Financiamento da Snorkel AI Chega a US$ 350M, e Aposta em Fábrica de Dados Atrai Avaliação de US$ 3,5B

O financiamento da Snorkel AI chegou a US$ 350 milhões em uma rodada Série E, elevando a avaliação da startup para US$ 3,5 bilhões. O aporte atribui um valor incomumente alto a uma aposta específica: a de que a próxima limitação para a IA avançada será a qualidade de suas tarefas de treinamento, ambientes de avaliação e feedback especializado.

A rodada, anunciada em 22 de setembro, foi co-liderada por Insight Partners e S32. Ela sucede uma Série D de US$ 100 milhões que avaliou a Snorkel em US$ 1,3 bilhão. Em menos de um ano e meio, a empresa quase triplicou sua avaliação.

O financiamento não representa apenas mais um voto de confiança na rotulagem de dados. A Snorkel deixou de vender software de automação para entregar conjuntos de dados finalizados e ambientes de aprendizado por reforço. Esse movimento a coloca em concorrência com fornecedores de força de trabalho especializada, como Mercor, Handshake, Turing e Micro1, enquanto o setor se reorganiza em torno da relação mais próxima da Scale AI com a Meta.

Financiamento da Snorkel AI Segue Alegação de Crescimento de 18 Vezes

A rodada recompensa a Snorkel por se tornar uma fornecedora de dados, e não apenas uma empresa que vende software de rotulagem de dados.

A Snorkel afirma que sua receita anualizada atingiu US$ 375 milhões. A empresa também diz que sua nova operação de dados como serviço cresceu mais de dezoito vezes no último ano.

Uma receita anualizada projeta a receita recente para um ano completo. Isso não significa que a Snorkel já tenha registrado US$ 375 milhões segundo a contabilidade anual padrão. Ainda assim, o número oferece uma medida útil da demanda que a administração e os investidores dizem estar observando.

O anúncio do financiamento informa que a empresa ampliará sua “fábrica de dados agêntica”. A Snorkel usa o termo para descrever um sistema de produção que combina especialistas, software e modelos de IA especializados.

A empresa planeja aumentar a capacidade, entrar em mais setores e estender seu trabalho a tipos adicionais de dados. Ela cita especificamente saúde, direito e engenharia de software como áreas adequadas para projetos mais longos e complexos.

Entre os novos investidores estão March Capital, Blumberg Capital, Allegis Capital, Frontline, Standard e Third Point Ventures. Os investidores existentes Addition, Greylock, Lightspeed, GV, Factory, Prosperity7, Walden Catalyst e Wells Fargo também participaram.

A avaliação de US$ 3,5 bilhões da Snorkel AI importa porque reflete uma mudança rápida no que os clientes aparentemente estão dispostos a comprar. O produto original da Snorkel ajudava equipes técnicas a automatizar a criação de dados rotulados. Seu serviço mais recente assume a responsabilidade pela produção do material final de treinamento.

Essa diferença muda tanto a relação com o cliente quanto a economia do negócio. Clientes de software operam as ferramentas por conta própria. Já um cliente de dados como serviço espera receber um conjunto de dados utilizável, benchmark, rubrica ou ambiente simulado.

A Snorkel lançou comercialmente seu novo serviço em setembro de 2025. Suas origens, porém, remontam à pesquisa conduzida pelo cofundador e CEO Alex Ratner na Stanford.

A tese anterior da startup era centrada em supervisão fraca. A técnica permite que especialistas codifiquem heurísticas em funções de rotulagem, em vez de atribuir manualmente cada rótulo. Modelos estatísticos então estimam quais fontes de rotulagem são confiáveis e conciliam divergências entre elas.

Essa pesquisa foi concebida para reduzir o custo de construir conjuntos de treinamento convencionais. A nova ambição da Snorkel vai além desse fluxo de trabalho original. Agora, a empresa quer produzir as tarefas e os ambientes usados para treinar e avaliar sistemas avançados de raciocínio.

A mudança explica por que a rodada é maior do que um investimento rotineiro de expansão. A Snorkel está se aprofundando nos processos de desenvolvimento de modelos de seus clientes. Também está assumindo mais responsabilidade pela qualidade do que esses processos produzem.

Isso cria a tensão central por trás da história do financiamento da Snorkel AI. Os investidores avaliam a empresa como uma fornecedora de tecnologia escalável. Ainda assim, sua produção continua dependendo de especialistas caros, avaliação cuidadosa e pesquisa específica para cada cliente.

Por Que os Dados de Treinamento de IA Se Tornaram o Novo Gargalo

Modelos melhores não eliminaram o trabalho humano com dados; eles tornaram o trabalho mais valioso mais difícil e especializado.

Empresas anteriores de rotulagem de dados podiam dividir projetos em um grande número de tarefas simples. Trabalhadores poderiam classificar uma imagem, marcar um objeto ou decidir se uma resposta curta correspondia a uma categoria.

Modelos de raciocínio exigem um tipo diferente de material. Eles precisam de problemas complexos, regras detalhadas de pontuação, acesso realista a ferramentas e exemplos de trabalho bem-sucedido em múltiplas etapas. Um trabalhador comum de plataformas de crowdsourcing não consegue projetar de forma confiável um exercício de pesquisa jurídica nem avaliar uma sessão avançada de depuração de software.

A Snorkel chama essa mudança de “Data 2.0”. O termo é uma marca da empresa, mas a transformação subjacente é visível em todo o mercado. Laboratórios de fronteira buscam cada vez mais especialistas capazes de criar e avaliar tarefas difíceis, em vez de rotular exemplos óbvios.

Um ambiente de aprendizado por reforço é um contexto controlado no qual um modelo tenta executar tarefas e recebe sinais sobre seu desempenho. Para um agente de programação com IA, esse ambiente pode incluir um repositório, ferramentas de desenvolvimento, testes e um sistema de pontuação.

Construir esse ambiente exige mais do que coletar respostas. Os projetistas precisam especificar a tarefa, antecipar modos de falha, estabelecer resultados válidos e impedir que o modelo explore fraquezas na avaliação.

As rubricas acrescentam outra camada exigente. Uma rubrica fraca pode recompensar uma resposta aparentemente plausível que contém erros ocultos. Ela também pode penalizar uma abordagem correta porque a resposta esperada era restrita demais.

A Snorkel argumenta que sistemas de IA devem ajudar especialistas a criar esses materiais. Seus modelos podem gerar tarefas candidatas, identificar lacunas e apoiar verificações de qualidade. Especialistas humanos então revisam o trabalho e fornecem o julgamento que a automação não possui.

Esse mecanismo híbrido diferencia os dados como serviço da Snorkel AI de um marketplace direto de especialistas. Um marketplace conecta principalmente clientes a trabalhadores. A Snorkel afirma estar construindo um sistema de produção repetível em torno dos especialistas.

Ratner descreve a abordagem como um ciclo. Modelos especializados aceleram a produção dos especialistas, enquanto a supervisão humana fornece dados que melhoram esses modelos. Se o ciclo funcionar, a Snorkel poderá aumentar a produção sem adicionar mão de obra no mesmo ritmo.

A tese de pesquisa sobre dados da empresa diz que seus clientes incluem laboratórios de fronteira, provedores de nuvem, empresas especializadas em IA, companhias e agências do governo dos Estados Unidos. A Snorkel não identificou publicamente os clientes por trás de seu número mais recente de receita.

Seu histórico técnico dá alguma substância ao argumento. A pesquisa original sobre supervisão fraca concluiu que especialistas de domínio construíram modelos 2,8 vezes mais rápido em um estudo controlado com usuários. A pesquisa também abordou colaborações em contextos médicos e governamentais.

Esses resultados anteriores não validam a atual fábrica de dados agêntica da empresa. As tarefas modernas de raciocínio diferem substancialmente dos problemas de classificação analisados no trabalho original. Ainda assim, demonstram que a tentativa da Snorkel de codificar julgamento especializado em software antecede o atual ciclo de investimentos.

A demanda também cresce porque os desenvolvedores de modelos não podem depender indefinidamente de textos da internet facilmente disponíveis. O material público é desigual, duplicado e frequentemente pouco adequado a tarefas especializadas. Fluxos de trabalho empresariais sensíveis podem nem sequer aparecer online.

Um agente jurídico precisa aprender como profissionais analisam autoridades, lidam com evidências conflitantes e justificam conclusões. Um sistema de saúde precisa de material cuidadosamente governado que reflita o contexto clínico. Um agente de programação precisa de tarefas executáveis cujo sucesso possa ser testado, em vez de estimado.

Esses requisitos transformam o desenvolvimento de dados em um problema de pesquisa. Eles também dão aos fornecedores mais influência sobre o desempenho dos modelos. O provedor que projeta uma avaliação pode moldar o que o cliente mede e, em última instância, o que o modelo aprende a otimizar.

Para compradores corporativos, isso torna a proveniência dos dados e o contexto do fluxo de trabalho mais importantes. Organizações que já estão construindo uma base de conhecimento de IA enfrentam um problema relacionado. A produção útil de IA depende de informações governadas e relevantes, e não do simples volume de documentos.

A Snorkel aposta que os laboratórios de modelos chegarão à mesma conclusão em uma escala muito maior. A matéria-prima é abundante, mas tarefas e julgamentos confiáveis continuam escassos.

A Verdadeira Disputa É Entre Dados Potencializados por Software e Trabalho Especializado

A principal concorrência da Snorkel não é uma única empresa; é o método intensivo em mão de obra que hoje produz grande parte dos dados especializados do setor.

Mercor, Handshake, Turing e Micro1 se expandiram conectando desenvolvedores de IA a trabalhadores qualificados. Suas redes podem recrutar engenheiros, cientistas, advogados e outros especialistas para projetos de treinamento de modelos.

Essa abordagem tem uma vantagem direta. Os clientes podem pedir a pessoas qualificadas que criem exemplos, revisem respostas ou realizem trabalhos realistas. Os dados resultantes refletem habilidades que os modelos de uso geral ainda têm dificuldade para reproduzir de forma consistente.

Ela também carrega um custo estrutural. O fornecedor precisa pagar os especialistas que executam o trabalho. À medida que a receita cresce, as despesas com mão de obra podem crescer junto.

Segundo a economia de dados reportada, fornecedores de marketplaces de especialistas podem repassar aproximadamente 60% a 70% de sua receita bruta aos especialistas. Portanto, seus números anualizados amplamente citados podem ser muito maiores do que a receita que retêm após esses pagamentos.

A Snorkel apresenta seus números de forma diferente. Ela vende conjuntos de dados e ambientes concluídos, depois contabiliza os pagamentos a especialistas em seu custo dos produtos vendidos. Isso torna sua receita anualizada de US$ 375 milhões mais comparável à receita de um fornecedor do que ao volume bruto de reservas de um marketplace de trabalho.

A distinção é importante, mas não resolve a concorrência. O custo dos produtos vendidos ainda afeta a margem bruta, o uso de caixa e a complexidade operacional. Transferir os pagamentos a especialistas para uma linha contábil diferente não faz essas despesas desaparecerem.

O argumento da Snorkel depende de alavancagem de software. Se seus modelos e fluxos de trabalho ajudarem um especialista a produzir substancialmente mais dados validados, a empresa poderá potencialmente manter margens mais fortes à medida que cresce.

Esse é o mecanismo que sustenta a avaliação de US$ 3,5 bilhões da Snorkel AI. Os investidores não esperam apenas mais gastos em dados de treinamento. Eles esperam que o processo de produção da Snorkel capture esses gastos de modo mais eficiente do que um modelo convencional de recrutamento de pessoal.

A eficiência, por si só, não determinará o vencedor. Os clientes também se preocupam com confidencialidade, prazo de entrega, cobertura de domínio e se os dados entregues melhoram um modelo específico.

Uma plataforma de força de trabalho pode reunir rapidamente pessoas de muitas áreas. A abordagem da Snorkel exige o desenvolvimento de sistemas especializados que apoiem esses especialistas. Seu método pode se tornar mais defensável, mas talvez leve mais tempo para ser configurado em um novo domínio.

É improvável que o mercado se consolide em um único fornecedor universal. Laboratórios de ponta frequentemente usam vários fornecedores porque seus projetos diferem em modalidade, sensibilidade e especialização necessária. Uma empresa pode usar um marketplace para uma avaliação e uma fábrica de dados orientada por tecnologia para outra.

Portanto, a Snorkel precisa provar que seu software agrega valor mensurável a cada projeto. Gerar mais tarefas candidatas não é suficiente. Essas tarefas precisam abranger capacidades relevantes, resistir a atalhos e produzir sinais de treinamento confiáveis.

A empresa também precisa ter acesso a profissionais qualificados. Rascunhos gerados por IA ainda exigem julgamento humano quando a tarefa envolve legislação ambígua, trade-offs clínicos, segurança ou engenharia avançada. A escassez de especialização pode limitar tanto fornecedores orientados por software quanto os baseados em marketplaces.

Isso torna o posicionamento da Snorkel mais matizado do que “a automação substitui os rotuladores”. Sua verdadeira proposta é que especialistas supervisionem máquinas que produzem dados, em vez de criar manualmente cada item.

Se os clientes aceitarem esse modelo, a Snorkel poderá se tornar infraestrutura para o desenvolvimento de IA. Caso contrário, corre o risco de operar como uma cara empresa de serviços com ferramentas internas sofisticadas.

O Acordo da Scale AI com a Meta Abriu uma Janela para Fornecedores Neutros

A expansão da Snorkel ocorre depois que o setor aprendeu que a propriedade de provedores de dados pode se tornar uma preocupação competitiva.

O investimento da Meta na Scale AI em 2025 desestabilizou relações estabelecidas em todo o mercado de dados de treinamento. A Scale atendia vários grandes desenvolvedores de modelos, enquanto a Meta concorria diretamente com muitos desses clientes.

Essa combinação levantou dúvidas sobre neutralidade. Laboratórios de modelos protegem rigorosamente seus métodos de treinamento, prioridades de avaliação e áreas de fraqueza. Um fornecedor pode obter informações sensíveis simplesmente ao ver as tarefas solicitadas pelos clientes.

Após o acordo, OpenAI e Google teriam começado a reduzir o trabalho com a Scale. Concorrentes disseram ter recebido um aumento repentino no interesse de clientes. A Scale sustentou que seu compromisso de proteger as informações dos clientes não havia mudado.

A disputa sobre neutralidade de fornecedores revelou que dados de treinamento não são um insumo commoditizado. As perguntas feitas por um laboratório podem expor onde seu modelo falha e o que ele planeja desenvolver em seguida.

A Snorkel pode se beneficiar dessa abertura sem substituir diretamente a Scale. Pode se apresentar como uma parceira independente, cujos incentivos não favorecem um laboratório de ponta concorrente.

A neutralidade, contudo, é uma promessa que exige suporte operacional. Clientes examinarão controles de acesso, políticas para funcionários, retenção de dados, práticas de treinamento de modelos e proteções contratuais. Uma ampla lista de investidores não responde a essas questões.

O financiamento dá à Snorkel mais capacidade para competir pela demanda deslocada ou recém-diversificada. Ela pode recrutar especialistas, desenvolver ambientes especializados e apoiar grandes projetos que fornecedores menores talvez tenham dificuldade de absorver.

A Scale também continua sendo uma concorrente relevante, com relações estabelecidas e ampla experiência operacional. Sua proximidade com a Meta gera preocupações para alguns compradores, mas pode fornecer capital, recursos técnicos e um grande cliente âncora.

Enquanto isso, provedores de marketplace têm seu próprio argumento de neutralidade. Eles podem alegar que seu papel central é recrutar talentos, e não aplicar modelos proprietários aos dados dos clientes. Esse enquadramento pode atrair laboratórios que desejam um controle mais rígido sobre a metodologia.

Portanto, a Snorkel precisa estabelecer duas formas de confiança. Ela deve proteger informações confidenciais dos clientes e demonstrar que sua automação não reduz a qualidade dos dados.

A segunda questão se torna mais difícil à medida que os sistemas ganham autonomia. Um modelo de IA pode gerar milhares de tarefas que parecem diversas, enquanto repete as mesmas premissas ocultas. Também pode criar avaliações contaminadas pelo conhecimento das respostas esperadas.

Revisores humanos podem não perceber esses padrões quando os volumes de produção aumentam. A garantia de qualidade precisa testar a própria fábrica de dados, e não apenas inspecionar uma amostra de sua produção.

Essa preocupação é especialmente importante para o aprendizado por reforço. Uma recompensa mal projetada pode ensinar um modelo a satisfazer a métrica sem concluir a tarefa pretendida. O modelo se torna melhor no benchmark, mas permanece pouco confiável na prática.

A Snorkel afirma que seu processo combina excelência humana com pesquisa e tecnologia. Investidores reforçam essa posição, descrevendo a abordagem da empresa como de nível de pesquisa. Essas declarações explicam a tese de investimento, mas continuam sendo alegações de partes interessadas.

Evidências independentes precisarão mostrar que os clientes obtêm modelos melhores, avaliações mais confiáveis ou menores custos totais de desenvolvimento. O crescimento da receita prova que os clientes estão gastando. Por si só, não prova que cada ambiente entregue melhora a qualidade do modelo.

Essa distinção deveria importar para compradores empresariais. Um benchmark pode parecer rigoroso, produzir pontuações precisas e ainda assim não representar o trabalho real. Compradores devem perguntar como as tarefas foram geradas, quem as validou e quais casos de falha foram excluídos.

O financiamento da Snorkel ajuda a empresa a responder a essas perguntas com mais pesquisa e infraestrutura. Também eleva as expectativas. Uma empresa avaliada em US$ 3,5 bilhões precisa transformar vantagens metodológicas em resultados repetíveis para os clientes.

O Que a Taxa Anualizada de US$ 375M Não Mostra

A maior incerteza é se a Snorkel consegue preservar qualidade e margens ao transformar projetos intensivos em pesquisa em um negócio escalável.

O número de receita anualizada vem da Snorkel. A empresa não divulgou receita anual auditada, margem bruta, concentração de clientes, duração dos contratos ou prejuízos operacionais.

Essas omissões são normais em um anúncio de financiamento privado. Ainda assim, limitam o que observadores externos podem inferir a partir da alegação de crescimento de dezoito vezes.

Uma taxa anualizada pode mudar rapidamente quando a receita vem de grandes projetos. Se alguns poucos laboratórios de ponta representarem uma parcela significativa do trabalho atual, contratos adiados poderão afetar materialmente a projeção.

A concentração de clientes é particularmente relevante nesse mercado. Apenas um número limitado de empresas opera programas de modelos em escala de ponta. Elas têm especialização técnica, poder de compra substancial e fortes incentivos para usar vários fornecedores.

A avaliação da Snorkel AI também pressupõe que a demanda atual persista. Laboratórios de IA estão gastando agressivamente em pós-treinamento e avaliação, mas seus métodos continuam mudando. Uma nova técnica de treinamento poderia alterar o equilíbrio entre dados criados por humanos, sintéticos e verificados automaticamente.

Dados sintéticos são exemplos produzidos por modelos, em vez de coletados diretamente de pessoas ou do mundo. Eles podem expandir rapidamente a oferta, mas erros e vieses podem se propagar quando modelos aprendem repetidamente com material gerado por máquinas.

O processo humano-e-agente da Snorkel pretende administrar esse risco. A empresa afirma que especialistas continuam envolvidos na criação e supervisão de trabalhos difíceis. O que permanece pouco claro é quanta revisão humana cada resultado exige em escala comercial.

A resposta determina a economia do negócio. Uma revisão intensiva pode proteger a qualidade enquanto limita a expansão das margens. Uma revisão leve pode melhorar a produtividade enquanto aumenta a probabilidade de defeitos sutis.

A combinação de produtos e serviços da empresa apresenta outra questão. Softwares padronizados tendem a oferecer implantação previsível e margens incrementais mais robustas. Conjuntos de dados e ambientes personalizados podem gerar alta receita, mas cada cliente pode exigir pesquisa diferente.

A Snorkel afirma que sua tecnologia torna esses projetos personalizados repetíveis. Na prática, os investidores apostam que o sistema de produção compartilhado terá mais importância do que as diferenças entre os projetos individuais.

Essa proposta deve ser testada em nível de domínio. Um fluxo de trabalho que acelera a criação de tarefas de programação pode não ser transferido facilmente para a medicina. A interpretação jurídica e a tomada de decisões em saúde também envolvem incerteza que nem sempre pode ser reduzida a testes executáveis.

Clientes regulados introduzem exigências adicionais. Eles precisam de proveniência, controles de acesso, revisão documentada e responsabilidade clara quando dados gerados contêm erros. Atender a esses requisitos pode aprofundar relações com clientes, mas aumenta os custos.

A concorrência pressionará o negócio em ambas as direções. Marketplaces de especialistas podem investir em sua própria automação. Laboratórios de modelos também podem construir fábricas internas de dados, especialmente quando uma tarefa revela informações estratégicas.

Grandes clientes podem terceirizar capacidade enquanto mantêm internamente suas avaliações mais sensíveis. Isso deixaria fornecedores com receita considerável, mas com menos acesso à propriedade intelectual de maior valor.

A Snorkel ainda poderia construir um grande negócio sob esse arranjo. A questão não resolvida é se ela se torna infraestrutura essencial ou permanece como um fornecedor dentro de uma cadeia de suprimentos fragmentada.

Os números atuais sustentam confiança na demanda. Eles ainda não respondem às questões mais difíceis sobre durabilidade, rentabilidade ou melhoria de modelos medida de forma independente.

Três Sinais Testarão a Aposta de Dados como Serviço da Snorkel AI

A próxima fase será julgada por evidências de clientes, alavancagem operacional e expansão além dos gastos atuais dos laboratórios de ponta.

O primeiro sinal é a adoção por clientes atribuível de forma independente. A Snorkel descreveu suas categorias de clientes, mas estudos de caso públicos tornariam a alegação de crescimento mais fácil de avaliar.

A evidência mais útil conectaria um conjunto de dados ou ambiente entregue a um resultado concreto. Isso poderia incluir avaliação mais rápida, cobertura mais ampla de falhas, menor custo de produção ou melhor desempenho em uma tarefa definida pelo cliente.

Implantações identificadas também esclareceriam onde a Snorkel vence os marketplaces de especialistas. Se os clientes a escolherem para ambientes complexos e repetíveis, isso fortaleceria a tese da fábrica de dados orientada por tecnologia.

Se a adoção continuar anônima, observadores externos terão menos visibilidade sobre concentração de clientes e comportamento de renovação. A tese de financiamento continuaria plausível, mas seria mais difícil de verificar.

O segundo sinal é evidência de alavancagem operacional. A Snorkel não precisa publicar todos os detalhes financeiros, mas futuras divulgações poderiam mostrar se a receita cresce mais rapidamente do que os custos de entrega.

Os padrões de contratação podem oferecer uma pista inicial. Uma rápida expansão das equipes de operações e coordenadores de especialistas poderia indicar uma entrega intensiva em mão de obra. Um investimento maior em ferramentas reutilizáveis, sistemas de avaliação e modelos de domínio estaria mais alinhado à estratégia declarada.

Nenhum dos padrões é automaticamente bom ou ruim. Empresas de serviços podem ser valiosas e lucrativas. A questão é se a estrutura de custos sustenta a avaliação atribuída a um fornecedor centrado em tecnologia.

Informações sobre margem bruta ofereceriam o teste mais claro. Elas revelariam quanto da receita permanece após o pagamento de especialistas e outras despesas diretas de produção.

O terceiro sinal é a expansão para ambientes empresariais verificáveis. A Snorkel citou saúde, direito e engenharia de software como campos prioritários. Cada um oferece um teste diferente do modelo.

A engenharia de software oferece verificações executáveis, como se o código compila ou se os testes passam. Saúde e direito contêm mais julgamento, informações incompletas e restrições institucionais. O sucesso nessas áreas mostraria que o sistema de produção da Snorkel pode ir além de um único tipo de tarefa.

A incapacidade de expandir não eliminaria a demanda dos laboratórios de ponta. Mas reduziria o papel endereçável da empresa e a deixaria mais exposta a um pequeno número de grandes compradores.

O comportamento dos concorrentes se encaixa nos três sinais. Mercor, Handshake, Turing, Micro1 e Scale podem adicionar software às suas redes de trabalho. Laboratórios de ponta podem investir em automação interna. A Snorkel não tem tempo ilimitado para transformar seu histórico de pesquisa em uma vantagem operacional duradoura.

A empresa entra nessa corrida com capital substancial e um impulso de crescimento relatado. Sua Série E confirma que os investidores veem os dados de treinamento como uma camada estratégica da infraestrutura de IA.

A conclusão mais profunda é menos consensual. O desenvolvimento de IA exige mais do que coleções maiores de exemplos. Exige ambientes realistas, tarefas difíceis, métricas de avaliação defensáveis e especialistas que entendam quando a automação falhou.

O financiamento da Snorkel AI dá à empresa recursos para industrializar esse trabalho. A próxima questão é se sua fábrica assistida por agentes conseguirá entregar resultados de forma consistente sem recriar a economia do trabalho que promete melhorar.

Desenvolvedores e compradores corporativos devem acompanhar as evidências por trás dos resultados, não apenas o volume. Perguntem quem projetou cada avaliação, como a qualidade foi medida e se os resultados resistiram à implantação no mundo real. Essas respostas determinarão se a nova avaliação da Snorkel marca o surgimento de uma empresa escalável de infraestrutura de dados ou apenas o mais recente pico em uma competição cara pela atenção de especialistas.