californië, kondigde ook de algemene beschikbaarheid van Snorkel Evaluate en Snorkel Expert Data‑as‑a‑Service aan, twee nieuwe aanbiedingen op het AI Data Development Platform van het bedrijf voor het evalueren en afstemmen van gespecialiseerde AI‑systemen. Er werd vermeld dat het Series‑D‑kapitaal de uitbreiding van de engineering, onderzoek en go‑to‑market‑inspanningen van het bedrijf zou ondersteunen.

Data 2.0 en het Agentic Data Platform

Ratner’s bericht plaatst de nieuwe financiering in het kader van wat hij Data 2.0 noemt. Snorkel begon ongeveer een decennium geleden als een onderzoeksproject aan Stanford, schreef hij, op basis van de veronderstelling dat AI‑voortgang steeds meer data‑centraal zal worden en dat data‑ontwikkeling best bestudeerd moet worden als een onderzoeks‑ en technologieprobleem in plaats van louter een personeels‑ en crowdsourcing‑opdracht.

Het bericht beschrijft de eerste fase van AI‑data‑ontwikkeling, aangeduid als Data 1.0, die wordt aangedreven door grote volumes eenvoudige data en grotendeels een personeels‑ en logistiek probleem is, en de laatste fase, aangeduid als Data 2.0, die wordt gedreven door de kwaliteit van complexere data en voornamelijk een onderzoeks‑ en technologieprobleem is. Aan de hand van programmeerdata als voorbeeld stelt het dat frontier‑reinforcement‑learning‑datasets en -omgevingen nu software‑problemen moeten nabootsen waar een senior‑ingenieur dagen of weken mee kan worstelen, genuanceerde beloningssignalen over product‑schaal output moeten vastleggen, specifieke model‑foutmodi moeten targeten, pogingen van geavanceerde modellen om te hacken of te frauderen moeten weerstaan, en enkele honderden kwaliteitscontroles moeten doorstaan.

Om die data te produceren beschrijft het bericht een intern Agentic Data Platform waarin menselijke experts worden ondersteund door gespecialiseerde AI‑modellen en -agenten, soms honderden per taaktype. Die agenten breiden schetsen van experts uit tot volledige omgevingen en data‑instanties, sturen menselijke inspanningen naar distributiedoelen en model‑foutmodi, bieden live feedback en kwaliteitscontrole na indiening, en leiden subcomponenten naar de juiste experts voor beoordeling. Menselijke feedback op schaal wordt vervolgens gebruikt als zwakke supervisie om de agenten te meten en te verbeteren, een zich versterkende lus die Ratner een RSI‑ of recursieve zelfverbeteringsmotor voor data noemt.

Ratner meldde dat bij programmeerdata‑werk gespecialiseerde agenten die kwaliteitscontrole uitvoeren naast menselijke expertbeoordeling momenteel de efficiëntie van QC met meer dan 50 % versnellen en de beoordelingsnauwkeurigheid met meer dan 15 punten verbeteren ten opzichte van een basislijn van menselijke beoordelaars die alleen kant‑en‑klare LLM’s gebruiken. Hij zei dat de opgeschaalde menselijke feedback, toegepast als zwakke supervisie, nu een nauwkeurigheidsverbetering van meer dan 2‑maal oplevert ten opzichte van een niet‑gespecialiseerde frontier‑LLM‑basislijn, en dat dergelijke cijfers continu verbeteren naarmate de lus draait.

Open Benchmarks en onderzoeksplannen

Snorkel zei ook dat het zijn Open Benchmarks Grants‑programma aanzienlijk zal uitbreiden, dat open, onafhankelijke AI‑benchmarks financiert. De pagina van het programma vermeldt dat de inspanning wordt ondersteund door een toezegging van $3 miljoen om open‑source‑datasets, benchmarks en evaluatie‑artefacten te financieren, en dat aanvragen doorlopend worden beoordeeld. Voorstellen worden beoordeeld met input van een stuurgroep van academische en industriële onderzoekers, en de pagina stelt dat Snorkel de beslissingen van de commissie niet stuurt.

Benchmarks die op de pagina worden vermeld, omvatten de Terminal‑Bench‑reeks, OSWorld 2.0 met het XLANG‑Lab van de University of Hong Kong, Agent’s Last Exam met UC Berkeley’s RDI, Continual Learning Bench met UC Berkeley’s SkyLab en UW‑Madison, SlopCode Bench met UW‑Madison, DARPA en de National Science Foundation, en Senior SWE‑bench met de University of Wisconsin en Princeton University.

Naast benchmarks zei Ratner dat Snorkel van plan is fors te investeren in de ondersteuning van gespecialiseerde AI‑modellen, en schreef dat het bedrijf verwacht dat een steeds groter deel van de wereldwijde data‑ontwikkeling zich de komende jaren op gespecialiseerde AI zal richten. Hij zei ook dat een aanzienlijk deel van Snorkel’s onderzoek en ontwikkeling in de komende jaren zich zal richten op data‑ en omgevingsontwikkeling voor AI‑afstemming en -veiligheid.