La apuesta de $3.5 mil millones de Snorkel por la evaluación de modelos

En septiembre de 2026, Snorkel AI levantó $350 millones con una valuación de $3.5 mil millones. Cinco años antes, la cobertura la describía como un servicio de etiquetado de datos valuado en $1 mil millones. Para 2026, Snorkel promovía una plataforma donde humanos y agentes de IA crean y validan datos. El cambio plantea una pregunta para los clientes que su valuación no puede responder: ¿quién conserva los criterios usados para hacer útil a un modelo?

El mismo modelo base puede producir un producto distinto

En agosto de 2026, Z.ai dijo que GLM-5.3 usaba el mismo modelo base que GLM-5.2, pero adquirió mayores capacidades de programación mediante post-entrenamiento a escala. Z.ai dijo que planeaba publicar los pesos del modelo más reciente dos semanas después; ese anuncio por sí solo no establece que la publicación haya ocurrido. Su comparación aísla una distinción de ingeniería: un modelo base puede permanecer fijo mientras el trabajo posterior cambia lo que los usuarios reciben de él.

El preentrenamiento, el ajuste fino y el post-entrenamiento cambian los pesos del modelo con distintos fines, como distingue Chip Huyen en AI Engineering. La evaluación no cambia por sí misma los pesos. Proporciona las pruebas y los juicios que le indican a un desarrollador qué cambiar después. Una empresa que adapta un modelo puede llegar a depender menos de una versión ajustada en particular que del proceso que conecta sus datos de dominio, ajustes y resultados medidos.

La expansión de OpenAI en 2024 de su programa Custom Model integró el ajuste fino asistido, los pipelines de datos de entrenamiento, los sistemas de evaluación y las métricas de entrenamiento y validación en un flujo de trabajo para clientes. Las organizaciones pueden comprar ayuda para adaptar un modelo y seguir dependiendo de su proveedor para el servicio subyacente. Los pesos abiertos ofrecen un punto de partida distinto, pero no proporcionan las definiciones de tareas ni las pruebas de un cliente.

Snorkel pasó de proporcionar ejemplos a organizar el juicio

En agosto de 2021, la cobertura reportó la ronda de $85 millones de Snorkel con esa valuación de $1 mil millones. Para mayo de 2025, Forbes describió un giro hacia herramientas de evaluación de IA y una dependencia de expertos humanos para juzgar la precisión de los sistemas; situó la valuación de Snorkel en $1.3 mil millones. En septiembre de 2026, Reuters describió una “plataforma de desarrollo de datos agéntico” en la que humanos y agentes de IA crean y validan datos, junto con la ronda de $350 millones.

Las tres valuaciones reportadas de Snorkel reflejan una propuesta cambiante, pero no miden la adopción por parte de clientes ni muestran que la evaluación haya desplazado los ingresos por etiquetado. No pueden establecer una curva de adopción para todo el mercado.

Otros desarrolladores abordaron partes adyacentes del problema de forma independiente. Cleanlab vendía herramientas para obtener datos de entrenamiento más precisos en 2023, antes del giro reportado de Snorkel hacia la evaluación. El trabajo de calidad de datos de Cleanlab y el énfasis de Snorkel en la evaluación experta son productos distintos. Ambos abordan una limitación para los desarrolladores de modelos: más ejemplos ayudan menos cuando no pueden determinar qué ejemplos o resultados merecen confianza.

La evaluación pasa a formar parte de la operación del modelo

AWS introdujo Model Evaluation on Bedrock en vista previa en 2023 para ayudar a las empresas a evaluar modelos antes de usarlos, con participación de evaluadores humanos. El énfasis posterior de Snorkel en jueces expertos aborda una pregunta más difícil que si las pruebas están disponibles: ¿quién decide qué errores importan? Alguien debe traducir un objetivo operativo en respuestas aceptables, fallas con consecuencias y casos que un modelo debe aprobar. Una respuesta fluida y una respuesta correcta pueden recibir calificaciones muy distintas.

Una puntuación previa al despliegue tiene una vida útil. Designing Machine Learning Systems de Huyen describe cómo los cambios en el entorno o los usuarios de una aplicación pueden producir un cambio de covariables. La organización que usa el modelo debe entonces verificar si sus casos de prueba anteriores siguen representando el trabajo. Para mantener la garantía operativa, el cliente necesita conservar los casos de prueba, revisar resultados y modificar la rúbrica después del lanzamiento.

La participación de Meta en Scale generó consultas, no un éxodo de compradores

La inversión de $14.3 mil millones de Meta en Scale AI expuso la sensibilidad comercial de este trabajo. En junio de 2025, Snorkel, Labelbox y Turing reportaron un mayor interés de clientes preocupados por la independencia de Scale. Un proveedor que ayuda a producir datos de entrenamiento y criterios propietarios puede enterarse de qué errores comete el modelo de un cliente y cómo pretende corregirlos. El interés reportado muestra una preocupación de compras, no migraciones consumadas hacia los rivales de Scale.

Scale siguió obteniendo contratos grandes. El Departamento de Defensa le otorgó un contrato de $500 millones en 2026 para ayudar a filtrar datos y asistir en decisiones, después de un acuerdo de $100 millones en 2025. La elección del Pentágono aconseja no interpretar las consultas a los rivales de Scale como un cambio generalizado.

Los estándares de un cliente necesitan una vía de salida

Un comprador puede incorporar lenguaje de dominio y restricciones de negocio en ejemplos de entrenamiento y casos de evaluación, en lugar de pedirle a un modelo genérico que los infiera. Aun así, debe decidir quién puede inspeccionar esos ejemplos, modificar etiquetas, cuestionar un juicio experto y llevar historiales de validación a otro proveedor. La prueba de compras es si el cliente puede conservar y trasladar esos artefactos, no simplemente si un proveedor ofrece un panel de evaluación.

La revisión humana también tiene un costo que las herramientas agénticas no pueden hacer desaparecer por arte de magia. Huyen señala que el sesgo puede entrar mediante la recolección de datos, el muestreo y el etiquetado. Wired reportó en 2023 que algunos proveedores de etiquetado de datos para IA habían contratado inadvertidamente a menores de edad, a veces exponiéndolos a contenido traumático. Un comprador que depende de retroalimentación humana necesita saber cómo se obtiene y supervisa ese trabajo, además de cómo los juicios resultantes afectan el comportamiento del modelo.

Las rondas de financiamiento de Snorkel y el lanzamiento de evaluación de AWS muestran que los proveedores están desarrollando esta capa, pero dicen poco sobre cuántos clientes pueden llevar su trabajo entre proveedores. La valuación de $3.5 mil millones de Snorkel no puede decirle a un comprador si sus ejemplos, rúbricas e historiales de validación lo acompañarán al siguiente proveedor. Si no pueden hacerlo, el proveedor que facilita más la personalización también conserva la definición de “correcto”.