Présentation et tour de financement
Snorkel AI Inc., créée en 2019 par des chercheurs du Stanford AI Lab, a annoncé une levée de 350 millions de dollars lors d’un tour de série E. Le financement a été mené par Insight et S32, rejoints par plus d’une demi-douzaine d’investisseurs dont le fonds de capital-risque GV d’Alphabet. Cette injection porte la valorisation de l’entreprise à 3,5 milliards de dollars, marquant une étape majeure pour un fournisseur de données d’entraînement dédié à l’intelligence artificielle.
Architecture du produit et évolution du modèle commercial
Le premier produit, Snorkel Flow, automatise la création de jeux de données labellisés pour l’apprentissage supervisé en appliquant des méthodes statistiques développées à Stanford. En 2025, Snorkel AI a pivoté vers un modèle « data‑as‑a‑service », proposant des jeux de données prêts à l’emploi et, plus récemment, des ensembles pour l’apprentissage par renforcement. Ces derniers contiennent des questions sans réponse, obligeant le modèle à générer des solutions que des toutes‑fois des dizaines de milliers d’experts humains évaluent selon des rubriques détaillées pouvant s’étendre sur plusieurs pages, notamment pour les exigences de cybersécurité et de performance du code généré. L’entreprise fournit également des environnements virtuels sandbox afin de simuler des postes de travail développeur ou d’autres contextes d’exécution.
Analyse économique et perspectives techniques
Depuis le lancement de l’offre DaaS il y a près d’un an, Snorkel AI a enregistré une croissance de plus de 18 fois, franchissant un revenu annuel récurrent de 375 millions de dollars. Le capital levé sera dédié à l’embauche de nouveaux ingénieurs, au renforcement des initiatives de sécurité de l’IA et au soutien de benchmarks open‑source d’évaluation de modèles. Cette orientation renforce la chaîne de valeur de l’entraînement des IA en réduisant le goulot d’étiquetage, mais elle repose toujours sur la disponibilité et la cohérence des évaluations humaines, ce qui peut limiter l’évolutivité et introduire des biais si les critères ne sont pas uniformément appliqués.
Limites et risques associés
Le modèle de Snorkel AI dépend fortement d’une main‑d’œuvre humaine massive pour la validation des réponses en apprentissage par renforcement. Des divergences de notation entre deux évaluateurs signalent souvent des incohérences dans les critères, ce qui exige une mise à jour continue des rubriques d’évaluation. De plus, la fourniture de sandboxes personnalisés implique des exigences de sécurité strictes : toute faille dans l’environnement virtuel pourrait exposer les données d’entraînement ou les modèles à des attaques. Ainsi, la viabilité à long terme du service repose sur la capacité à automatiser davantage les évaluations tout en garantissant la robustesse des environnements de formation.
