Snorkel AI Raih Valuasi $3,5 Miliar, Data Pelatihan AI Kian Dilirik

Apa yang terjadi

Snorkel AI mengumumkan putaran pendanaan Series E senilai $350 juta, yang melambungkan valuasinya menjadi $3,5 miliar atau tiga kali lipat dari sebelumnya. Laporan TechCrunch yang terbit pada 22 September 2026 mengaitkan langkah ini dengan meningkatnya permintaan perusahaan akan bantuan khusus untuk menyiapkan dan memberi label pada data pelatihan bagi sistem AI yang akan dioperasikan di lingkungan produksi.

Dari sumber yang tersedia, pasar tampak bergerak dari fase eksperimen menuju penerapan nyata. Organisasi tidak lagi hanya bertanya model mana yang dipakai, tetapi juga bagaimana data yang menopang model tersebut dikumpulkan, dinilai, dan dijaga mutunya. Laporan ini hanya merujuk pada satu media, sehingga detail operasional perusahaan dan rincian pelanggan belum dapat dikonfirmasi dari sumber lain.

Mengapa ini penting

Kemampuan AI sangat bergantung pada mutu data pelatihan. Ketika permintaan atas layanan persiapan dan pelabelan data melonjak hingga memengaruhi valuasi, hal itu menandakan bahwa data telah menjadi bagian dari operasi inti, bukan sekadar pekerjaan pendukung. Bagi pimpinan transformasi digital, ini berarti alur kerja data perlu dirancang, diukur, dan dikelola seperti layanan lainnya.

Bagi organisasi yang berencana menerapkan AI dalam layanan pelanggan atau proses internal, pola ini patut diperhatikan. Kualitas jawaban dan keputusan sebuah sistem akan sangat ditentukan oleh cara data dilabeli, siapa yang memberi penilaian, dan seberapa cepat umpan balik dari pengguna kembali ke proses pelatihan.

Angka-angka utama

• $350 juta nilai putaran pendanaan Series E yang diumumkan Snorkel AI.
• $3,5 miliar valuasi perusahaan setelah putaran pendanaan tersebut.
• Tiga kali lipat kenaikan valuasi, sebagaimana dilaporkan TechCrunch pada 22 September 2026.

Pandangan Renascence

Sebagian besar pembaca akan menyorot angka valuasi, padahal sinyal yang lebih penting ada pada pekerjaan di balik data itu sendiri. Pelabelan dan persiapan data adalah pekerjaan manusia yang berulang, rentan terhadap inkonsistensi, dan sering dianggap sebagai urusan teknis belakangan.

Pendanaan sebesar ini menunjukkan bahwa kualitas data kini menjadi titik kritis pengalaman AI, bukan sekadar pilihan model. Organisasi yang serius sebaiknya memperlakukan pelabelan dan umpan balik sebagai layanan yang dirancang dengan standar, panduan, dan pengukuran yang jelas. Prinsip desain layanan yang baik berlaku di sini: setiap titik sentuh yang menghasilkan data harus dipahami dan dipantau. Mulailah dengan memetakan siapa yang memberi label, bagaimana keputusan mereka dinilai, dan di mana kesalahan paling sering muncul.