Labelbox levanta US$100M+ a valoración de US$1.250M

¿Qué anunció Labelbox y por qué mueve el tablero de la IA?

Labelbox anunció el 14 de octubre de 2026 que cerró una ronda Serie E de más de US$100 millones a una valoración pre-money de US$1.250 millones. La operación fue liderada por Infinitum Partners y combina capital accionario con una línea de crédito, un formato que se está volviendo habitual entre compañías que ya facturan y quieren financiar infraestructura sin diluir de más.

Participaron también Wipro Ventures, Andreessen Horowitz (a16z), B Capital, Tau Ventures y Snowpoint Ventures, entre otros. El CEO y cofundador Manu Sharma detalló los términos en una publicación del blog corporativo.

El dato que más debería interesar a un founder no es el monto, sino la combinación: la compañía afirma haber alcanzado la rentabilidad en 2026 mientras multiplicaba por más de cinco su crecimiento interanual. No es una ronda de supervivencia, es capital para escalar una operación que ya se sostiene.

Labelbox dice tener más de 400 clientes, entre ellos más del 90% de los principales laboratorios de IA de Estados Unidos, y una cartera que va de laboratorios de frontera a hyperscalers, startups y compañías Fortune 500.

¿En qué se va a usar el dinero de la Serie E?

La financiación respaldará investigación e ingeniería en sus dos productos centrales —Horizon y Recursion Managed Agents— y la ampliación de los equipos que los llevan al cliente.

Sharma escribió que el acceso a capacidad de cómputo será central en la próxima etapa de la empresa. Ahí aparece un nombre relevante: John Yetimoglu, de Infinitum, fue uno de los primeros inversores en Groq y hoy participa en la construcción de infraestructura de cómputo a gran escala en GroqCloud. Para una compañía que entrena y evalúa modelos, tener un socio con ese perfil no es un detalle menor.

Horizon: ¿cómo se entrena un modelo para que tenga criterio?

Horizon es la pata de aprendizaje por refuerzo. Su sistema WorldSim construye empresas simuladas —con código, paneles, hojas de cálculo, presentaciones y documentos cargados de datos empresariales realistas— donde un modelo intenta completar de principio a fin una tarea difícil de varios pasos. Cada paso queda registrado como una trayectoria.

Dos piezas marcan la diferencia: verificadores deterministas que califican cada trayectoria igual en todas las ejecuciones, y el criterio de expertos humanos que, cuando dos trayectorias son correctas, enseña al modelo a preferir la mejor. La empresa afirma operar a escala de miles de mundos y millones de trayectorias calificadas, ajustadas a los objetivos pass@k de cada laboratorio en programación, uso de computadoras, investigación, tareas multimodales y voz.

Los dominios que lista la página del producto incluyen investigación autónoma en IA, programación con agentes e ingeniería de software, trabajo con conocimiento multimodal, voz con uso de herramientas por agentes, uso de computadoras y ciberseguridad.

Recursion Managed Agents: agentes que se califican solos

El segundo producto se abrió a clientes empresariales a principios de octubre de 2026. El diseño es directo: un agente gestionado recibe un objetivo, un activador (una programación, una alerta, un mensaje de Slack, un webhook o una llamada a una API) y una rúbrica que define cómo se ve un trabajo bien hecho. Un agente evaluador independiente califica cada ejecución punto por punto y señala la evidencia que respalda cada evaluación; si el trabajo no cumple los criterios, el agente lo revisa.

Opera en tres modos: multiagente (un coordinador encadena especialistas que cuentan cada uno con su propio modelo, instrucciones, herramientas y permisos), equipo (varias copias del agente se reparten el trabajo en un tablero compartido y verifican los resultados de las demás) y automático, el predeterminado, donde el agente decide por sí mismo cuándo una tarea requiere especialistas.

Datos operativos que conviene mirar con lupa:

• Funciona con más de 100 aplicaciones empresariales y con cualquier servidor MCP.
• Cada herramienta tiene permisos definidos como de solo lectura, con capacidad para modificar datos o destructivos, y las credenciales se guardan en una bóveda para que el modelo nunca pueda verlas.
• Las sesiones corren en entornos aislados y la plataforma opera sin retener datos en ningún proveedor de LLM.
• El programa de cumplimiento incluye SOC 2 Type II, GDPR, CCPA, NIST 800-171 y PCI DSS.
• El precio se fija por hora de sesión de agente, con los gastos de cómputo y de modelos combinados en una sola estimación. Los clientes empresariales actuales reciben un crédito único de US$100.

El caso interno es el más elocuente. Labelbox reporta 51 agentes en 11 equipos, en áreas que van de ingeniería de software a compras, pasando por confiabilidad, seguridad, investigación en aprendizaje automático, evaluación, producto, finanzas, ventas y estrategia. Su agente de revisión de pull requests hizo 39 revisiones calificadas con una sola versión del agente y un solo modelo: de las 33 que superaron la evaluación, el costo mediano bajó de US$13,15 en las primeras 11 a US$8,90 en las últimas 11, un 32% menos por revisión, mientras la memoria del agente se actualizó 15 veces y el tiempo por revisión se mantuvo en unos 27 minutos.

¿Por qué todos están mirando los entornos de aprendizaje por refuerzo?

Labelbox no está sola en esta apuesta. Business Insider reportó que Google está en conversaciones para invertir más de US$1.500 millones en Mechanize, una startup que construye entornos de trabajo virtuales para entrenar agentes. El mismo reportaje señala que Scale AI afirma que casi la mitad de sus nuevos proyectos de entrenamiento de IA ya involucran entornos de aprendizaje por refuerzo, y describe iniciativas de Meta y Uber orientadas a capturar cómo trabajan sus propios empleados.

El comparable más directo en financiación es Snorkel AI, que según Unite.AI anunció el 22 de septiembre de 2026 una Serie E de US$350 millones a una valoración de US$3.500 millones, liderada por Insight y S32. Snorkel reportó que su oferta de datos como servicio creció más de 18 veces y superó los US$375 millones de ingresos anualizados. La distancia entre ambas valoraciones dice bastante sobre cómo el mercado está premiando hoy la infraestructura de datos frente a la de entornos y agentes.

Qué significa esto para tu startup

Tres lecturas concretas para founders que ya están desplegando agentes:

• La evaluación ya es parte del producto. El patrón de objetivo + rúbrica + agente evaluador es replicable sin construir una plataforma de aprendizaje por refuerzo. Antes de escalar agentes, define por escrito qué es un trabajo bien hecho y cómo lo vas a medir. Sin rúbrica no hay mejora, solo volumen.
• Mide el costo por tarea terminada, no por token. El caso interno de Labelbox muestra una caída del 32% en el costo mediano por revisión con el mismo modelo y la misma versión del agente: la mejora vino de la memoria y del proceso, no de cambiar de proveedor. Instrumenta esa métrica desde el día uno.
• La memoria de un agente es un activo que hay que gobernar. Que el cliente pueda ver qué aprendió un agente y borrar las lecciones que ya no aplican no es una función de lujo: es lo que hace auditable un sistema que cambia su comportamiento con el tiempo.

Y una nota sobre el momento del mercado: la ronda combina capital con deuda. Para compañías que ya son rentables y necesitan cómputo, ese formato permite crecer sin regalar otro punto de dilución. Vale la pena tenerlo sobre la mesa antes de la próxima conversación con un inversor.

Fuentes

• Labelbox Raises $100M+ Series E at $1.25B Valuation to Advance RL and AI Agents (Unite.AI) (fuente original)
• Labelbox raises $100 Million+ in Series E funding (TMCnet / PRNewswire)
• Forget chatbot training. AI's next big data grab is about learning how humans work (Business Insider)
• Snorkel AI Raises $350M Series E at $3.5B Valuation (Unite.AI)