1383
Стартап Micro1 за вісім місяців збільшив gross annual run rate приблизно зі 100 млн до 500 млн доларів. Компанія працює на ринку даних для навчання AI-моделей і стала одним із найяскравіших прикладів того, наскільки дорогим ресурсом для сучасних лабораторій стала людська експертиза.
Gross run rate відображає весь обсяг контрактів і платежів, які проходять через платформу. Micro1 виплачує значну частину цих коштів залученим експертам, тому чиста річна виручка компанії оцінюється нижче — приблизно в 150–200 млн доларів.
Micro1 залучає для AI-лабораторій лікарів, юристів, науковців, фінансових спеціалістів та інших професіоналів, які оцінюють відповіді моделей, створюють приклади й допомагають навчати системи складнішому reasoning.
Ринок виник через зміну самого способу навчання frontier-моделей. Великі лабораторії вже використали значну частину доступних загальних вебданих і дедалі більше потребують нових матеріалів, створених спеціально для конкретних завдань.
Експерти не просто розмічають текст. Вони можуть працювати всередині reinforcement learning environments, порівнювати варіанти відповідей, перевіряти логіку або виконувати професійні задачі, на яких модель вчиться.
Micro1 починала як AI-рекрутинговий стартап. Її система допомагала шукати й оцінювати кандидатів, але компанія побачила, що ті самі інструменти можна використовувати для швидкого набору тисяч експертів у data-labeling-проєкти.
Зараз компанія конкурує з Mercor, Handshake, Surge та іншими постачальниками людських даних для AI.
Mercor уже перевищила 2 млрд доларів gross annualized revenue, а Handshake вийшла приблизно на 1 млрд. Це показує, що попит достатньо великий для кількох компаній одночасно.
Micro1 також розширює бізнес за межі класичного human feedback. Компанія генерує синтетичні набори даних і будує спеціальні тренувальні середовища для AI-агентів.
Ще один напрям — робототехніка. Micro1 збирає відео повсякденних дій людей із предметами, щоб створювати pre-training datasets для майбутніх роботів.
Частину таких даних можна продавати кільком клієнтам. За окремими типами off-the-shelf datasets gross margin може становити 80–90%.
У компанії вважають, що в майбутньому витрати AI-лабораторій на дані можуть наблизитися до витрат на compute. Саме на цій зміні Micro1 будує подальше масштабування.
Джерело: TechCrunch
