AI-translated from English; not yet reviewed by a fluent editor. # Snorkels Finanzierungsrunde über 350 Millionen US-Dollar ermöglicht simulierte Arbeitsumgebungen für KI > Snorkels neue Finanzierung ermöglicht simulierte Arbeitsumgebungen, in denen KI-Agenten den Umgang mit Unternehmenstools, Regeln und Datensätzen üben können. Ihre Aktionen und Ergebnisse werden bewertet. By BIG CHANGE Editorial Published: 2026-09-22T23:48:28.109Z Updated: 2026-09-23T03:38:46.383Z Canonical: https://bigchange.ai/blog/snorkel-ai-training-simulated-workplaces ![A blank monitor and tool tray sit inside an orange-edged controlled training workstation.](https://bigchange.ai/api/media/file/snorkel-training-room-boundary-hero-v2.png) AI-generated conceptual illustration by BIG CHANGE. Illustration of a controlled training workstation with tools and a visible boundary. It does not show a customer system or a production result. Snorkel AI bietet simulierte Arbeitsumgebungen für das Training von Agenten an. Sie enthalten Unternehmensdaten, Tools und Regeln; bewertet werden die Aktionen und Ergebnisse eines Agenten. Am 22. September [kündigte Snorkel eine Serie-E-Finanzierungsrunde über 350 Millionen US-Dollar bei einer Unternehmensbewertung von 3,5 Milliarden US-Dollar an](https://snorkel.ai/blog/data-2-0-and-the-research-era-of-ai-data/). Die Finanzierung ist neu, die Produktausrichtung nicht. Snorkel beschrieb seine Methode zum Aufbau von Umgebungen bereits 2025; die aktuelle Data Series führt Simulationen für Sach- und Haftpflichtversicherung sowie Finanzwesen auf. Die Finanzierungsrunde unterstützt ein bestehendes Geschäft, das Expertenwissen über Arbeitsabläufe in Infrastruktur für Training und Evaluation umsetzt. ## Die große Veränderung - **Was sich geändert hat:** Ein Anbieter von Trainingsdaten kann eine funktionierende Simulation eines Unternehmensprozesses verkaufen. Für den Erfolg müssen verfügbare Tools und Datensätze genutzt werden, um den Arbeitsablauf abzuschließen. - **Warum das wichtig ist:** Die Personen, die eine Umgebung konstruieren, bestimmen mit, was als kompetente Arbeit gilt. Ein Richtliniengrenzwert, eine vorgeschriebene Freigabe oder eine Datenbankaktualisierung wird zum Signal dafür, welches Verhalten belohnt oder abgelehnt wird. Fachliches Urteil fließt damit bereits ins Training ein und nicht erst in die abschließende Prüfung. - **Worauf zu achten ist:** Snorkel will nach eigenen Angaben die Zuschüsse für offene Benchmarks ausbauen. Bei kommerziellen Umgebungen kommt es darauf an, wie genau Tools, Regeln und Ausnahmen den Betrieb des Käufers abbilden, denn der Erfolg wird an dieser konstruierten Version der Arbeit gemessen. ## Was eine simulierte Firma enthält Ein statischer Datensatz kann eine Frage mit der bevorzugten Antwort verknüpfen. Eine Umgebung fügt Handlungen und Folgen hinzu. Der Agent wählt ein Tool, beobachtet das Ergebnis und entscheidet, was als Nächstes zu tun ist. Eine Datenbank kann sich ändern, ein simulierter Nutzer kann fehlende Angaben liefern, und eine Richtlinie kann eine Eskalation verlangen. [In Snorkels Darstellung von Unternehmensumgebungen im August](https://snorkel.ai/blog/enterprise-environments-ai-agents/) heißt es, bei der Evaluation würden Antwort, resultierender Systemzustand, Berechtigungen, Freigaben und der Prozess der Beweiserhebung geprüft. Eine behauptete Erledigung kann deshalb scheitern, wenn der zugrunde liegende Datensatz unverändert bleibt. Die aktuelle Produktseite zu [Enterprise Environments](https://snorkel.ai/data-series/enterprise-environments/) führt Risikoprüfung sowie Finanzwesen als verfügbare Bereiche auf; für jeden gebe es Tausende Aufgaben und simulierte Nutzer. Dabei handelt es sich um Trainingsartefakte. Dasselbe Artefakt kann zwei verwandten Zwecken dienen. Ein Team kann damit einen Agenten anhand wiederholbarer Aufgaben evaluieren. Es kann Aufgaben und Belohnungssignale auch in eine Reinforcement-Learning-Schleife einspeisen, sodass erfolgreiches Verhalten spätere Aktionen beeinflusst. ## Die Regeln sind Teil des Produkts Snorkel zufolge legen Experten den Arbeitsablauf und die Erfolgskriterien fest; Ingenieure entwickeln Tools und Daten. Verifizierer bewerten die Arbeit, während ein Oracle-Agent prüft, ob ein gültiger Lösungsweg existiert. Unternehmensspezifische Regeln verlangen vom Agenten, die Umgebung zu prüfen, statt sich auf allgemeines Branchenwissen zu verlassen. Die Ersteller der Umgebung entscheiden, welche Ausnahmen wichtig sind, was als Abschluss gilt und welche alternativen Wege akzeptabel sind. Käufer und Fachexperten müssen prüfen, ob diese Entscheidungen die tatsächliche Arbeit abbilden. ## Ein kontrollierter Test hat Grenzen In Snorkels [technischer Erläuterung von 2025](https://snorkel.ai/blog/snorkeling-in-rl-environments/) heißt es, die Umgebungen nutzten repräsentative Dienste und Schemata; synthetische oder anonymisierte Daten träten an die Stelle von Live-Systemen. So kann ein Team Aufgaben wiederholen, Datenbankänderungen prüfen und verbotene Aktionen testen, ohne Kundendatensätze anzutasten. Das Ergebnis belegt die Leistung im Verhältnis zum kodierten Arbeitsablauf. Die Quellseiten erklären, wie Snorkel Aufgaben konstruiert und überprüft. Sie enthalten jedoch keine unabhängige Studie, die Ergebnisse aus diesen kommerziellen Simulationen mit der Zuverlässigkeit in einem produktiv eingesetzten Versicherungs- oder Finanzbetrieb verknüpft. Der Einsatz in der Produktion hängt weiterhin davon ab, wie genau die Simulation echte Tools, Daten und Sonderfälle abbildet. ## Was die Finanzierung unterstützt Snorkel begann als System zur Erstellung gelabelter Datensätze. Das neuere Angebot verpackt Expertenwissen als Umgebungen, Evaluatoren und Trainingsaufgaben. Damit entsteht ein eigener Baustein im KI-Stack: eine konstruierte Version der Arbeit samt Regeln dafür, ob ein Agent sie korrekt erledigt hat. Für Fachexperten rücken Aufgabendefinition und Verifizierung näher an die Modellentwicklung. Für Käufer wird die Qualität der Spezifikation Teil des Produkts. Die angekündigte Ausweitung von Snorkels Open Benchmarks Grants könnte mehr Umgebungsaufbau und Bewertung der Einsicht öffnen; die Finanzierungsmitteilung nennt jedoch weder die nächsten Zuschüsse noch deren Bedingungen. ## Sources - [Snorkel AI: Data 2.0 und die Forschungsära von KI-Daten](https://snorkel.ai/blog/data-2-0-and-the-research-era-of-ai-data/) — CEO Alex Ratner kündigt eine Serie-E-Finanzierungsrunde über 350 Millionen US-Dollar bei einer Unternehmensbewertung von 3,5 Milliarden US-Dollar an und erklärt, Snorkel werde das Programm Open Benchmarks Grants ausbauen. Weitergehende Aussagen des Unternehmens zu Modellfähigkeiten, rekursiver Verbesserung und Marktentwicklung sind Unternehmensansichten, keine unabhängigen Erkenntnisse. - [Snorkel AI: Unternehmensumgebungen und KI-Training für reale Arbeitsabläufe](https://snorkel.ai/blog/enterprise-environments-ai-agents/) — Beschreibt simulierte Unternehmensbestandteile, den Aufbau durch Experten und Ingenieure, Prüfungen durch Oracle-Agenten, unternehmensspezifische Regeln sowie die Bewertung von Antwort, Zustand, Sicherheit und Vorgehen. Das Versicherungsbeispiel ist ein Trainingsartefakt, kein dokumentierter produktiver Einsatz. - [Snorkel Data Series: Enterprise Environments](https://snorkel.ai/data-series/enterprise-environments/) — Die aktuelle Produktseite listet Simulationen zur Sach- und Haftpflichtversicherung sowie zum Finanzwesen mit Tausenden Aufgaben, Datenbanken, Richtliniendokumenten, Fachtools und simulierten Nutzern. Aussagen zur Leistung und Übertragbarkeit in den produktiven Einsatz wurden weggelassen, da die Seite dafür nicht genug methodische Einzelheiten liefert. - [Snorkel AI: RL-Umgebungen mit Snorkeling](https://snorkel.ai/blog/snorkeling-in-rl-environments/) — Erläutert Umgebungskontext, Aktionen, Zustand und Evaluationssignale; unterscheidet simulierte Evaluation von RL-Testumgebungen und beschreibt repräsentative Dienste, Schemata, synthetische oder anonymisierte Daten, Verifizierer und Prüfung durch Experten. Die Quelle belegt die beschriebene Methode, nicht die Zuverlässigkeit im produktiven Einsatz.