Snorkel AI wird mit 3,5 Milliarden Dollar bewertet
Snorkel AI hat eine Series-E-Finanzierung über 350 Millionen US-Dollar abgeschlossen. Die neue Runde bewertet das US-Unternehmen mit 3,5 Milliarden US-Dollar. Angeführt wurde sie von Insight Partners und S32, beteiligt waren außerdem Addition, Lightspeed, Greylock, GV und Wells Fargo.
Damit hat sich die Bewertung innerhalb von 17 Monaten deutlich erhöht. Bei der vorherigen Series-D-Runde über 100 Millionen US-Dollar lag sie noch bei 1,3 Milliarden US-Dollar.
| Kennzahl | Angabe |
|---|---|
| Series-E-Finanzierung | 350 Millionen US-Dollar |
| Aktuelle Bewertung | 3,5 Milliarden US-Dollar |
| Vorherige Bewertung | 1,3 Milliarden US-Dollar |
| Zeitraum seit der Series D | 17 Monate |
| Series-D-Finanzierung | 100 Millionen US-Dollar |
Vom Labeling-Werkzeug zum Datenlieferanten
Snorkel AI begann als Anbieter von Software, die das Kennzeichnen von Trainingsdaten automatisiert. Im vergangenen Jahr änderte das Unternehmen sein Modell. Statt nur Werkzeuge bereitzustellen, liefert es nun fertige Datensätze als Data-as-a-Service.
Dafür kombiniert Snorkel AI eigene Software und synthetisch erzeugte Daten mit der Arbeit von Fachexperten. Wie groß der jeweilige Anteil ist, legt das Unternehmen nicht offen. Zum Angebot gehören außerdem simulierte Umgebungen für Reinforcement Learning, bei dem ein Modell durch Rückmeldungen auf seine Aktionen lernt.
Der Marktwert verlagert sich vom reinen Kennzeichnen vorhandener Daten hin zur Entwicklung vollständiger, fachlich spezialisierter Trainingsumgebungen.
Das Unternehmen startete 2019 kommerziell. Vorausgegangen waren vier Jahre Forschung von Mitgründer und CEO Alex Ratner und seinem Team an einem KI-Labor der Stanford University.
375 Millionen Dollar annualisierte Umsatzrate
Snorkel AI beziffert seine aktuelle annualisierte Umsatzrate auf 375 Millionen US-Dollar. Nach Unternehmensangaben entspricht das einer Steigerung um das 18-Fache innerhalb von zwölf Monaten. Die Zahl ist eine Hochrechnung des aktuellen Geschäftsverlaufs und kein testierter Jahresumsatz.
Auch Aussagen zur Profitabilität lassen sich daraus nicht ableiten. Preise für Datensätze und Lernumgebungen veröffentlicht Snorkel AI ebenfalls nicht.
| Geschäftskennzahl | Unternehmensangabe | Einordnung |
|---|---|---|
| Annualisierte Umsatzrate | 375 Millionen US-Dollar | Hochrechnung, kein testierter Jahresabschluss |
| Wachstum in zwölf Monaten | 18-fach | Laut Snorkel AI |
| Profitabilität | Nicht genannt | Aus der Umsatzrate nicht ableitbar |
| Kundenpreise | Nicht veröffentlicht | Kostenvergleich derzeit nicht möglich |
Bei klassischen Expertenmarktplätzen fließen typischerweise 60 % bis 70 % der Bruttoeinnahmen an die beteiligten Fachkräfte. Snorkel AI verkauft dagegen komplette Datensätze und verbucht die Vergütung seiner Experten nach eigenen Angaben als Herstellungskosten. Umsatzangaben verschiedener Datenanbieter sind deshalb nur eingeschränkt vergleichbar.
Trainingsdaten werden zum strategischen Engpass
Für Unternehmen im DACH-Raum liegt die Bedeutung weniger in der Finanzierungsrunde als im veränderten Geschäftsmodell. Wer eigene Modelle trainieren oder bestehende Modelle feinabstimmen will, benötigt belastbare Daten für den jeweiligen Fachbereich. Allgemeine Datenbestände reichen bei spezialisierten Prozessen häufig nicht aus.
Die Entwicklung passt zu einem Markt, in dem Herkunft und Nutzungsrechte von Trainingsdaten zunehmend rechtlich umstritten sind. Anbieter wie Suno setzen deshalb bereits auf vollständig lizenzierte Trainingsbestände. Für Einkaufsentscheidungen werden neben der Datenqualität damit auch Rechteketten, Datenschutz und Dokumentation relevant.
Data-as-a-Service kann den Aufbau eigener KI-Anwendungen beschleunigen und die Abhängigkeit von standardisierten SaaS-Produkten reduzieren. Gleichzeitig entsteht eine neue Bindung an den Datenlieferanten. Wenn Datensätze, Bewertungsregeln oder simulierte Umgebungen nicht übertragbar sind, lässt sich ein Anbieterwechsel nur mit erheblichem Aufwand umsetzen.
Was Unternehmen vor dem Einkauf prüfen sollten
Entscheidend ist, ob Datensätze exportiert, intern weiterverwendet und mit anderen Modellen kombiniert werden dürfen. Ebenso relevant sind die Herkunft der Daten, die Qualifikation der eingesetzten Experten und die Reproduzierbarkeit der Bewertungsverfahren. Bei personenbezogenen oder vertraulichen Informationen kommen Speicherort, Zugriffskontrollen und Löschkonzepte hinzu.
Eigene Modelle werden durch externe Datendienste nicht automatisch unabhängig. Sie verschieben die Abhängigkeit lediglich von einem Software-Anbieter zu einem spezialisierten Datenlieferanten. Wirtschaftlich sinnvoll wird dieser Weg vor allem dann, wenn die Daten dauerhaft nutzbar bleiben und mit günstigeren Open-Weights-Modellen oder selbst betriebenen Systemen kombiniert werden können.