La financiación de Snorkel AI alcanza los 350 millones de dólares mientras su apuesta por una fábrica de datos logra una valoración de 3.500 millones

La financiación de Snorkel AI alcanzó los 350 millones de dólares en una ronda Serie E, elevando la valoración de la startup a 3.500 millones. La financiación asigna una cifra inusualmente alta a una apuesta concreta: que la próxima limitación de la IA avanzada será la calidad de sus tareas de entrenamiento, entornos de evaluación y comentarios de expertos.

La ronda, anunciada el 22 de septiembre, fue codirigida por Insight Partners y S32. Sigue a una Serie D de 100 millones de dólares que valoró Snorkel en 1.300 millones. En menos de un año y medio, la empresa ha multiplicado por casi tres su valoración.

La financiación no es simplemente otro respaldo al etiquetado de datos. Snorkel ha pasado de vender software de automatización a entregar conjuntos de datos terminados y entornos de aprendizaje por refuerzo. Este movimiento la enfrenta a proveedores de mano de obra experta como Mercor, Handshake, Turing y Micro1, mientras la industria se reorganiza en torno a la relación más estrecha de Scale AI con Meta.

La financiación de Snorkel AI sigue una afirmación de crecimiento de 18 veces

La ronda recompensa a Snorkel por convertirse en proveedor de datos, no simplemente en una empresa que vende software de etiquetado de datos.

Snorkel afirma que su tasa de ingresos anualizada ha alcanzado los 375 millones de dólares. La empresa también asegura que su nueva operación de datos como servicio creció más de dieciocho veces durante el último año.

Una tasa anualizada proyecta los ingresos recientes a lo largo de un año completo. No significa que Snorkel ya haya registrado 375 millones de dólares según la contabilidad anual estándar. Sin embargo, la cifra ofrece una medida útil de la demanda que la dirección y los inversores dicen estar observando.

El anuncio de financiación indica que la empresa ampliará su “fábrica de datos agéntica”. Snorkel utiliza ese término para un sistema de producción que combina especialistas, software y modelos de IA especializados.

La empresa planea aumentar su capacidad, entrar en más industrias y extender su trabajo a tipos de datos adicionales. Menciona específicamente la atención sanitaria, el derecho y la ingeniería de software como ámbitos adecuados para proyectos más largos y complejos.

Entre los nuevos inversores figuran March Capital, Blumberg Capital, Allegis Capital, Frontline, Standard y Third Point Ventures. También participaron los actuales respaldos Addition, Greylock, Lightspeed, GV, Factory, Prosperity7, Walden Catalyst y Wells Fargo.

La valoración de Snorkel AI de 3.500 millones de dólares importa porque refleja un cambio rápido en lo que los clientes parecen estar dispuestos a comprar. El producto original de Snorkel ayudaba a los equipos técnicos a automatizar la creación de datos etiquetados. Su servicio más reciente asume la responsabilidad de producir el material final de entrenamiento.

Esa diferencia cambia tanto la relación con el cliente como la economía del negocio. Los clientes de software operan las herramientas por sí mismos. En cambio, un cliente de datos como servicio espera un conjunto de datos, benchmark, rúbrica o entorno simulado que pueda utilizar.

Snorkel lanzó comercialmente su nuevo servicio en septiembre de 2025. Sus raíces se remontan a la investigación liderada por el cofundador y CEO Alex Ratner en Stanford.

La tesis anterior de la startup se centraba en la supervisión débil. Esta técnica permite a los especialistas codificar heurísticas en funciones de etiquetado en lugar de asignar manualmente cada etiqueta. Después, los modelos estadísticos estiman qué fuentes de etiquetado son fiables y concilian los desacuerdos entre ellas.

Esa investigación se diseñó para reducir el coste de construir conjuntos convencionales de entrenamiento. La nueva ambición de Snorkel va más allá de ese flujo de trabajo original. La empresa ahora quiere producir las tareas y los entornos utilizados para entrenar y evaluar sistemas avanzados de razonamiento.

El cambio explica por qué la ronda es mayor que una inversión rutinaria de expansión. Snorkel se está integrando más profundamente en los procesos de desarrollo de modelos de sus clientes. También está asumiendo más responsabilidad por la calidad de lo que producen esos procesos.

Esto genera la tensión central detrás de la historia de financiación de Snorkel AI. Los inversores valoran la empresa como un proveedor tecnológico escalable. Sin embargo, su producción todavía depende de expertos costosos, una evaluación cuidadosa e investigación específica para cada cliente.

Por qué los datos de entrenamiento de IA se convirtieron en el nuevo cuello de botella

Los mejores modelos no han eliminado el trabajo humano con datos; han hecho que el trabajo más valioso sea más difícil y especializado.

Los primeros negocios de etiquetado de datos podían dividir los proyectos en un gran número de tareas simples. Los trabajadores podían clasificar una imagen, marcar un objeto o decidir si una respuesta breve correspondía a una categoría.

Los modelos de razonamiento requieren otro tipo de material. Necesitan problemas complejos, reglas de puntuación detalladas, acceso realista a herramientas y ejemplos de trabajo exitoso de varios pasos. Un trabajador convencional no puede diseñar de forma fiable un ejercicio de investigación jurídica ni evaluar una sesión avanzada de depuración de software.

Snorkel denomina a este cambio “Data 2.0”. El término forma parte de la marca de la empresa, pero el cambio subyacente es visible en todo el mercado. Los laboratorios de frontera buscan cada vez más expertos capaces de crear y evaluar tareas difíciles, en lugar de etiquetar ejemplos evidentes.

Un entorno de aprendizaje por refuerzo es un contexto controlado en el que un modelo intenta realizar tareas y recibe señales sobre su rendimiento. Para un agente de programación con IA, ese entorno podría incluir un repositorio, herramientas de desarrollo, pruebas y un sistema de puntuación.

Construir ese entorno requiere más que recopilar respuestas. Los diseñadores deben especificar la tarea, anticipar modos de fallo, establecer resultados válidos e impedir que el modelo explote debilidades de la evaluación.

Las rúbricas añaden otra capa exigente. Una rúbrica deficiente puede recompensar una respuesta aparentemente plausible que contiene errores ocultos. También puede penalizar un enfoque correcto porque la respuesta esperada era demasiado limitada.

Snorkel sostiene que los sistemas de IA deberían ayudar a los expertos a crear estos materiales. Sus modelos pueden generar tareas candidatas, identificar carencias y respaldar los controles de calidad. Después, los especialistas humanos revisan el trabajo y aportan el criterio del que carece la automatización.

Este mecanismo híbrido diferencia los datos como servicio de Snorkel AI de un mercado directo de expertos. Un mercado conecta principalmente a los clientes con los trabajadores. Snorkel afirma que está construyendo un sistema de producción repetible en torno a los expertos.

Ratner describe el enfoque como un ciclo. Los modelos especializados aceleran la producción de los expertos, mientras la supervisión humana aporta datos que mejoran esos modelos. Si ese ciclo funciona, Snorkel puede aumentar la producción sin sumar mano de obra al mismo ritmo.

La tesis de investigación sobre datos de la empresa indica que sus clientes incluyen laboratorios de frontera, proveedores de nube, empresas de IA especializadas, compañías y organismos gubernamentales de Estados Unidos. Snorkel no ha identificado públicamente a los clientes detrás de su última cifra de ingresos.

Su historia técnica da cierta base al argumento. La investigación original sobre supervisión débil determinó que los expertos en la materia construían modelos 2,8 veces más rápido en un estudio de usuarios controlado. La investigación también abarcó colaboraciones en entornos médicos y gubernamentales.

Esos resultados anteriores no validan la actual fábrica de datos agéntica de la empresa. Las tareas modernas de razonamiento difieren sustancialmente de los problemas de clasificación examinados en el trabajo original. Sí muestran que el intento de Snorkel de codificar el criterio experto en software antecede al actual ciclo de inversión.

La demanda también aumenta porque los creadores de modelos no pueden depender indefinidamente del texto de internet disponible. El material público es desigual, está duplicado y a menudo se ajusta mal a tareas especializadas. Es posible que los flujos de trabajo empresariales sensibles ni siquiera aparezcan en línea.

Un agente jurídico debe aprender cómo los profesionales examinan las fuentes, manejan pruebas contradictorias y justifican conclusiones. Un sistema sanitario necesita material cuidadosamente gobernado que refleje el contexto clínico. Un agente de programación necesita tareas ejecutables cuyo éxito pueda probarse en lugar de adivinarse.

Estos requisitos convierten el desarrollo de datos en un problema de investigación. También otorgan a los proveedores más influencia sobre el rendimiento de los modelos. El proveedor que diseña una evaluación puede moldear lo que el cliente mide y, finalmente, aquello que el modelo aprende a optimizar.

Para los compradores empresariales, esto hace que la procedencia de los datos y el contexto de los flujos de trabajo sean más importantes. Las organizaciones que ya están construyendo una base de conocimiento de IA afrontan un problema relacionado. Una producción útil de IA depende de información relevante y gobernada, no del mero volumen de documentos.

Snorkel apuesta a que los laboratorios de modelos llegarán a la misma conclusión a una escala mucho mayor. La materia prima abunda, pero las tareas y los juicios fiables siguen siendo escasos.

La verdadera competencia enfrenta datos potenciados por software contra mano de obra experta

La principal competencia de Snorkel no es una sola empresa; es el método intensivo en mano de obra que ahora produce gran parte de los datos expertos de la industria.

Mercor, Handshake, Turing y Micro1 se han expandido conectando a desarrolladores de IA con trabajadores cualificados. Sus redes pueden reclutar ingenieros, científicos, abogados y otros especialistas para proyectos de entrenamiento de modelos.

Este enfoque tiene una ventaja directa. Los clientes pueden pedir a personas con conocimientos que creen ejemplos, revisen respuestas o realicen trabajo realista. Los datos resultantes reflejan habilidades que los modelos de propósito general todavía tienen dificultades para reproducir de manera consistente.

También implica un coste estructural. El proveedor debe pagar a los especialistas que realizan el trabajo. A medida que aumentan los ingresos, los gastos laborales pueden aumentar con ellos.

Según la economía de datos reportada, los proveedores de mercados de expertos pueden transferir aproximadamente entre el 60% y el 70% de sus ingresos brutos a los especialistas. Por tanto, sus cifras anualizadas ampliamente citadas pueden ser mucho mayores que los ingresos que retienen tras esos pagos.

Snorkel presenta sus cifras de otra manera. Vende conjuntos de datos y entornos terminados, y después contabiliza los pagos a expertos dentro de su coste de los bienes vendidos. Esto hace que su tasa de 375 millones de dólares sea más comparable con los ingresos de un proveedor que con el volumen bruto de reservas de un mercado laboral.

La distinción es importante, pero no resuelve la competencia. El coste de los bienes vendidos aún afecta al margen bruto, al uso de efectivo y a la complejidad operativa. Trasladar los pagos a expertos a una línea contable diferente no hace que esos gastos desaparezcan.

El argumento de Snorkel depende del apalancamiento del software. Si sus modelos y flujos de trabajo ayudan a un especialista a producir una cantidad sustancialmente mayor de datos validados, la empresa podría retener márgenes más sólidos a medida que crece.

Ese es el mecanismo que respalda la valoración de Snorkel AI de 3.500 millones de dólares. Los inversores no solo esperan un mayor gasto en datos de entrenamiento. Esperan que el proceso de producción de Snorkel capture ese gasto de manera más eficiente que un modelo convencional de contratación de personal.

La eficiencia por sí sola no determinará al ganador. Los clientes también se preocupan por la confidencialidad, el tiempo de entrega, la cobertura de dominios y si los datos entregados mejoran un modelo específico.

Una plataforma de fuerza laboral puede reunir rápidamente a personas de muchos campos. El enfoque de Snorkel exige desarrollar sistemas especializados que respalden a esos expertos. Su método puede volverse más defendible, pero quizá tarde más en configurarse para un nuevo dominio.

Es poco probable que el mercado se consolide en un único proveedor universal. Los laboratorios de frontera suelen usar varios proveedores porque sus proyectos difieren según la modalidad, la sensibilidad y la experiencia requerida. Una empresa podría utilizar un marketplace para una evaluación y una fábrica de datos impulsada por tecnología para otra.

Por tanto, Snorkel debe demostrar que su software aporta valor medible a cada encargo. No basta con generar más tareas candidatas. Esas tareas deben cubrir capacidades relevantes, resistir atajos y producir señales de entrenamiento fiables.

La empresa también necesita acceso a personas cualificadas. Los borradores generados por IA todavía requieren juicio humano cuando la tarea implica ambigüedad jurídica, decisiones clínicas, seguridad o ingeniería avanzada. La escasez de expertos puede limitar tanto a los proveedores liderados por software como a los basados en marketplaces.

Esto hace que el posicionamiento de Snorkel sea más matizado que «la automatización sustituye a los etiquetadores». Su propuesta real es que los expertos supervisen máquinas que producen datos, en lugar de crear manualmente cada elemento.

Si los clientes aceptan ese modelo, Snorkel puede convertirse en infraestructura para el desarrollo de IA. Si no lo hacen, corre el riesgo de operar como una costosa empresa de servicios con sofisticadas herramientas internas.

El acuerdo de Meta con Scale AI abrió una oportunidad para proveedores neutrales

La expansión de Snorkel llega después de que la industria aprendiera que la propiedad de un proveedor de datos puede convertirse en una preocupación competitiva.

La inversión de Meta en Scale AI en 2025 alteró las relaciones establecidas en todo el mercado de datos de entrenamiento. Scale había prestado servicios a varios grandes desarrolladores de modelos, mientras Meta competía directamente con muchos de esos clientes.

Esa combinación planteó dudas sobre la neutralidad. Los laboratorios de modelos protegen estrechamente sus métodos de entrenamiento, prioridades de evaluación y áreas de debilidad. Un proveedor puede obtener información sensible simplemente al ver las tareas que solicitan los clientes.

Tras el acuerdo, según informes, OpenAI y Google comenzaron a reducir su trabajo con Scale. Competidores dijeron haber recibido un repentino aumento del interés de clientes. Scale sostuvo que su compromiso de proteger la información de los clientes no había cambiado.

La disputa sobre la neutralidad de los proveedores reveló que los datos de entrenamiento no son un insumo básico. Las preguntas que formula un laboratorio pueden revelar dónde falla su modelo y qué planea construir después.

Snorkel puede beneficiarse de esa oportunidad sin reemplazar directamente a Scale. Puede presentarse como un socio independiente cuyos incentivos no favorecen a un laboratorio de frontera competidor.

Sin embargo, la neutralidad es una promesa que requiere respaldo operativo. Los clientes examinarán los controles de acceso, las políticas para empleados, la retención de datos, las prácticas de entrenamiento de modelos y las protecciones contractuales. Una amplia lista de inversores no responde a esas preguntas.

La financiación da a Snorkel mayor capacidad para competir por demanda desplazada o recientemente diversificada. Puede contratar expertos, desarrollar entornos especializados y respaldar proyectos grandes que proveedores más pequeños podrían tener dificultades para absorber.

Scale también sigue siendo un competidor importante, con relaciones consolidadas y amplia experiencia operativa. Su cercanía a Meta genera inquietudes para algunos compradores, pero puede aportar capital, recursos técnicos y un gran cliente ancla.

Mientras tanto, los proveedores de marketplaces tienen su propio argumento de neutralidad. Pueden afirmar que su función central consiste en reclutar talento, en lugar de aplicar modelos propietarios a los datos de los clientes. Ese planteamiento puede atraer a laboratorios que desean un control más estricto sobre la metodología.

Por tanto, Snorkel debe establecer dos formas de confianza. Necesita proteger la información confidencial de los clientes y demostrar que su automatización no reduce la calidad de los datos.

El segundo aspecto se vuelve más difícil a medida que los sistemas ganan autonomía. Un modelo de IA puede generar miles de tareas que parecen diversas mientras repiten las mismas suposiciones ocultas. También puede crear evaluaciones contaminadas por el conocimiento de las respuestas esperadas.

Los revisores humanos pueden pasar por alto estos patrones cuando aumentan los volúmenes de producción. El control de calidad debe poner a prueba la propia fábrica de datos, no solo inspeccionar una muestra de sus resultados.

Esta preocupación es especialmente importante para el aprendizaje por refuerzo. Una recompensa mal diseñada puede enseñar a un modelo a satisfacer la medición sin completar la tarea prevista. El modelo mejora en el benchmark mientras sigue siendo poco fiable en la práctica.

Snorkel afirma que su proceso combina excelencia humana con investigación y tecnología. Los inversores se hacen eco de esa posición y describen el enfoque de la empresa como de nivel investigador. Estas declaraciones explican la tesis de inversión, pero siguen siendo afirmaciones de partes interesadas.

La evidencia independiente deberá mostrar que los clientes logran mejores modelos, evaluaciones más fiables o menores costes totales de desarrollo. El crecimiento de los ingresos demuestra que los clientes están gastando. No demuestra por sí solo que cada entorno entregado mejore la calidad del modelo.

Esta distinción debería importar a los compradores empresariales. Un benchmark puede parecer riguroso, producir puntuaciones precisas y aun así no representar el trabajo real. Los compradores deberían preguntar cómo se generaron las tareas, quién las validó y qué casos de fallo se excluyeron.

La financiación de Snorkel le ayuda a responder estas preguntas con más investigación e infraestructura. También eleva las expectativas. Una empresa valorada en $3.500 millones debe convertir las ventajas metodológicas en resultados repetibles para los clientes.

Lo que la tasa anualizada de $375M no muestra

La mayor incertidumbre es si Snorkel puede preservar la calidad y los márgenes mientras transforma proyectos intensivos en investigación en un negocio escalable.

La cifra de ingresos anualizados procede de Snorkel. La empresa no ha divulgado ingresos anuales auditados, margen bruto, concentración de clientes, duración de contratos ni pérdidas operativas.

Estas omisiones son normales en un anuncio de financiación privada. Aun así, limitan lo que los observadores externos pueden inferir de la afirmación de crecimiento de dieciocho veces.

Una tasa anualizada puede cambiar rápidamente cuando los ingresos provienen de grandes proyectos. Si unos pocos laboratorios de frontera representan una parte significativa del trabajo actual, los contratos retrasados podrían afectar materialmente la proyección.

La concentración de clientes es especialmente relevante en este mercado. Solo un número limitado de empresas opera programas de modelos a escala de frontera. Cuentan con experiencia técnica, considerable poder de compra y fuertes incentivos para utilizar varios proveedores.

La valoración de Snorkel AI también supone que la demanda actual persiste. Los laboratorios de IA están invirtiendo agresivamente en postentrenamiento y evaluación, pero sus métodos siguen cambiando. Una nueva técnica de entrenamiento podría alterar el equilibrio entre datos creados por humanos, sintéticos y verificados automáticamente.

Los datos sintéticos son ejemplos producidos por modelos en lugar de recopilarse directamente de personas o del mundo. Pueden ampliar rápidamente la oferta, pero los errores y sesgos pueden propagarse cuando los modelos aprenden repetidamente de material generado por máquinas.

El proceso de humanos y agentes de Snorkel busca gestionar ese riesgo. La empresa afirma que los especialistas siguen participando en la creación y supervisión de trabajos difíciles. Lo que sigue sin estar claro es cuánta revisión humana necesita cada resultado a escala comercial.

La respuesta determina la economía del negocio. Una revisión intensiva puede proteger la calidad al tiempo que limita la expansión de márgenes. Una revisión ligera puede mejorar el rendimiento, pero aumentar la probabilidad de defectos sutiles.

La combinación de productos y servicios de la empresa plantea otra cuestión. El software estandarizado suele ofrecer despliegues previsibles y márgenes incrementales más sólidos. Los conjuntos de datos y entornos personalizados pueden generar altos ingresos, pero cada cliente puede requerir una investigación distinta.

Snorkel afirma que su tecnología hace repetibles esos proyectos personalizados. Los inversores están apostando, en efecto, a que el sistema de producción compartido importará más que las diferencias entre los encargos individuales.

Esa propuesta debe ponerse a prueba a nivel de dominio. Un flujo de trabajo que acelera la creación de tareas de programación puede no trasladarse limpiamente a la medicina. La interpretación jurídica y la toma de decisiones sanitarias también implican incertidumbre que no siempre puede reducirse a pruebas ejecutables.

Los clientes regulados introducen exigencias adicionales. Necesitan procedencia, controles de acceso, revisión documentada y responsabilidad clara cuando los datos generados contienen errores. Cumplir esos requisitos puede profundizar las relaciones con clientes, pero añade costes.

La competencia presionará al negocio desde ambas direcciones. Los marketplaces de expertos pueden invertir en su propia automatización. Los laboratorios de modelos también pueden construir fábricas internas de datos, especialmente cuando una tarea revela información estratégica.

Los grandes clientes pueden externalizar capacidad mientras retienen sus evaluaciones más sensibles. Eso dejaría a los proveedores con ingresos considerables, pero con menor acceso a la propiedad intelectual de mayor valor.

Snorkel aún podría construir un gran negocio bajo ese acuerdo. La cuestión sin resolver es si se convierte en infraestructura esencial o sigue siendo un proveedor dentro de una cadena de suministro fragmentada.

Las cifras actuales respaldan la confianza en la demanda. Aún no responden a las preguntas más difíciles sobre durabilidad, rentabilidad o mejora de modelos medida de forma independiente.

Tres señales pondrán a prueba la apuesta de Snorkel AI por los datos como servicio

La próxima fase se juzgará por la evidencia de los clientes, el apalancamiento operativo y la expansión más allá del gasto actual de los laboratorios de frontera.

La primera señal es la adopción por clientes atribuible de forma independiente. Snorkel ha descrito las categorías de sus clientes, pero los estudios de caso públicos facilitarían la evaluación de la afirmación de crecimiento.

La evidencia más útil conectaría un conjunto de datos o entorno entregado con un resultado concreto. Esto podría incluir evaluaciones más rápidas, mayor cobertura de casos de fallo, menor coste de producción o mejor desempeño en una tarea definida por el cliente.

Los despliegues identificados también aclararían dónde gana Snorkel frente a los marketplaces de expertos. Si los clientes la eligen para entornos complejos y repetibles, eso reforzaría la tesis de una fábrica de datos impulsada por tecnología.

Si la adopción sigue siendo anónima, los observadores externos tendrán menos visibilidad sobre la concentración de clientes y el comportamiento de renovación. La tesis de financiación seguiría siendo plausible, pero más difícil de verificar.

La segunda señal es la evidencia de apalancamiento operativo. Snorkel no necesita publicar todos los detalles financieros, pero futuras divulgaciones podrían mostrar si los ingresos crecen más rápido que los costes de entrega.

Los patrones de contratación pueden ofrecer una pista temprana. Una expansión rápida de los equipos de operaciones y coordinadores de expertos podría indicar una entrega intensiva en mano de obra. Una mayor inversión en herramientas reutilizables, sistemas de evaluación y modelos de dominio se alinearía más estrechamente con la estrategia declarada.

Ninguno de los dos patrones es automáticamente bueno o malo. Las empresas de servicios pueden ser valiosas y rentables. La cuestión es si la estructura de costes respalda la valoración asignada a un proveedor centrado en tecnología.

La información sobre el margen bruto ofrecería la prueba más clara. Revelaría cuánto ingreso queda después de pagar a los expertos y otros gastos directos de producción.

La tercera señal es la expansión hacia entornos empresariales verificables. Snorkel ha señalado la salud, el derecho y la ingeniería de software como campos prioritarios. Cada uno ofrece una prueba distinta del modelo.

La ingeniería de software ofrece comprobaciones ejecutables, como si el código compila o si las pruebas se superan. La salud y el derecho contienen más juicio, información incompleta y restricciones institucionales. El éxito en esas áreas demostraría que el sistema de producción de Snorkel puede trasladarse más allá de un único tipo de tarea.

No lograr expandirse no eliminaría la demanda de los laboratorios de frontera. Reduciría el papel al que puede aspirar la empresa y la dejaría más expuesta a un pequeño número de grandes compradores.

El comportamiento de los competidores forma parte de las tres señales. Mercor, Handshake, Turing, Micro1 y Scale pueden añadir software a sus redes laborales. Los laboratorios de frontera pueden invertir en automatización interna. Snorkel no dispone de tiempo ilimitado para convertir su trayectoria de investigación en una ventaja operativa duradera.

La empresa entra en esta carrera con capital sustancial y un impulso del que se ha informado. Su Serie E confirma que los inversores consideran los datos de entrenamiento como una capa estratégica de la infraestructura de IA.

La conclusión más profunda está menos definida. El desarrollo de IA necesita más que colecciones más grandes de ejemplos. Necesita entornos realistas, tareas difíciles, evaluaciones defendibles y expertos que entiendan cuándo ha fallado la automatización.

La financiación de Snorkel AI proporciona a la empresa recursos para industrializar ese trabajo. La siguiente pregunta es si su fábrica asistida por agentes puede ofrecer resultados de forma consistente sin reproducir las dinámicas laborales que promete mejorar.

Los desarrolladores y compradores empresariales deberían observar la evidencia detrás de los resultados, no solo el volumen. Conviene preguntar quién diseñó cada evaluación, cómo se midió la calidad y si los resultados resistieron el despliegue real. Esas respuestas determinarán si la nueva valoración de Snorkel marca la aparición de una empresa de infraestructura de datos escalable o simplemente el último pico de una costosa competencia por la atención de expertos.